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...