避免人為
分析流程
分析知識轉化
為產品功能
簡化監測種類
精準分類
真正做到場域
可擴充性
監測系統導入時，往往需要經由蒐集大量的數據累積，遇到設備發生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，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 機器學習智能監控系統 利用正確機台訊號，能夠快速學習並建立規範，設備即時異常檢出，不再需要漫長的蒐集數據期。
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。
機械手臂設備動作多樣且機構組成複雜，要執行監測時，除了在部署安裝感測器上造成困難外，各式手臂機台更有不同的製造廠商，機台數據資料皆由第三方設備商管理，造成機台交握上的困難，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。
由於機械手臂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，即使是同一台手臂，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。
OLVMS®-ML 機器學習智能監控系統自動追蹤目標加工訊號，根據不同的製造模式套用不同的學習規範，實現真正量身定做的門檻監測。並且在即時監測訊號中，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，並給予判分及結果。
傳統導入 Ai 的監測系統需要經由長時間累積大量數據，數據量不足則無法做出判斷， 也無法避免蒐集到的是否為需要的數據。而且還需要經由累積大量的經驗事件，才能開始做判定。在真正有效益前，已耗費大量的金錢與時間。
OLVMS®-ML 機器學習智能監控系統 提供 Ai 人工智能運算參數，讓產品開發設計與測試人員更可依照數據進行檢驗與驗證測試，有助於優化產線流程設計。針對加工行為或製程種類分類、將特徵標籤化，乾淨的製程數據庫可直接加入事件執行訓練。
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%。
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%。
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％ 。
透過各式感測器搭配監測系統蒐集被測物的各式數據（數據量測），系統選定需要的數據資料（資料選定），排除各式雜訊後（數據前處理），開始對數據做特徵提取，並透過異常特徵蒐集成趨勢，了解設備損壞的位置及預測可能使用的壽命。
修機指引 –了解手臂哪個軸向發生異常，縮短維修檢測工時。（可利用VMS-PH檢測異常原因）
餘命預測 –藉由已知的預測時間，更清楚時間脈絡，依循設備壽命提早規劃維修保養。
索取簡介 掃描QRcode/輸入LINE ID搜尋：＠grj4308r
