『體重計是永遠量不出身高，加上AI也是一樣』
面對眾多類型感測器及演算法下，在有限資源下，要如何打造成有效智能維護防護網？
以下將由感測器VS失效模式、演算法差異、檢測週期與檢測率等角度，逐一說明。
『從失效曲線自評檢測力』
應用在鋼廠、石化、船舶及電廠等重要之低速、定速、高速、變速、定速變負載、變速變負載等設備。
『XWIN全方面失效模式檢測力』
使用24種設備失效檢測模組，應用在鋼廠、石化、船舶及電廠等重要之低速、定速、高速、變速、定速變負載、變速變負載等設備。
『側向振動與扭轉振動』
側向振動-檢測設備偏心、不平衡、軸承異常、齒輪斷齒、齒輪偏斜等已經發生失效徵兆。
扭轉振動-檢測應力疲勞（探討軸承為何會壞、齒輪/傳動軸為何會斷）等結構損傷及剩餘壽命預估等議題
『聲音與振動檢測』
- 選擇聲音或是振動檢測的前提是能反應設備失效模式並能呈現劣化趨勢。
- 結構音振動（structure-borne vibration），使用振動傳感器
- 空氣音振動（airborne vibration）， 使用聲音傳感器。
- 藉由聲音與振動的同步比測，可以辨識結構音與空氣音。
『XWIN智能演算法–從設備角度出發的演算法』
習知方式-先檢測振動量大小做篩選，振動量大於閥值，再用AI方式做失效分類。因此得到之訊息為-例如『離心泵振動量大於4 mm/sec，故障原因可能是不平衡有96％機率（相似度百分比），不平衡有92％機率…』。
XWIN（專家智慧-HI＋AI）方式-從RCM評估出發，先確認檢測失效模式，開發對應分析模組，再選擇感測器及適合安裝位置。因此得到之訊息為-例如『離心泵發生軸承異常，數值為2 g。』並呈現這指標趨勢圖，以利制訂維護及矯正決策。
『XWIN已開發失效分析模組應用』
- 預知維護–任何轉速及操作變化條件下之旋轉/往復運動機械故障診斷
- 主動維護-軋機、低轉速重負載設備
- 品質-冷軋鋼帶表面品質檢測，磨床研磨磨輥品質檢測
- 聲音應用–皮帶劣化檢測、機械軸封洩漏檢測、氣動泵作動異常
