家用電器「壞了再修」看似理所當然，但對停工損失達數十萬乃至數百萬的工廠來說，「壞了再修」恐怕是製造業難以承受之重。工研院長年深耕設備故障診斷技術，近年更加入AI模型，研發「迴轉機械預兆診斷系統」，讓機器狀態判讀從經驗走向智慧預警，提早發現異常、降低停機損失，榮獲2026愛迪生金牌獎肯定。
工廠裡機械轟隆作響，操作人員仔細監看流水線是否運作順暢，同時也留意設備是否有不尋常的聲響、振動，以便及早處理。因為若設備臨時故障導致停機，造成的損失與危害可能相當高。
設備診斷並非新興技術，早在1960年代，工業界便透過訊號處理技術，將機械振動轉化為頻譜圖，由資深專家來解讀「設備的呻吟」，猶如醫師解讀X光片來判定病灶，方能對症下藥。然而，這樣的模式雖然開啟了設備狀態維護的先河，卻也受限於有經驗的人才難得。
工研院機械與機電系統研究所長年投入「迴轉機械預兆診斷系統」研發，把原本高度仰賴專家經驗的機械狀態診斷，結合振動分析邏輯與AI架構，變成可提早預知的智慧系統，讓設備管理從「壞了再修」邁向「提早預警、及早維護」的新階段，今年更獲愛迪生獎肯定，凸顯臺灣在智慧維護與產業應用已躍上國際。
突破壞數據稀缺限制 發展通用預兆診斷AI模型
工研院機械與機電系統研究所組長王俊傑說明，早期設備檢測高度仰賴懂機械的專家，攜帶儀器進入現場量測，再根據經驗判斷設備狀態，但這樣的做法卻因人力斷層與人才養成不易，加上知識往往集中少數人身上，「一旦老師傅退休，就沒人能接手。」
工研院發現產業痛點後，決定把專家的判讀經驗模型化，以振動理論為基礎，讓系統可以理解設備訊號。2008年王俊傑加入工研院團隊，投入感測器數據分析與AI演算法，研究可精準辨識旋轉類型機械設備如馬達、泵浦、風機、齒輪箱的運作方式，蒐集發生損傷、故障的原因，打造一套能預測診斷的模型。
「研發過程中最大的挑戰，莫過於設備『壞數據』很少，」王俊傑解釋，對多數業者而言，設備若長期維持穩定運作，本來就不容易累積壞的數據，若握有大量異常數據，某種程度上也意味著製程或設備端早已頻繁出現問題。
因此，「迴轉機械預兆診斷系統」先鎖定產業中大量存在的「旋轉設備」，由於故障徵兆與振動特性有共通理論基礎，工研院先建立AI通用模型，再依不同場域進行參數微調，形成可快速部署、隨插即用的診斷軟體，可解決6至7成的問題，剩下較特殊的需求，再透過客製化補強，融合了30年振動監測專業知識與AI演算法的預兆診斷模型，於焉誕生。
準確率破9成 從半導體到風機都能用
「這套AI模型的預測準確率超過90%，故障誤判率低於5%，」王俊傑很有自信，可全自動分析、無須人為判斷，還能遠端部署、多機同步監控。目前已經技轉至感測器廠商，幫助業者接獲千套以上來自國際級半導體公司的訂單，平均每案可以降低數萬到數十萬美元的損失，創造的效益相當可觀。
王俊傑以半導體製程中尾氣端真空泵浦為例，它負責抽走製程中產生的廢氣，一旦故障，廢氣回灌污染晶圓，就會造成整批高價晶圓報廢。透過預兆診斷系統，業者可先掌握異常徵兆，在晶圓受損前，即可預先安排尾氣設備維修，避免高昂損失，「迴轉機械預兆診斷系統」已為半導體業者避免千萬元以上損失。
另外，這套系統也曾協助台電於彰濱地區31座風機的維護。王俊傑說，臺灣沿海風能雖充沛，但高濕、高鹽環境容易侵蝕齒輪箱內核心零件，一旦受損，原物料及維修技術多在國外，需要半年以上的備料與整修期，嚴重影響發電調度。透過預兆診斷技術，能提早3個月發現異常，讓台電提前備料、安排停機與維修時程，大幅降低等待時間與發電損失。
掌握設備狀況 做出診斷維護策略
王俊傑指出，國際上同類產品雖能提供完整量測數據，但多半還停留在顯示設備相關資訊，無法提供診斷與維修策略。工研院「迴轉機械預兆診斷系統」可即時給予診斷說明，讓系統看見數值變化，還能進一步提供故障原因。
隨著這項技術走入產業現場，工研院也與感測器、資料擷取模組、系統整合及設備維護業者攜手，建立從硬體到服務的供應鏈合作模式，讓「迴轉機械預兆診斷系統」推展到點、線、面的廣泛應用，目前已推廣超過千套，發揮其協助產業提升設備穩定度、強化維運效率的價值，做臺灣智慧製造與設備維運的重要支撐。
（本文是由作者工業技術與資訊授權轉載）
