GOOD 科技誌

  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...