智慧製造&工業4.0
AI企業應用
缺工議題
機械設備故障所帶來的損失非同小可，像是機器零組件突然失靈，可能會導致整條生產線停擺！那有沒有什麼辦法可以降低非預期性的故障停機，或是進行預防性的保養嗎？
想要做到智慧製造，設備總和效率（OEE）是評量生產機械設備是否有效運作的一種重要指標，但以往生產線上的設備的數據資料很難取得，甚至是無法取得。在這樣的情況下，故障、停機、不良修正等六大損失無從定位，也沒辦法排查影響因素進而優化設備，只能參照過往經驗設定上下限數值，用這個數值進行預防性維護和保養，或是依靠有經驗的老師傅來排除設備故障的問題，但這樣會衍生哪些問題呢？
沒有精準數據來推算，只能參照過往經驗大致抓出保養時間，可能會發生像是刀具過度磨耗而影響料件等問題。
如果日常檢點沒做好、也沒有定期維護保養，導致零件過度損耗，如果設備依舊持續運轉，可能會發生停機，若是重要零組件損壞，現場無法及時更換，不僅導致稼動率下降、影響產能，可能還要等零件到貨更換後，才能重新開機運作，相當浪費時間。
如果設備有問題卻沒有即時察覺，且持續生產，可能會導致生產的產品良率不佳，造成成本浪費。
等到設備故障在來維修是最差的辦法，有些人可能想說要節省成本，設備還能運作就盡量撐，但其實設備故障所造成的損失通常都超過保養維修的費用！
但只以過去經驗進行週期性保養也還是不夠的，沒有辦法考量到環境變化和不同零件使用上的差異，造成即使有定期更換維修仍然發生非預期損壞的情形。
對設備和產線來說，最好的做法就是做到預知保養，透過感測器跟系統軟體預測機器何時發生故障，了解損壞部位，並且在最方便的時候安排維修。
設備不會開口說話，因此需要透過智慧感測器，即時蒐集各種測量資料，例如：震動值、電流值、溫度、壓力等關鍵參數，蒐集到數據資料後，可以彙整到數位系統平台上，將資料結合機器學習進行異常診斷演算，從設備振動訊號進行健康狀態診斷，一旦超出設定合格範圍，可能代表產生潛在故障跡象。
像是一般狀況怎麼去判斷機械手臂關節的好壞？機械手臂要做的產品很多，如果沒有學習的機制或判斷，沒有經過演算法的分析，只能依照過往經驗設定上、下限值，但如果有利用機器學習來設定參數，建立診斷模型後，可以依照不同模式判斷健康指數，來提供一個量化後的標準，協助我們更快瞭解設備當下的運作狀態。
但如果只是一般感測器，設定上下限值後，只要超過數值就會告警，像是地震發生，導致振動超出設定值而發生警報，但如果以機器健康指數來看，本身健康狀況是沒有變化的，純粹是因為外在環境影響而導致這種結果，這時怎麼辦呢？
以振動概念來說，感測器不一定要放在被偵測物上，只要和偵測物有相關連的地方都可以偵測到，蒐集到數據後可以透過現場wifi傳到戰情室內的系統平台上，將訊號傳遞到主系統，主系統便可以進行分析，做到數據可視化、現場即時化的目標。
感測器種類相當繁雜，而以微型振動感測器來說：除了有體積小、防潑水的優勢，適合用在空間侷限的監測環境，加上可以偵測到從1赫茲到5k赫茲的頻率，因此適合放在複合機械動作的設備上，可以還原振動波形，有效診斷出重要零件前期細微劣化的現象。
將有效的「數據資料」給合適的相關人員看到，並改善設備參數和製程，做到即時監測設備狀態與紀錄，並依照實際蒐集設備狀態的訊息，自動檢測出產品品質是否優良。
進行預防性保養後，不僅可以減少設備異常，省下不必要的停機、維修時間，穩定並提升生產效率，還能在生產過程有異常時，自動停機或回饋，降低產品品質不良率。
雖然預防性維護保養需要定期支出保養費用，但卻可以大大減少故障損壞的停機時間，還可以減少人員排除故障原因的時間，讓人力可以去做更有效益的事，
設備是相當重要的資產，定期檢查、保養維護可以延長設備的使用壽命，同時也能省下可觀的營運成本。如果沒有做到將會容易導致異常的重複發生，不但持續造成生產損失、生產成本上升，對人員及設備安全，及企業商譽也會產生相當大威脅。
更多IT+OT關鍵應用都在這裡，趕快手刀報名起來~
更多精采課程場次都在這裡：完整課表
OT大講堂
OT大講堂
OT大講堂全新改版
延伸閱讀
我們使用本身的Cookie和第三方的Cookie進行分析，並根據您的瀏覽習慣和個人資料向您展示與您的偏好相關的廣告。如欲瞭解更多資訊，您可以查閱我們的隱私權政策。