解决方案
量测仪器
监测系统
物联网
建立机械健康规范杜绝产线不良品
为什麽需要？
建立设备机台健康规范
什麽是机器学习？机器学习简单来说就是经由电脑程式端累积数据资料，藉由这些数据的累积，程式端经过特殊演算法自动化分析、统计、判断进而自主式做出决策或判别甚至预测结果，是一种程式智能化经验学习。用来帮助使用者提高准确率、改善所做出的决策。机器学习是人工智慧的一个分支，人工智慧的研究历史有着一条从以「推理」、「知识」、「学习」为重点的脉络，机器学习是实现人工智慧的一个途径，即以机器学习为手段解决人工智慧中的问题。
近年来工业设备一直仰赖高效能量测技术来提升产线产品良率与产量，并且藉由量测结果与搜集大量的数据来改善设备的效能。因此，能够有自主性判别设备状态与预防无预警状况的发生更成为企业所需要深入探究的课题。固德推出的OLVMS®-ML机器学习智能监控系统即是针对各式机械设备的动态监测，使用者透过简单建立健康规范，系统学习动作依照所累积的数据统计进而做出分析判断，产业进而可订立预知保养计画并有助于设计者优化产线设计流程。
问题解决
机械常发生的异常行为
各轴向(马达)驱动异常
机械异常颤抖动
製造剧本指定错误
机械动作时序异常
机械磨损老化
无预警撞机
外部环境震动突波过大
机械角度异常大
随着工厂製程不断细微化，其製程设备动作行为的要求也越来越高，针对各式动态机械行为动作经由OLVMS®-ML 机器学习智能监控系统可规范正确的设备动作来管控设备运作流程，侦测设备问题并解决各式设备问题进而帮助产线提升效能降低成本。
特点说明
针对週期性生产设备
固德推出的OLVMS®-ML机器学习智能监控系统是针对週期性（重複性）生产设备的动态监测，使用者透过简单建立健康规范，系统学习动作依照所累积的数据统计进而做出分析判断，产业进而可订立预知保养计画并有助于设计者优化产线设计流程。
有别于其他一般量测仪器的单功能使用，固德的OLVMS®-ML机器学习智能监控系统可自动学习纪录複杂的机械动作、了解设备的健康状态、预知可能发生机械故障、老化、偏移、等各种複杂的动态行为。
快速学习
快速选取目标讯号，建立学习动作。
随架即量
不限装机前或装机后，安装快速。
自动判别
实时辨认动作，撷取正确週期比对。
多工检测
同时执行多种判别演算式检测状况。
智能运算
提供 AI 人工智能运算输入参考数据。
结果显示
各项警报均可搭配外部 I/O 输出。
特点说明
转移人为经验，快速学习目标动作週期
OLVMS®-ML机器学习智能监控系统使用者可自行设计需要检查的健康模式状态，即时/快速的学习(标定)重複性或者部分重複性的生产行为，并且以“人”的经验做为基础，转植为Rule Base的监测藉由学习正确机台动作讯号，保留只需要监测的关键区段进行监测。避免不必要的讯号搜集，专注在关键区域的监测。
不需机台交握，直接执行产线产品加工品质监测任务。系统可学习纪录机械动作不同剧本的模型，当机械执行不同动作时，系统将自行对应模型图库，比对即时讯号，判定相同讯号并以此模型监测。
内建监测模型：振福、频率、相位、小波、标准差、稳定度等演算法。
特点说明
自动追踪目标加工讯号、即时判别结果
系统可学习纪录机械动作不同剧本的模型，当机械执行不同动作时，系统将自行对应模型图库，比对即时讯号，判定相同讯号并以此模型监测。即使製造过程机械动作有发生异常或是有其他外在干扰，自动追踪识别技术依然能够正确判别数据讯号是否为同一组週期动作，并判别结果。
类机器声纹比对
机器声纹比对是指透过分析和比对声音中独特的声纹特徵来确认或辨识个体身份的一种技术。声纹类似于人的指纹，每个人的声音都有独特的频率、音调、语速、发音方式等特徵，这些特徵组成了每个人独一无二的「声音指纹」。而藉由搜集机械的动态讯号，就好像是人类的声纹，具有其不同的独特性。
自动追踪识别技术简单的说，就是利用动态讯号中，提取动态特徵，包括频谱特徵、振动模式、动态变化等，利用这些特徵进行特徵匹配演算，来判断是否为需要的动态讯号。系统内建监测模型：振福、频率、相位、小波、标准差、稳定度等演算法。
特点说明
等待异常事件、机械特徵识别累积技术
震幅动态相关度 : 描述週期性製程动作稳定度，趋势下降代表设备不稳定，有老化恶化现象。
频率特徵异常指标 : 描述製程週期内，设备内部或外部产生异常频率程度。
突波特徵异常指标 : 描述製程週期内，设备内部或外部产生异常突波程度。
频谱能量指标 : 描述製程週期内，设备各个移动部件与结构稳定程度。
频率动态相关度 : 描述週期性製程动作频率稳定度，趋势下降代表设备不稳定，有老化恶化现象。
已经针对加工行为或製程种类分类、乾淨的製程数据库可直接加入事件执行训练。
转移人为经验 ⮕ 即时监测 ⮕ 趋势管理 ⮕ 数据清洗 ⮕ AI 化
特点说明
提供 AI 运算参数并结合趋势图
OLVMS®-ML机器学习智能监控系统的高效能量测方式即学习动态机械讯号动作并提供 AI 人工智能运算参数，产品开发设计与测试人员更可依照数据进行检验与验证测试，有助于优化产线流程设计。
工业4.0伴随 AI（人工智慧）迅速发展的时代，机械的各式複杂化动作、简化生产流程、要求提升产能、维持产品良率等种种产业需求，透过高效能的量测系统 AI 人工智能处理可快速解决各式设备问题。而深度学习也是 AI 技术的其中一环，它是种执行机器学习的技术，能将大量数据输入机器，并透过特殊演算法分析数据，让机器从中学习判断或预测事物的能力。
动作相似度分数
动态频率相似度分数
动作週期内平均振幅分数
动作週期内突波数量分数
持续优化
的量测系统
OLVMS®-ML 机器学习智能监控系统是一套领先于市面上所有应用于工业机械上的量测系统，并且经由客户回馈不断持续优化的软体。
UI 功能画面
异常辨别方式说明
OLVMS®-ML机器学习智能监控系统将複杂的巨量数据简化成判分机制，让使用者可容易判读。外层-机台健康度：结合机台目前动态状况如：相似度分数、振动值超标次数、频率超标次数、机台运行状况、综合判分；内层-动态运行判分。另外绿灯代表正常、黄灯代表警告、红灯代表异常。即时振动动态讯号会自行与规范进行比对，当符合该规范判断设定，即会显示与该规范的判别结果。
综合判分机制(外层-机台健康度)
撞机讯号(振动值极大)出现，显示惊叹号
机台状态管理(内层-动态运行判分)
黄线：建立的检测动态讯号规范
白线：即时检出的动态讯号。
应用流程
资料精炼流程
资料精炼流程 将複杂的演算与数据化为分数及灯号
架构说明
OLVMS®-ML 单机版单通道
OLVMS®-ML机器学习智能监控系统运用的自动撷取正确週期动作进行比对，而得到的结果判断，除了了解设备的健康，更提供业者可运用之改善依据，进而提前检知设备状态、延长设备正常运作。
OLVMS®-ML单机版单通道 ：
● 评估各式设备动作是否具备週期可监测性
● 评估各式设备异常情况检出率、好坏设备状态比较
● 单一设备短期监测纪录，验证确认可持续在线监测
● 管控平行展开风险
● 具备可移动性，作为巡检设备状态工具
● 修机后，烧机测试稳定程度数据收集、确认
架构说明
OLVMS®-ML 单机版多通道
OLVMS®-ML 单机版多通道监测系统分为：4、6、8、10、12、16channel
OLVMS®-ML 单机版多通道 ：
● 厂内设备配置集中，数量在 16 台内
● 目标监测机台，日后无扩充计画
● 单一核心设备具有多个重要移动部件需要即时监测管理
架构说明
OLVMS®-ML DDS 分散式架构
OLVMS®-ML DDS 分散式架构 监测系统分为： ML CORE 核心运算系统、边缘撷取装置、中央战情管理系统
● 任意边缘与分散式核心运算系统执行于同一网域
● 同一网域内可随处加装分散式核心运算系统
● 同一网域内可随处加装边缘系统
● 分散式核心运算可支援24ch边缘系统
● 软体于此系统统一更新
● 边缘系统类别：1、8、16 channel
产线 AI 化
杜绝不良品
工业生产中，产品品质为最核心重要因素，OLVMS®-ML机器学习智能监控系统能够对于监测产线提早检知，更积极的避免不良品被製造。
使用效益
提供业者可运用之改善依据
OLVMS®-ML机器学习智能监控系统运用的自动撷取正确週期动作进行比对即时产生结果判断。而得到的结果判断，除了了解设备的健康，更提供业者可运用之改善依据，进而提前检知设备状态、延长设备正常运作。帮助产业维持优化产线、提高产品良率、确保机台稳定度、降低保养成本、提高工作效率等。
异常即时检出
不限装机前或装机后，安装快速。
了解设备健康
掌控设备健康，有效益的排定维修。
预知机械故障
了解机械设备，即时处理问题点。
确保产品良率
建立健康规范，确保产品一致性。
数据轻松蒐集
轻松蒐集 AI智能运算参考数据。
提升工作效率
大幅降低工程、技术人员工作负担。
使用效益
提供业者可运用之改善依据
Support
其他机器学习相关案例
