制定預知保養規劃能夠有效管理產線，避開計劃外的設備維護與等修叫料的時間，讓產線更有效執行生產任務，產線延長可利用時間高達 23%。
依據設備健康狀態進行維護，進而最大化延長設備使用壽命，並有效延長設備良品的使用時間，避免過度保養。增加設備使用效益約 53％ 。
提前預知設備損壞發生，當監測到損壞前指標的發生，即時開始著手維修及待料計畫，避免設備無預警停機甚至嚴重損壞機率高達 95%。
由於週期性設備的機械運轉動作極為複雜，運轉中正常訊號及異常訊號常常會交錯在一起，數值高低不再是判定運轉是否異常的準則。因此只有單一數值的警告門閥值，顯然不敷使用。
另外，對於週期性設備而言，即使是同一台設備，只要是在製造不同產品、不同材質、不同轉速時，即會出現不同的訊號模式，因此，我們必須根據不同的製造模式套用不同的學習規範。
不同特性的製程，使用不同功能的感測器，例如：機械行為相關的機械手臂、衝壓鍛造模具、工具機等使用振動感測器（加速規）感測，製程與電流直接相關的自動焊接使用電流感測器，製程與壓力直接相關的自動點膠、塗膠、射出成型使用壓力感測器。
傳統導入AI 的監測系統需要經由長時間累積大量數據、大量經驗事件，在模型建立前所需要花費的建置成本，效益難以估計。即使蒐集了大量的數據，沒有經過數據清洗或特徵化，數據將無法有效的被利用。另外，每種類型的數據都需要由專業領域的專家跟資料科學家合作來重新分析建模，在真正有效益前，已耗費大量的金錢與時間。因此，要解決這個困境，系統需要一套安裝當下即可產生效益，執行產線監測任務的系統。
週期性設備動作與機構組成複雜，要執行量測時，該如何安裝監測點位?設備機台動作多樣而複雜，除了機台資料交握的困難外，每種機台更有不同的製造廠商，更造成獲取數據資料對接的困難，該如何克服?
OLVMS®-ML機器學習智能監控系統不需做機台交握、非侵入式量測方式，真正實現PLUG IN，只需一顆依據製程關鍵監測指標相關的物理量感測器，安裝當下系統即可直接執行產線品質監測任務。
自動化廠區充斥著大量自動化設備，在製造過程中大量設備同時運轉，或是一些人為不可控的因素，例：地震、場外施工等，必定會造成一定的相互干擾。這個時候所量測的數據，該如何正確判讀呢?
OLVMS®-ML自動追蹤目標加工訊號。在即時監測訊號中，自動偵測標定過的目標訊號。即使製造過程機械動作有發生異常或是有其他外在干擾，自動追蹤識別技術依然能夠正確判別數據訊號是否為同一組週期動作，並判別結果。
週期性生產設備由於種類繁多且複雜精密，不同的設備會有不同的監測需求，而維護機台的工程師就需要熟悉各種方案。或是不同的設備端就由不同的工程師來維護，這對人員的學習或是公司的維運都不算是完善的方式。
是不是可以提出一種解決方案來符合所有的週期性生產設備的檢測需求?
OLVMS®-ML 是專為週期性生產設備所設計的監測系統。可依照需求搭配多通道版本，一套系統即可監測多台設備。系統將透過演算法將重要的結果以最簡單的紅綠燈及分數的呈現。內層保留各式數據分數及特徵圖，及提供多組規範可供使用者自行設定套用。
操作簡單且結果容易判讀。工程師透過簡單的教育訓練後，即可立即開始監測。
監測系統導入AI 技術，往往需要經由蒐集大量的數據累積，遇到設備異常事件後才能夠進行特徵提取，遇到不同事件或不同製程時，又必須重新，累積紀錄，等到監測系統可以執行任務時間仍未知，蒐集數據資料的時間過於漫長，遲遲無法看到監測效益，該怎麼辦?
OLVMS®-ML 快速建立學習規範，能夠為設備即時異常檢出，不再需要漫長的蒐集數據期。已經針對加工行為或製程種類分類、乾淨的製程，數據庫可直接加入事件執行訓練。
系統並內建監測模型：振幅、頻率、相位、小波、標準差、穩定度等演算法，能夠更快速為訊號進行判分得到結果。
在製造加工過程中，常遇到的是製造零件或是設備會因為人工品檢或人為經驗判斷而標準不一，細部瑕疵無法察覺，檢測效益較低。該如何將標準統一化，避免品質參差不齊?
OLVMS®-ML 即時快速的學習（標定）重複性或者部分重複性的生產行為，並且以“人”的經驗做為基礎，轉植為 Rule Base 的監測。依照人為製造經驗透過系統建立成加工週期規範，能夠有效建立數據化的統一檢測模式，讓產品達到統一標準品要求。
製造加工過程時間長短不一且程序複雜，設備機台會根據不同的產品、製程動作不同而有不同的參數，或是部分動作會交由人為操作，如：換模、移動等。此時系統在不同的動作下作比對，將導致判斷結果無意義，是否可以直接排除蒐集不必要的參數比對?
OLVMS®-ML 除了可透過學習正確的時序動作快速建立學習規範外，還可將不必要的時序動作排除，只需在學習規範中選取排除功能，系統即可只留下需要的時序動作進行比對，OLVMS®-ML 自動追蹤目標加工訊號的功能，能夠鎖定標定的動作圖形進行偵測比對判定。此外，排除後的時序動作參數將不會於系統內累積，造成記憶體的浪費。
由於自動化產線加工速度快，一有小狀況發生，例如：設備在運轉振動過大時而造成的位移或準度有偏差，就會造成大量的不良品產出。該如何對於產線能夠提早檢知狀態，更積極的避免不良品被製造呢?
在設備出現小異常時OLVMS®-ML就能即時抓出。可利用 VMS®-PH 快速排查設備異常，縮短停機時間，並且透過預知保養來避免設備嚴重異常的發生，阻止大量廢品被產出。透過機器學習的行為模式中幫助OP建立標準化，根據異常特徵作標記，可回溯過程進行產線製程的優化改善，掌握未來機況。
監測週期性設備的前置作業，VMS®-PH 可將製程數預先進行量測、拆解分析。進而加速ML監測效益及AI訓練。
OLVMS®-ML 針對週期性生產設備動態監測，快速建立學習規範進行監測，系統自動判分機制，即時掌握設備狀態。
ML-EDGE IIoT 分散式核心運算系統，同時監測大量週期性設備，並於IIoT進行統一管理，為設備建立專屬的戰情室。
當OLVMS®-ML監測系統出現異常告警時，利用VMS®-PH 可快速、精準的找出異常原因，縮短維修工時與停機時間。
索取簡介 掃描QRcode/輸入LINE ID搜尋：＠grj4308r
