品質失效分析利用 AI 判斷產品品質出現下滑的可能原因,藉此協助企業優化研發與製造流程。企業只需搜集影響產品質量的人、機、料、法、環、測六大因素(5M1E),即可預測產品未來特定時間點內是否發生品質異常,幫助客戶提前採取預防措施和改進政策,達到全面品質管理(TQM),以提高產品的品質及可靠度。

為何需要 AI 進行品質失效分析?
由於不同產品製程受到各項變數的影響程度不同,產品研發與生產不僅需經過多道製程,更需考量調配出合適比例的材料劑量和機臺參數等。過往以人為經驗研發相當耗時,企業在維護產品品質和提升生產效能上常遇到以下困難:

有限的時間與資源
企業進行失效分析時,耗費大量
時間資源進行實際實驗排查

失效分析成效不彰
慣性經驗分析導致思維盲點與傳承困難,企業難以找出實際失效原因

生產效能陷入惡性循環
產品品質失效加速機台非預期性零件磨損或老化,增加機台故障機率,導致設備精度失控
Decanter AI 品質失效分析解決方案
品質失效分析解決方案協助企業優化研發與製造流程,透過 Decanter AI 建立預測模型,剖析製程中各變數對結果值的影響程度,並找出影響製程的關鍵因子,進而將參數最佳化,以在製程研發應用,甚至新品開發上面,降低研發成本並提升實驗效率。
Step1
數據準備
使用企業標的之資料,包含人員資料、製程資料、環境資料、檢測資料、機器資料、材料資料
Step 2
AI 預測
- 資料清洗與探勘
- 100+ 演算法自動建模
- 預測產品品質未來是否異常
Step 3
結果分析與應用對接
- 高機率品質失效產品名單
- 影響產品品質關鍵因子
- 終端設備串接
方案優勢
數據快速整合
不到一周的時間即可將過去實驗資料整合,與傳統做法相比節省 90% 的失效分析時間,提昇研究效率並降低出錯機會。
找出影響關鍵因子
透過模型特徵重要性找出影響品質相關性 69-72% 的全新關鍵因子,優化企業研發與製造流程
模擬效能預測
透過 What-if 模擬分析完善製程參數最佳化,將製程真實數據帶入快速估測產品品質,優化製程效能
即時監控生產狀況
與 Decanter AI 核心運算引擎串接,每月自動產出產品品質預測結果,並與生產機台精度狀況進行串聯,達到全面品質管理