GOOD 科技誌

  電到底用到哪裡去了？ 工廠導入 EMS 能源管理系統之後，我們開始可以看到越來越多電力資訊。今天用了多少電？哪一個區域耗電最多？哪一台設備目前功率最高？什麼時間出現用電尖峰？這些資訊解決了能源管理的第一個問題： 「電到底用到哪裡去了？」 但是當數據累積一段時間之後，能源管理人員往往會遇到下一個更困難的問題： 「現在這個用電量，到底正不正常？」 這才是能源管理真正困難的地方。 因為真正的能源異常，不一定會突然出現一個很大的數字。更多時候，它可能只是： 待機時多了一點、運轉時高了一點、下班後晚了一點關機，或者一台設備的耗電慢慢跟以前不一樣。 單看一天，可能沒什麼。但如果每天都多一點呢？這就是我們今天想談的： 用電行為。

  工業物聯網不應只是收集設備數據，更重要的是將數據轉化為可判斷、可預測的決策資訊。AIoT 智慧監測系統整合多元感測器，透過特徵值分析、SPC 智慧門檻及 AI 模型學習，自動建立設備健康模型，分析劣化趨勢並提前預警異常。 翻找歷史資料盲人摸象？ 企業物聯網的最大困境：資料海嘯與無效警報 近年來，許多製造業積極導入工業物聯網（IoT），希望透過感測器全面掌握設備狀況。然而，設備連上網並不代表設備變得更智慧，反而讓許多企業陷入另一個更大的困境——資料越來越多，真正能解決問題的資訊卻越來越少。 每天，工廠持續累積數百萬筆振動、溫度、壓力、電流等感測數據，但設備異常依然沒有提早發現。當設備停機時，管理者只能回頭翻找歷史資料；當產線良率下降時，也無法判斷究竟是哪一項設備參數開始偏移。企業投入大量成本建置 IoT，最後卻只是多了一套「會收資料」的系統，而不是能協助決策的智慧工具。 資料越多，異常反而越難找？ 更大的問題在於，大多數企業仍然停留在「看數值」的階段，而不是「理解設備」。面對上百個監測點與數十種感測器，每一項數值都有不同的正常範圍，也會隨設備型號、製程條件、環境溫度及負載變化而改變。 若仍採用固定上下限作為異常判斷，不是每天收到大量誤報，就是錯過真正的異常徵兆，最後現場人員逐漸忽略告警，系統形同虛設。 真正困擾企業的，從來不是資料不足，而是不知道哪些資料才真正代表設備健康，也不知道如何建立可信賴的判斷依據。唯有先從大量原始訊號中擷取具有設備意義的特徵值，再建立符合設備運轉特性的智慧門檻，並透過 AI 持續學習設備正常與異常模式，才能讓 IoT 從單純的資料收集平台，真正成為預知保養與設備健康管理的核心。 數據無法真正反映設備狀態？ 真正值得關注的從來不是絕對數字，而是速率與行為是否異常。若直接用數值高低判斷，不僅容易誤判，更會錯失劣化徵兆。 我們以為的狀況與機器真實表達的行為 許多人認為，只要設備安裝了感測器，就能即時掌握設備健康狀態。然而，感測器所取得的，其實只是大量的原始數據（Raw Data），這些數值本身並不代表設備是否正常。若直接依照溫度、壓力、振動或電流的數值高低進行判斷，不僅容易誤判，也難以真正發現設備開始劣化的徵兆。 舉例來說，一台馬達的溫度從 40°C 上升到 60°C，乍看之下只是溫度提高了 20°C，但如果這個過程是在 30 分鐘內緩...

  因應能源署推動五年節能計畫，全台約4,900家能源大用戶將面臨節能診斷與改善規劃要求。企業未來的挑戰不僅是降低用電量，更是建立長期且有效的能源管理機制。透過EMS能源管理系統、RM-IOT轉子監測系統及生成式AI整合應用，企業可即時掌握能源流向、設備健康狀況與耗能原因，從被動節能邁向主動優化，提升能源效率、降低營運成本，並強化未來競爭力。 從節能診斷到智慧管理，打造符合新制要求的能源管理體系 全球能源轉型浪潮下，企業節能已成必修課 近期全球能源議題再度成為焦點。隨著AI資料中心快速擴張、國際能源價格持續波動，以及各國淨零碳排政策陸續上路，企業面臨的能源管理壓力與日俱增。經濟部能源署近期指出，因應AI帶動的用電需求成長與能源轉型趨勢，政府正持續強化供電韌性與能源管理制度，希望在確保供電穩定的同時提升能源使用效率。  另一方面，台灣正加速推動再生能源發展與電力結構調整，但在全球能源供應不確定性、國際局勢變化以及能源成本波動的背景下，如何降低能源浪費、提升設備效率，已成為企業永續經營的重要課題。  也因此，經濟部能源署正式推動新的節能管理制度，要求能源大用戶不僅要達成節電目標，更必須建立長期節能規劃機制。根據能源署公告，全台約4,900家契約容量超過800瓩的企業，未來將需完成節能診斷並提出五年節能計畫，持續追蹤與落實節能成果。政府預估，新制度推動期間可再創造約94.7億度節電效益。  對企業而言，這不僅是一項法規要求，更是一場能源管理思維的轉變。從過去著重設備採購與節電措施，逐步走向數據驅動、持續改善的智慧能源管理時代。 為何政府推動五年節能計畫？ 過去許多企業在面對節能議題時，往往採取較為被動的態度。當電價調漲時，才開始思考如何降低能源消耗；當設備老舊或故障時，才進行更新與改善。然而這種方式通常缺乏整體規劃，無法有效掌握能源使用狀況，也難以建立持續改善的機制。 政府推動五年節能計畫的核心目的，在於促使企業建立長期節能管理制度。透過節能診斷，企業可以了解自身能源使用現況，找出高耗能設備與潛在浪費來源；再透過五年規劃，逐步執行改善措施並追蹤成效，形成持續優化的循環。 從政府角度來看，節能不只是降低能源需求，更是提升國家能源安全的重要策略。當企業能有效降低能源浪費，不僅可減少發電需求，也有助於降低碳排放量，進一步達成2050淨零排放...

  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...