內建壽命模型訓練與推論引擎的邊緣 AI 閘道器，單機即可完成「收集感測數據、訓練健康度 (HI) 與殘餘壽命 (RUL) 模型、線上推論」的完整流程，適合點數不多的輕量化單機部署。
RULe.TI 系列可連接 2、4 或 8 顆 Aurora 智慧多變量感測器 (如 313MM2-R1)，持續接收感測器於邊緣端已萃取完成的損傷模式特徵，不需傳輸原始高頻振動訊號，數據量可降低 99.9%。閘道器以設備自身的正常運轉數據作為基準，訓練 EHI 健康指標模型，再依 EHI 的衰退趨勢訓練 RUL 模型，回答三個關鍵問題：設備現在的健康狀況如何？可能出了什麼健康問題？設備還可以運行多久？推論結果可透過 Modbus TCP 等標準協議送入 FDC、SCADA 或 PHM 系統，作為預知保養與連鎖保護的依據。
主要功能
- 邊緣閘道模塊： 多變量感測器連線管理 (搜值)、健康情況資料與損傷模式特徵資料收集與儲存。
- 壽命模型訓練模塊： 於閘道器內部訓練 EHI 與 RUL 模型，並可設定模型自動訓練，隨設備運轉持續更新。
- 壽命預測模塊： 健康度 HI 推論與視覺化、損傷模式特徵貢獻度分析、剩餘壽命推斷與視覺化。
- 工況過濾： 設定工況條件，確保訓練與推論皆使用設備真實運轉時的數據。
- 三色健康燈號： 以 HI 分級呈現，綠燈 80–100%、黃燈 60–79%、紅燈低於 60%，並可搭配 SOP 引導維護作業。
使用情境
當您有以下的需求時，我們建議您採用壽命預測(訓練)推論閘道器：
- 想要預測關鍵設備的殘餘使用壽命，將突發故障轉為計畫性維修；
- 設備點數不多 (2 至 8 點)，希望以單機完成模型訓練與推論，不另外架設 AI 訓練伺服器；
- 需要把 HI 與 RUL 直接送入廠內 FDC / SCADA，並於 RUL 低於門檻時觸發告警或連鎖停機。
模型訓練流程
- 軟體接收數據前： 設備序號與感測器序號須統一使用 Aurora 感測器 ID，命名不一致時，感測器數據將無法進入系統進行訓練；設備維修時請先關閉蒐值，避免維修數值造成 EHI 跳動。
- 邊緣數據採集設定： 選定作為模型訓練使用的特徵值項目，並建立工況過濾條件。
- EHI 模型訓練： 選擇至少 14 天的設備運轉數據，並以未納入訓練的時段作為測試集驗證；訓練損失 (Loss) 至少低於 0.1 代表訓練狀況良好。設備維修後須重新訓練。
- RUL 模型訓練： 利用 EHI 推論結果訓練，建議使用 EHI 開始推論後一個月 (30 天以上) 的數據；預測步數為歷史資料長度的一半，例如 30 天資料可預測後 15 天。
- 自動訓練： 若無法等待足夠的資料天數，可先建立初始模型 (至少 1 小時運轉數據)，再開啟模型自動訓練，待資料累積後自動更新。
型號
各型號皆包含模型訓練功能：
| 規格 | RULe.TI002（2 通道感測器） | RULe.TI004（4 通道感測器） | RULe.TI008（8 通道感測器） |
|---|---|---|---|
| CPU | Core i5 | Core i5 | Intel Core i7-14700T |
| 記憶體 | DDR5 16 GB | DDR5 32 GB | DDR5 64 GB |
| 硬碟 | SSD 512 GB | SSD 1 TB | SSD 2 TB |
| RS232 / 485 / 422 序列埠 | 2 | 2 | 2 |
| Ethernet | 2 | 2 | 2 |
| 供電 | 9 ~ 36 V | 9 ~ 36 V | 10 ~ 35 V |
| IPC 尺寸 | 134 x 105 x 65 mm | 134 x 105 x 65 mm | 180 x 77.2 x 220 mm |
| 螢幕輸出格式 | 支援 HDMI | 支援 HDMI | 支援 HDMI |
| USB 孔 | 6 個（2 個 USB 3.0 + 4 個 USB 2.0） | 6 個（2 個 USB 3.0 + 4 個 USB 2.0） | 6 個（4 個 USB 3.0 + 2 個 USB 2.0） |
| 作業系統 | Linux Ubuntu 24.04 | Linux Ubuntu 24.04 | Linux Ubuntu 24.04 |
點數超過 8 點、或需集中管理多台閘道器時，請參考RULe 壽命預測推論閘道器搭配 AI 訓練伺服器的架構。
應用案例
- 台積電 EFEM 晶圓手臂壽命預測（Level 4）：Aurora 313MM2-R1 搭配 RULe.TI002，直連 FDC。
- 福懋科 DISCO 切割機主軸與刀具壽命預測
- 福懋科 DISCO 研磨拋光機主軸壽命預測：Aurora 313MM2-R1 搭配 RULe.TI004。
連絡我們
若您不知道您的應用及使用情境是否適用壽命預測(訓練)推論閘道器，歡迎和我們連繫。