机械手臂智慧监测

执行痛点
漫长的累积数据时间，无法看到即时效益？

监测系统导入时，往往需要经由蒐集大量的数据累积，遇到设备发生异常事件后才能够进行特徵提取，遇到不同事件或不同製程时，又必须重新累积纪录，监测系统可以执行任务时间仍未知，蒐集数据资料的时间过于漫长，迟迟无法看到监测效益，该怎麽办？

执行痛点
监测系统与设备对接，资料交握的困难？

机械手臂设备动作多样且机构组成複杂，要执行监测时，除了在部署安装感测器上造成困难外，各式手臂机台更有不同的製造厂商，机台数据资料皆由第三方设备商管理，造成机台交握上的困难，该如何克服？

执行痛点
只用振动总量门槛监测，系统容易误判？

由于机械手臂的机械运转动作极为複杂，运转中正常讯号及异常讯号常常会交错在一起，数值高低不再是判定运转是否异常的准则。因此只有单一数值的警告门阀值，显然不敷使用。另外，即使是同一台手臂，只要是在製造不同产品、不同材质、不同转速时，即会出现不同的讯号模式。

如何执行
从单纯到複杂的动作都可以自动追踪识别

VMS®-ML 机器学习智能监控系统自动追踪目标加工讯号，根据不同的製造模式套用不同的学习规范，实现真正量身定做的门槛监测。并且在即时监测讯号中，自动侦测标定过的目标讯号。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，并给予判分及结果。

执行痛点
大量蒐集无用的数据，无效益的 Ai 化？

传统导入 Ai 的监测系统需要经由长时间累积大量数据，数据量不足则无法做出判断， 也无法避免蒐集到的是否为需要的数据。而且还需要经由累积大量的经验事件，才能开始做判定。在真正有效益前，已耗费大量的金钱与时间。