前三環（取數、洞察、診斷）幫廠長解決了：

「昨天發生了什麼異常？」以及「為什麼發生？」（診斷）

但廠長每天早上走進辦公室，心裡真正掛念的，其實是另一件事：

「今天我的產線會順利嗎？這張急單出得來嗎？」（風險）

「我該如何做，才能順利完成今天的任務與指標？」（處置）

這就是第四環：預測（Prediction）要達到的價值。

在一般人眼裡，預測就是把歷史數據丟給 AI，畫出一條未來的趨勢線。

但工業機理 AI 第四環，「預測」要做到的是更高的營運價值。

不能只是看設備健康何時會出問題，

而是要回答兩個更關鍵的管理核心：

1. 產線若照原計畫，風險有多大？
2. 若改變計畫，結果會不會更好？

也就是說，工業機理 AI 的預測，

不只要把「未來」算出來，

更要提供「更好的選擇」供你決策。

一、預測的起點：基於原本預定的決策（基準預測）

設備不會無緣無故壞掉，

多數是因為「被使用」才會壞掉。

所以預測的第一步，不能只看歷史數據，

還得考量「接下來」你打算怎麼用它。

這就叫：基準預測（Baseline Simulation），也就是：

如果我什麼都不改，照既定安排投產這張單，會發生什麼事？

先舉個非常 極端 的例子：

過去一年都是上下班短程開車，

若預測車子壽命，拋錨機率肯定低。

但其實今天開始，這個月就要開車環島，使用量暴增。

若不知道這個「既定計畫」，預測必然失真。

以連接器端子壓接為例（示意）：

情境：今天下午有一張車用端子急單（工單A），排在 P-07 壓接機生產。

基準預測：

• 讀取數據：診斷 P-07 的健康尚可，僅有模具刃口微損
• 讀取工單：工單A 的規格（高硬度端子，對模具負擔大）
• 模擬結果：若照原定計畫，下午15:00模具磨耗將突破臨界值，導致「壓接高度」異常，良率恐跌破98%，且有60%機率需要停機修模，導致交期延遲。

如果沒把工單A 的規格納入，廠長只能事後救火。

或說白一點：只能看運氣。

但有了基準預測，廠長早上8:30就能先看到這顆未爆彈。

然後才有機會 預先調度、提早避險。

二、預測的價值：為既定決策找「更好的替代方案」

不管基準預測的結果好或壞，預測都得做第二步：

替代方案模擬（Alternatives Simulation）。

因為預測不該只是算命看流年，

也該幫現場主管找出更好的「新計畫」。

而且這個「新計畫」不是只看設備會不會壞，

它必須同時預測現場主管最在乎的三層指標：

營運痛點、管理指標、失效模式的風險。

以上文，工單A 排在 P-07 這個情境來說，

基準預測已經告訴你：照原計畫跑，下午很可能出事。

那接下來，AI 就得像資深生管，快速沙盤推演各種 可行方案：

• 方案A：改派到 P-03 機台？（P-03 很健康，但速度慢10%）
• 方案B：原機台 P-07 降速生產？（降低衝擊力，延長模具壽命）
• 方案C：先換模再跑？（確保品質，但需停機40分鐘）

每一種新方案，預測都不能只停留在設備層面，

也必須針對三大指標結果，進行預測：

1. 營運痛點：交期延誤風險、成本是否增加
2. 管理指標：OEE、直通率、加班費
3. 失效模式：PFMEA失效風險如何

三、最常被忽略的關鍵：轉移成本（Transition Cost）

接下來是最關鍵的部分。

很多預測模型會告訴你：「移到 P-03 機台生產，良率會提升2%」

於是廠長下令換線，結果卻是 災難。

為什麼？

因為「改變」本身是 有代價，

而且往往是昂貴的隱形成本，這就是 轉移成本（Transition Cost）。

以上文，端子壓接情境為例，從 P-07 換到 P-03，至少要付出：

• 停機工時：換模拆裝、高度重校（約 10 min/次）
• 物料損耗：試模廢料、首件破壞性測試
• 排程混亂：P-03 原工單延遲，引發連鎖脫班效應
• 品質隱憂：機台公差不同，需重新驗證製程能力

換句話說，只換一台機，有時等同要把整條排程重新洗牌。

以 CNC 機加工為例，將工單從 A機移到 B機，可能涉及：

• 重新調機成本
• 刀具不適用 → 得換刀盤／換刀具
• 治具更換成本
• 暖機熱補償重新穩定期間的精度風險

所以，真正「有效益」的預測，不能只報「效益」。

而是要把「代價」一起算進去。公式應該是：

淨效益 ＝ 新方案效益 － （轉移成本 ＋ 轉換風險）

只有在扣除轉移成本後仍然划算的方案，才稱得上「替代方案」。

四、AI 實作架構：Agentic Workflow（代理工作流）

要實現這種複雜的決策預測，

需要一組 AI Agent（智能體）團隊。

這不是單一模型能做到的，

而是需要結合「黑盒子」（AI 歸納） 與 「白盒子」（物理演繹）：

Step 1：生管智能體（Planner Agent）－提出可行的替代方案

生管智能體 看見基準預測風險後，提出可行方案，例如：

• 改派到哪台機？或哪幾台機？
• 原機台要不要降速？降多少？
• 要不要先換模？還是撐到中午再換？

這一步不能只靠 LLM「空想」。

否則會產生 幻覺（例如派到不相容的機台、或違反物理限制）。

生管智能體 必須透過 API 呼叫 規則庫（詳第三篇），檢查物理限制，

確保所提出的方案都「邏輯可行」，例如：

• 模具/治具相容性
• 機台能力與可用時段
• 產品規格限制（不可降速、不可換機的條件）

Step 2：模擬智能體（Simulation Agent）－每個可行方案都要預測結果

先補充前提：RUL（Remaining Useful Life，剩餘使用壽命），

必須是工單導向（Order-aware RUL）。

因為壽命不只隨時間流逝，也是被工單給「磨掉」的。

所以每一個可行方案（如換機、降速、先換模），

都等於改變設備的使用方式與負載，

負載一變，RUL 就必須重算。

模擬智能體 的任務就是：

把「工單條件＋設備健康度+其它輔具」一起帶進模型

把每個方案都跑一次模擬，算出良率、壽命與交期等，例如：

• 跑不跑得完這張工單？
• 不行的話，最晚何時要處置？（降速/換模/改派）
• 做了之後，交期、品質、風險會產生什麼變化？

這裡不能只靠 黑盒子 AI 猜，必須引入 白盒子 驗證，

利用 Python 執行 機理模型（詳第三篇） 進行物理運算，例如：

• 疲勞模型：帶入 S-N 曲線，精算降速是否能延長足夠的模具壽命
• 動力學模型：帶入動能公式，計算動能減少是否會導致導體壓縮比不足（品質風險）
• 排程模型：精算加上換模與暖機後的確切完工時間

Step 3：成本智能體（Cost Agent）－精算轉移成本與機會成本

現場最怕的不是方案「不漂亮」，

而是方案很漂亮，但根本「不划算」。

成本智能體 得依賴 白盒子 的精確計算，也就是利用 成本模型（Cost Model） 執行 作業基礎成本運算（ABC, Activity-Based Costing）。 不看籠統的平均成本，而是逐項累加每個動作的代價，計算從 P-07 切換到 P-03 的代價，包括但不限：

• 時間成本

❖　硬體更換：換模具與穿線架設，標準工時 20分鐘

❖　品質驗證：含壓接高度微調、拉力測試與等待品保首件確認，預估 20分鐘

總停機時間 40分鐘

• 物料成本

❖　調機試做消耗：20顆端子+ 3米線材

金額損失，例如：$5.0 USD

• 干涉成本

❖　P-03 正在跑工單B，若被插單，將延遲2小時

計算：工單B 是否會因此錯過物流車？

若會，需追加 「加急運費」或「人員加班費」來追趕進度

Step 4：決策編排者（Orchestrator）－選方案，並生成「今日策略 Policy」

這是預測環節最重要的產出。

不只要產出「推薦方案」，

更要產出「今日的決策憲法」，例如：

• 今天建議採用哪個方案？
• 今天決策的優先順序是什麼？
• 下午如果方案衝突，該怎麼仲裁？

所以，決策編排者 實作關鍵：

• 說排名：把各方案的交期、成本、品質、風險與轉移成本加權，算出推薦順序。
• 定策略：明確定義優先順序，並寫入系統：

Today_Policy = { "Safety": 1st, "Quality": 2nd, "Speed": 3rd }。

• 這將成為工業機理第五環 優化，在行動層自動執行方案發生衝突時的最高指導原則。

❖　遇到衝突，決策編排者 將依據此策略進行仲裁。

❖　若策略已不適用，則觸發重規劃，回到工業機理 AI 第四環。

五、場景：《廠長的一天》8:30的會議

場景回到工廠早會。

廠長的平板上，AI 已跑完上述流程，跳出視窗：

【今日風險預警：P-07 機台 / 工單 A（車用急單）】

AI 提供的行動建議如下：

同時，AI 也自動生成今日策略（Daily Policy）：

P-07 今日採防守策略：允許延遲，但嚴禁冒著崩模風險提速。

廠長確認後，這條策略被鎖定，成為工業機理 AI 第五環後續自動執行的憲法。

這意味著：

• 接下來的自動化優化，AI 絕不能逾越這條紅線，
• 確保工廠是在「安全且受控」的前提下運作。

這就是預測的價值：

它讓廠長從「擔心受怕」，變成「運籌帷幄」。

六、預測的KPI：衡量的是「決策成效」

預測準不準固然重要，

但對工廠而言，有沒有用 更重要。

預測的 KPI 應該包含：

• 避險成功率

預警的高風險工單，是否真的透過調整避開了風險？

• 行動轉化率

AI 所提出的建議被採納了多少？

• 經營績效改善

現場主管所最在乎的三層指標，成效增減多少？

急單準交率是否提升？非計畫停機是否減少？

七、結語：從「理解昨天」走向「掌握今天」

回顧前四環：

1. 取數：讓設備能開口說話，數據蒐集
2. 洞察：快速偵測早期問題，防微杜漸
3. 診斷：重建現場找出病灶，治本解決
4. 預測：知道怎麼做最划算，並制定「策略」

現在，廠長已經做出「對的事情」，也定好策略。

但誰來「把事情做對」？

若有變數，誰來依據甚麼策略進行仲裁？

下一篇，我們將進入工業機理 AI 最後一環：第五環 優化（Optimization）。

不只「給建議」，而是「自動做」，

而且是「有智慧 的 自動做」。