製造業在面對ESG（環境、社會、公司治理）壓力上升、駭客攻擊威脅增加、地緣政治局勢變動等多重挑戰下，特別需要加強韌性以應對不斷變化的環境。傳統的人工、定時、定點等經驗在產品設計、生產製造、品管倉儲佈局供應鏈方面可能面臨著難以適量、適地、適物、適時地交付產品的問題，因此智造轉型成為當前製造業迫切需要面對的挑戰。
國眾電腦攜手碩陽電機一同參與AWS舉辦的「雲地聯防即戰力重塑智慧供應鏈：AWS韌性製造峰會」，探討Green IT和雲端遷移、資訊安全、災難復原和備份、ERP、GenAI等核心議題，以幫助製造業者降低成本、提高差異化競爭力、加強資訊安全和企業韌性。
在高峰會上，國眾電腦與AWS攜手合作，以中壢工業區內的碩陽電機為主引進了AIoT預防保養方案，開啟了機台設備預知保養的新時代。這項方案專為製造產業量身打造，提供便利智慧化的監控。通過部署感測器和閘道器，該方案能即時監控機台設備的振動、溫度等關鍵參數，並且遵循振動國際標準ISO20816的規範。同時，利用構建各種不同設備種類的機器學習模型來分析設備運行中的數據。AIoT預防保養方案能夠在機器故障發生之前即時偵測異常狀況，並發出警報通知，從而實現預知保養的效益。
在即時預警地偵測AI演算法上主要分為 ISO 閾值模型和機器學習 (ML) 模型來監控振動。ISO 模型用於分析振動的幅度（機器狀況）。ML 機器學習模型用於檢測振動的變化（機器狀況的變化）。針對個不同機械部件來進行振動特徵值的提取，這些特徵可以用來表示振動信號的特性，提取特徵值後將依照ISO 20816的規範來進行設備異常狀態的預估。在ISO 模型上由ISO 20816的規範來做為異常程度閥值判斷的依據。藉由收集振動資料來學習，建立了基準線，以區分設備的「正常」狀態。這個學習過程通常需要14到21天，視情況而定，並在此階段內被視為設備是健康的。建立了資產的基準線後，感測器會持續監視數據，搜尋指出潛在故障的事件或趨勢。其主要關注溫度升高、振動水平的升高，或者兩者同時出現。溫度和振動升高通常是機器故障的兩大主要指標，表明設備可能即將損壞。
透過數據模型的建立及AI演算法用來辨識出特定的振動模式和趨勢，藉此預測機器可能的故障或異常情況。AI預測功能模組在預測過程中考慮多方面的因素，如振動特徵、運轉狀態、環境條件等，以提供更全面的故障預測。
國眾團隊供了AIoT預防保養方案讓操作人員對於未來設備運轉狀態的更深入了解，有助於提前採取預防性的維護措施，從而最大程度地減少機器故障對業務運作的影響，提高系統的穩定性和可靠性。這種整合了AI預測的功能模組使得監測和維護工作更加智能和高效。
