Page 83 - Vol.45

「大數據」有4V特性，分別為 : ①Volume，資料量
大；②Variety，資料多樣性；③Velocity，資料即時性；
④Veracity，資料真實性。它在藉由分析步驟，最後可轉化成
簡單易瞭的形式輸出，提供團隊進行決策或研發，使其成為準
確預測未來的最佳工具，如 圖1。

圖2、Exhaust壓力偏移處理流程

圖1、大數據分析步驟

2.2 機械學習

「機械學習」是設計讓電腦可以自動學習演算，從資料
中自主分析獲得相關則，並利用規則對未知資料進行預測。
因為學習演算法中涉及大量的統計學理論，機器學習與推斷
統計學聯絡尤為密切，也被稱為統計學習理論。

2.3 結合「大數據」與「機械學習」利用於廠務系統 圖3、Exhaust壓力偏移自動處理流程

對於廠務系統而言，大數據分析在機械系統中多利用於
預知保養，藉由定義重要參數做為故障發生的先期指標，在 3.2 展開使用情境
發生前即進行保養，降低設備故障機率。另透過數據取得與 當Submain exhaust壓力或相關於廠務的Tool FDC alarm
分析，也有可能發現造成故障發生的新變因，客觀檢視故障 時，為降低廠內運轉風險，當下即利用大數據進行相關性分
發生原因。 析並自動判讀，然後呈現於GUI報表，找出下游機台是否進行
本文研究機械系統-Exhaust排氣壓力，收集Tool FDC做 T/S或PM，當然也可能是Exhaust壓力偏移導致。但Submain
成「大數據」資料庫，並從中分析找出廠務端相關參數，經 下游機台數眾多，若撇除Tool運轉特性，通常Tool只在T/S或
「機械學習」得到適合Submain Exhaust與Tool FDC壓力的最 PM才會導致Exhaust壓力偏移，我們需抓出導致偏移的Tool發
佳位置，使廠務或廠內設備端在進行T/S或PM時，不至於發 出Auto-mail告知，且對其他運轉中的Tool FDC進行掃描，看
生設備異常停線的狀況。 其是否偏移，如 圖4。

3.3 設計開發
3. 研究方法
在開發使用情境時，分成Tool FDC alarm與Exhaust壓力
3.1 Exhaust壓力偏移處理手法精進
alarm，都有價值可進行研究探討。Exhaust壓力偏移alarm計
Exhaust壓力有警報時，目前廠務和廠內設備端數據無連 算目前移植ICCI統計方式，但較ICCI精準，故壓力在偏移頻
結，無法即時掌握銜接機台狀況，一定要逐台進行查詢。若 率高或Peak時會發出Auto-mail告知，利用規則排除，方法如
需調整壓力，則手動寄發mail通知下游設備端進行調整，才 圖5所示。
算完成結案(如 圖2)。所以我們構思一套一條龍系統，自動
提供銜接機台FDC chart、機況，藉此快速找出影響源，再以
auto-mail寄發調整通知給下游設備端，exhaust壓力資訊兩方
皆透明化，也可縮短應變時間，如 圖3。

FACILITY JOURNAL 03 2022 81