應用場景
製程優化、品質預測、參數推薦
機台設備參數最佳化
在製造業中，設備參數的調控對於確保產品質量、提高生產效率和延長設備壽命至關重要。
要如何快速找出最佳參數組合是生產人員面對的挑戰。
痛點分析
- 參數調整難度大：傳統參數優化方法主要依靠人工經驗，不同操作員的經驗和判斷可能存在差異，導致品質結果效果不一致
- 試驗成本高：需要進行大量的試驗才能找到最佳的參數組合，提升消耗材料、設備和人工等成本資源
- 人工經驗無法傳承：人工經驗難以總結和推廣，新進員工無法快速上手外，同時難以應用於新的材料和加工工藝
成果效益
- 結合歷史製造數據，透過模型針對不同設備找到最佳參數組合，減少製程中的耗損，降低生產成本 10%
- 省去人工調整參數的時間，加速開機時間，提高生產效率 5%
製程虛擬量測
隨著製造業的不斷發展，產品質量要求越來越高，傳統的抽檢方式已經難以滿足生產需求。
痛點分析
- 實際量測限制：某些製程自動化製程長，實際量測需要耗費大量的成本和時間，且受到設備、材料和人力等方面限制
- 品檢以抽檢為主：精度要求高，然部分製程因產能因素仍以抽檢為主，造成異常品流出機率高
- 產線調整困難：現有的量測方法無法提供即時的反饋，導致產線調整困難，影響生產效率和產品質量
成果效益
- 預測模擬功能結合產線，降低檢驗成本 10%
- 即時量測結果和反饋，幫助製程人員即時調整產線參數，提升品質成本 12%
機台異常偵測 AD 模型
在現代工廠中，機台運行的穩定性對生產效率和產品質量至關重要。
然而目前設備保養的過程通常為屬於被動式，等到問題發生才能進行維修，導致維修效率低下和生產中斷。
痛點分析
- 以預防性維護為主：一般業界仍以 PM 為主要的設備維護手段，以「事後資料」為主，不易進行提前預測
- 無法實時監控：傳統的機台監控方式可能存在延遲，無法實時反映機台的運行狀態，難以及時發現異常
成果效益
- 現場人員能在短時間內，運用平台成功建立異常偵測模型，達成數據驅動決策
- 透過模型落地、即時監控，減少停機，降低異常停機損失 12%