過去十多年來，製造業一路走過「工業 4.0 → 智慧製造 → 數位轉型」。名詞一直換、技術一直更新，但本質其實不變：

善用新科技把產能、品質、效率持續提升。

如今，AI 的熱潮再次把世界推往下一階段。LLM（如ChatGPT）在個人文書、客服、行銷已經百花齊放；但走到工廠現場，現況卻是：

AI 很強，但要如何應用在機台、製程與生產管理呢？

說真的，市面上談 AI 的文章汗牛充棟，但往往走向二個極端：

• 太 IT：滿篇演算法與架構，但廠長不知道怎麼用來解決生產問題。
• 太理想：拼命描繪 AI 美好的未來，但面對製造現場的現實，卻輕描淡寫帶過。

這系列《工業機理 AI 五環》是專為 製造業現場管理者 所撰寫的 實戰方法論。我們不談空泛概念，而是「以終為始」，從工廠每天面臨的真實痛點出發：

• 不只談 AI，更談「工業機理（製程）」，因為不懂製程的 AI 只是玩具。
• 不只談預測，更談「決策與執行」，因為預測再準，做不到也是枉然。
• 具備實操性：每一環都從「目的」出發，加上AI 實作架構、避坑指南與評核 KPI，協助規劃藍圖、驗收成果。

備註：工業機理（Industrial Mechanism / Principle）指的是基於物理定律、化學反應、工程原理及實際生產經驗，建立的描述工業系統運作的數學模型、算法或規則集。

【全貌導讀】

工業機理 AI 五環，對應工廠的五種能力：

1. 第一環 取數（Data Acquisition）：能看到現況（感知層）
2. 第二環 洞察（Insight）：能看懂問題（認知層）
3. 第三環 診斷（Diagnostics）：能找到根因（歸因層）
4. 第四環 預測（Prediction）：能預測結果、評估路徑（決策層）
5. 第五環 優化（Optimization）：能執行方案、PDCA閉環（行動層）

五環環環相扣，而最重要的就是 取數（數據蒐集），這是一切的起點，也是成敗的關鍵。

為了順應新時代的快節奏，本文改用條列式代替長篇大論，以利快速閱讀。

一、為什麼智慧工廠的第一步不是 AI，而是「取數」？

常有人問：

「ChatGPT 並不需要我的數據就能回答天文地理，為什麼工業 AI 不能直接應用？」

理由很像醫生看診：

• 醫生研讀海量醫學文獻而「博學」（如同 ChatGPT 讀遍互聯網資料），
• 但要 診斷 你的病情，仍需依賴 X 光、驗血報告、超音波等 數據。

LLM（如 ChatGPT）雖有互聯網的通用知識，卻不可能憑空得知你工廠的：

• 壓接機具體參數與模具磨耗程度
• 原材料批次與供應商差異
• 設備當下的健康指標與現場情況

LLM 聰明，並不代表它「懂你的現場」。

要讓 AI 變成「你的專屬 AI」，第一步永遠是：

先讓 AI 看見現場：也就是取數。

二、老師傅不是沒有數據，而是用「生物五官」在取數

在端子線工廠，資深老師傅往往：

• 看一眼端子切面
• 聽一下沖壓聲音
• 摸一下機台振動

便能精準判斷：「模具差不多該換了」

老師傅靠的是「生物五官」來 取數：

• 用 眼睛：取影像徵兆
• 用 耳朵：取音頻訊號
• 用 手掌：取振動頻率

但 AI 沒有肉體，它需要「數位五官」，也就是 各種感測器：

• 用 視覺感測器/攝影機：取影像數據
• 用 聲發射檢測/麥克風：取聲紋數據
• 用 振動感測器：取振動頻譜
• 用 壓力感測器：取壓力曲線
• 用 電流感測器：取電流波形

三、舊機也得取數，避免「數據黑洞」

現實工廠多半是新舊機混合產線。

只要有一台關鍵舊機不取數，就會形成「數據黑洞」，

就有可能遮蔽了全產線的問題真相。

這很像「木桶理論」

智慧工廠的智商，往往取決於那台最笨的舊機器。

因為只要有一個斷點，全線的數據追溯就會斷鏈。

以連接器端子線為例：

• 壓接段可取數
• 穿殼／入膠段純靠手感
• 模具壽命靠預設與經驗

結果就是：當後段出現瑕疵時，常常追不到原因。

務實的選擇不可能全線換新機（成本太高了），

透過 改機 與 外掛感測器，讓舊機也可以取數，這是CP值較好的做法。

四、五環完美對應數位轉型各階段

圖一：數位轉型架構圖

如圖一的數位轉型架構（資料來源：FIR e. V. at RWTH Aachen University, 2017），工業機理 AI 五環不但完美對應，而且是以更新的技術，達到更好的成效：

• 數位化 → 取數：能看到（現況）
• 數位優化
• 可視化 → 洞察：能看懂（問題）
• 透通化 → 診斷：能找到（根因）
• 預測化 → 預測：能預知（結果）
• 自適應 → 優化：能執行（方案）
• 數位轉型：新商業模式，讓智慧可以有效創造價值

五、避坑指南：數據品質決定 AI 上限

取數若沒做好就會是Garbage In, Garbage Out。常見三大誤區：

1. 孤島式取數（維度不足）

只取峰值（Peak Force），卻丟掉波形（Curve）

→ 未來就很難分析模具與製程的漸變過程。

2. 關聯性缺失（情境不足）

蒐集了壓力數據，卻未同步紀錄行程位置、工單、料號

→ 無法建立多維度異常模型。

3. 解析度不足（失真）

壓接是毫秒級動作（ms，10^-3秒），若取樣頻率不足

→ 如同用低解析度的馬賽克畫質來檢測微小瑕疵，細節全失、無法檢測。

六、策略思維：「以終為始」的取數規劃

感測器硬體、數據傳輸、儲存與算力皆有成本。

取數不可能無限上綱，必須「以終為始」。

企業以獲利為目的，現場主管可以用 三層指標 回推：

「該取什麼」、「取多少」、「精度多高」

1. 營運痛點

例如：達交率、製造成本、報廢成本、庫存週轉率、人均產值、ESG、...。

2. 管理指標

例如：生產效率（OEE、UPPH）、品質（直通率、客戶退貨率、報廢率）、設備與模具（模具壽命、MTBF、MTTR）、缺料停線率、調機試做損耗比、加班費、...。

3. 失效模式（PFMEA）

例如：壓接段的「導體壓接失效」、「絕緣區回彈」等風險點需要什麼數據監控。

七、高價值數據清單

以連接器端子線為例，值得取數的高價值數據，舉例如下：

1. 機台數據

• 狀態：機況、停機代碼
• 計數：產出數、不良品數、關鍵動作次數
• 參數：參數設定值、感測器實際值

2. 製程品質數據

• 壓接過程：壓力曲線、峰值壓力、壓接高度
• 測試結果：導通測試值、拉力測試值、缺陷類型

3. 能耗、ESG與環境數據

• 電力、用氣量、溫溼度

4. 物料追溯數據

• 線材/端子批號、工單資訊、用料履歷

5. 人員與工時數據

• 工時、派工、站別

八、取數的評核KPI

取數的評核，建議的KPI如下：

表一：取數成效評核表（Data Acquisition KPI）

九、結語：讓設備說話，然後讓 AI 聽懂意思

取數雖只是起點，卻常常決定了終局。

沒有數據，就如同

• 醫生缺乏 X 光
• 法官缺乏證據
• AI 缺乏知道你工廠問題的知識

做好了這一步，您的工廠才會具備「感知」能力。

下一篇，我們將進入第二環：

洞察：可視化不是目的，看懂問題才是。