為何需要 AI 預測機台設備異常？
在製造業場域中，存在多種的生產設備，需花費大量成本定期或依經驗維護。在機台壽命健康情況下進行定期維護會造成零件成本浪費，而若在非維護期間發生異常，將造成非計畫性風險。企業在監控機台設備異常時將遇到以下困難：
有限的人力成本
人工設備監控造成高額成本，雖有 AOI（Automatic Optical Inspection）輔助進行異常檢測工作，然而系統診斷不夠精準導致誤報頻傳，仍需傳統人力排查
生產效率成效不彰
設備異常衍生之維修成本造成產能利用率和機台稼動率的降低，企業容易面臨瓶頸工程之高風險損失
產品品質失效
非預期性零件磨損或老化，導致設備精度失凖，嚴重影響生產品質良率
Decanter AI 設備預測性維護解決方案
設備預測性維護解決方案協助企業掌握機台異常時間點，企業只需搜集機台相關數據，透過 Decanter AI 的自動化分析、建模及預測，即可產出機台未來維護與檢驗計畫，幫助企業優化其產線分配策略，以實踐工廠永續管理。
Step1
數據準備
- 設備基本信息
- 設備異常事件標記
- 設備運行狀態
- 傳感器實時參數數據
Step 2
建立模型
- 預測設備未來是否異常
- 預測設備剩餘壽命
Step 3
結果分析與應用對接
- 設備異常重要因子分析
- 餘命預測
- 維護資源限制
- 終端設備串接
方案優勢
準確預測
以機器為單位進行預測，模型準度達 80%；
以未來一個月為區間進行預測，模型準度達 70%
有效預防產線可能停線風險
約有 70% 的異常機台設備可在一個月前提前掌握，
工廠可於異常發生前進行維護或開啟備用設備
流程改善
找出影響幫補異常狀況之重要因子（運行時間、維護頻率、操作狀況…）
立即試用
