GOOD 科技誌

  為什麼設備健康管理仍然離不開 Machine Learning？ 當全世界都在談生成式 AI？ 近年來，ChatGPT、Gemini、Copilot 等生成式 AI 技術快速崛起，掀起全球企業數位轉型熱潮。從撰寫報告、整理資料、生成圖片到自動客服，生成式 AI 展現出前所未有的能力，也讓許多人開始思考，未來工廠是否也能透過生成式 AI 來管理設備、判斷故障，甚至取代傳統設備監測系統。 然而，當我們真正走進工廠現場，面對機械手臂、衝壓機、打線機、切割機、晶圓搬送設備等高度自動化的生產設備時，會發現一個非常現實的問題：生成式 AI 雖然很聰明，但它其實不知道「這一台設備」正常運轉時應該長什麼樣子。 對於工業設備而言，最重要的問題並不是如何生成一份漂亮的分析報告，而是如何在數萬次、數十萬次重複動作之中，判斷設備是否仍然維持正常狀態。這項工作並非生成式 AI 的強項，而是機器學習真正發揮價值的地方。 更精確地說，工廠需要的不是單純的 AI 回答能力，而是能被現場驗證、能和歷史資料比較、能在製程脈絡中解釋的設備健康模型。生成式 AI 擅長語言與知識整合，但設備健康管理的核心是時間序列、訊號特徵、動作週期、基準偏移與異常趨勢。這些資料並不只是「文字問題」，而是需要透過感測、特徵萃取、模型訓練與持續比對，才能逐步建立出來的設備理解。 因此，在智慧製造場景中，生成式 AI 與機器學習並不是誰取代誰，而是一種分工合作的關係：機器學習負責理解設備，生成式 AI 負責理解人；機器學習負責產生可信賴的設備健康指標，生成式 AI 負責把這些指標轉換成現場主管、維修人員與經營管理層都能理解的決策語言。 設備沒有停機，就是設備沒有問題？ 在許多工廠裡，設備管理人員最常遇到的問題之一，就是設備明明沒有停機，卻開始出現良率下降、品質不穩定甚至客戶抱怨等問題。這類問題最麻煩的地方在於，它不會立刻以故障警報的形式出現，而是先以微小偏移、節拍變慢、震動增加、定位誤差或品質波動的形式發生。 以半導體產業為例，一支晶圓搬送手臂每天可能執行數萬次取放晶圓動作。當手臂關節、滑軌逐漸磨耗，軸承開始劣化，或結構產生微小鬆動時，設備控制系統仍然顯示正常，機台依然能夠持續運轉，但搬送精度卻可能已經開始下降。而這個輕微的偏差，可能就會導致晶圓刮傷、破片或定位失準。 同樣的情況也發生在衝壓設備上。衝壓機可能每天重...

  現在，製造業正面臨一個很現實的問題：那些聽得懂設備聲音的人，正在退休。 而更大的問題是，新的工程師，已經沒有過去那樣的成長環境。當製造業面臨缺工與老師傅退休，工廠最大的風險，開始不再只是設備故障，而是「經驗流失」… 製造業正在面臨的經驗斷層危機 在很多工廠裡，都有一種很神奇的人。設備還沒警報，他就知道哪裡不對。空壓機聲音一變，他就知道可能漏氣。泵浦震一下，他就知道軸承快不行了。Chiller 電流一飄，他就知道冷卻效率開始下降。這些老師傅，很多時候甚至不需要看數據。他們靠的是十幾年、二十幾年累積下來的「經驗感覺」。那是一種很難被量化的能力，而這種能力，在過去很長一段時間裡，支撐著許多工廠穩定運轉。 但現在，製造業正面臨一個很現實的問題：那些聽得懂設備聲音的人，正在退休。 而更大的問題是，新的工程師，已經沒有過去那樣的成長環境。以前，一位新人可能會跟著老師傅學三到五年，慢慢累積現場經驗，理解每台設備的脾氣、聲音與運轉特性。但現在的工廠節奏越來越快。產線不能停、交期不能等、人力持續吃緊。新人往往還沒真正熟悉設備，就已經開始獨立負責現場。 於是，很多工廠開始出現一個現象：設備越來越智慧，但真正懂設備的人，卻越來越少。而新進人員，越來越少有時間能慢慢累積經驗。 過去一位資深工程師離職，可能只是少一個人力；但現在很多情況是，一位老師傅退休，工廠就像突然少了一部分「判斷能力」。因為設備雖然還在，資料也還在，但真正知道那些數據代表什麼的人，卻越來越少。 這也是為什麼，近年越來越多企業開始重新思考： 當經驗無法被快速複製時，能不能透過數據，把老師傅的判斷能力留下來？ 經驗流失造成工廠的設備風險? 過去工廠最重要的資產，可能是機台；但現在，很多企業開始發現，真正珍貴的，其實是那些存在於老師傅腦中的經驗。因為很多異常，在真正故障之前，其實早就已經出現徵兆了。只是過去能看懂的人，越來越少。因為真正的異常，往往不是「壞掉」，而是有一點點異音、耗電慢慢增加、負載開始偏移、振動頻率微幅變化、溫度比平常高一點點。 這些早期徵兆，不容易被一般巡檢發現。尤其在半導體、石化、金屬加工等產業，設備數量龐大，工程師根本不可能長時間盯著每台設備看。結果就是：等到真正發現異常時，往往已經變成突發停機、良率下降、能耗暴增、生產中斷、維修成本大幅增加甚至可能...

製造業在導入設備監測系統後，雖然能看見稼動率與設備問題，但卻面臨決策變慢與判斷困難的新挑戰。數據增加並未直接帶來改善，反而因缺乏判讀邏輯與決策分層，導致問題延遲處理。 許多製造業者在導入設備監測系統後，都曾有過同一個瞬間 —— 螢幕上第一次出現稼動率數字時，現場管理者沉默了幾秒，然後說：「原來我們這麼差。」 這是數位化帶來的第一個禮物： 讓問題從隱形變成可見 。 停機時間被記錄、損失被量化、過去憑感覺處理的事情，終於有了依據。這確實是一大進步。 但幾個月後，許多企業會發現一件令人困惑的事： 問題並沒有因為「看見」而減少，有時候反而更多了。 這不是設備變差了，而是你終於看見了那些原本就存在的問題。 然而，更大的挑戰其實才正要開始。 數據變多了，決策反而變慢了 在沒有數據的年代，現場仰賴的是經驗。老師傅聽聲音、看火花、憑直覺下判斷。這樣的方式未必精準，但速度快、責任清楚。 數位化之後，現場開始出現一種新的狀況。停機原因分類越來越細、報表越來越多、儀表板越來越完整，但當問題真的發生時，卻反而不知道該看哪一個數字來做決策。 討論變多了，責任開始模糊，決策出現延遲。   每個人都可以找到一組支持自己判斷的數據，但也因此，沒有一個結論是絕對的。 最終，決策不再是「做出來的」，而是被拖延出來的。   在某些產線中，這樣的情況並不罕見：設備已經出現異常振動，但系統同時顯示多項警示，工程師需要花時間比對歷史數據、確認是否為誤報。這個過程，可能是 30 分鐘，也可能是 2 小時。而在這段時間內，設備仍持續運轉，異常持續惡化，最終從「可預防」變成「必須停機」。   問題不是沒有被發現，而是發現之後，來不及決定。 形成一種矛盾的現象： 數據越完整，現場的反應反而越遲緩。 這不是人的問題，而是一個系統性的困境 —— 當資訊量超過人可以即時消化的範圍，數據本身就會成為行動的障礙。 從「看不到問題」，變成「看到了也不知道怎麼辦」 數位轉型的第一階段，企業努力解決的是「看不到」的問題。 這種「看得到但做不到」的狀態，並不是中性的過渡期，而是具有成本的。 每一次延遲判斷，都在放大設備損耗；每一次不確定，都在增加非必要停機的機率。 問題被發現後仍然持續發生。 例如在石化或半導體產線中，一個早期的軸承異常，理論上可以在排程維護時處理。但當判斷被延遲、責任不明確時，維修決策往往...

  在產線運作正常、設備無警報的情況下，品質卻開始出現波動。本案例以晶圓雙刀切割機為對象，透過振動分析發現，關鍵不在異常，而在於設備在靜止狀態下的微幅不穩。顯示高精度製程中，設備穩定性比是否故障更為關鍵。   設備持續運轉、產線沒有停，工程師照常巡檢，看起來一切都在控制之中。這是一條典型的晶圓切割製程產線，雙刀切割機持續以高速運轉，主軸維持在高轉速（約 30,000–40,000 rpm ），切割節拍穩定，產出數量也符合排程。如果不是被提醒「最近產品品質有些波動」，這其實就是一個再平常不過的生產日。   也正因為「看起來沒問題」，反而讓事情變得棘手。沒有異常警報、沒有停機紀錄，也沒有明顯的設備故障跡象。主軸負載穩定、進給速度正常、切割深度與刀徑補償參數也都在設定範圍內；設備端所有監控數據，幾乎都顯示在「健康區間」。唯一的線索，只是來自後段檢測的回饋 —— 品質開始出現不穩定，例如崩邊比例上升、切割面粗糙度變差、局部尺寸偏移。 這次的任務很直接：確認設備狀況，釐清是否與品質波動有關。但實際執行時，困難點不在於檢查，而在於「沒有明確方向可以查」。 最難處理的，不是壞掉的設備 而是「還在運轉但已經不穩」的設備   對現場工程師來說，設備壞掉反而容易處理。以晶圓切割機為例，一旦出現主軸異常振動、電流過載、刀片破損或切削阻力異常，設備通常會立即觸發警報甚至停機。這類問題具備明確的特徵訊號，無論是振動頻譜、負載變化或切削聲音，都能快速定位，對應的維修與更換流程也相對成熟。 但真正讓人頭痛的，是設備沒有報錯、沒有停機，甚至產能看起來還維持得不錯，卻開始影響產品品質。 在晶圓切割製程中，影響品質的關鍵並不只在「是否切得動」，而在於切割過程中的 應力控制與穩定性 。只要出現微小變化，例如：刀具磨耗不均、主軸微幅偏擺或高頻振動、雙刀間同步性產生微小偏差、基座或載台剛性下降等，就可能導致切割應力分佈不一致。   而這些變化有一個共通點： 不會立即超出設備警報門檻   但卻會在產品上逐步放大，例如：崩邊增加、微裂紋風險提升、切割面粗糙度惡化、 Die  尺寸一致性下降。   這種問題最麻煩的地方在於，它是「漸變的」，而不是「突發的」。良率不會瞬間掉下來，而是從 99% 慢慢滑到 97% 、 95% ，等到被發現時...