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：
- 第一環 取數（Data Acquisition）：能看到現況（感知層）
- 第二環 洞察（Insight）：能看懂問題（認知層）
- 第三環 診斷（Diagnostics）：能找到根因（歸因層）
- 第四環 預測（Prediction）：能預測結果、評估路徑（決策層）
- 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。
