數據有了，但門檻設對了嗎？

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。

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。...

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 分鐘內緩慢上升，很可能仍屬於正常暖機；若相同的溫度變化卻只花了 3 分鐘，就可能代表散熱效率下降、軸承潤滑不足，或機械摩擦開始增加。真正值得關注的不是 60°C 這個數字，而是升溫速率是否異常。

同樣的道理也發生在其他感測器上。壓力感測器並非只看壓力大小，而是觀察設備在洩壓或切換製程時的降壓速率是否符合正常模式；位移感測器不只是量測移動距離，更重要的是分析設備是否產生傾斜、偏移或姿態改變；振動感測器也不是將全天候的振動資料全部分析，而是針對設備啟動、停止、搬送、加工等特定動作期間，擷取最具代表性的振動特徵，才能真正反映設備的健康狀態。

因此，智慧設備監測的第一步，並不是直接分析原始數據，而是透過邊緣運算（Edge Computing），將大量且複雜的感測訊號轉換成具有工程意義的特徵值（Feature）。這些特徵值不僅能大幅降低資料量，更能保留真正與設備健康相關的重要資訊，讓後續的智慧門檻與 AI 分析建立在可靠的基礎上。

例如，不同設備會擷取不同的特徵，包括：
• RMS（均方根值）：反映設備整體振動能量。
• Peak（峰值）：偵測瞬間衝擊或撞擊異常。
• FFT 頻譜分析：能夠找出不平衡、鬆動、軸承損傷等特定頻率特徵。
• 升溫／降溫速率：分析熱變化是否偏離正常模式。
• 升壓／降壓速率：判斷氣壓或液壓系統反應是否異常。
• 傾角與姿態變化：監測設備是否產生偏移或變形。
• 特定動作振動特徵：分析設備在啟動、搬送、加工等關鍵動作的運轉品質。
• 電流波形特徵：辨識負載變化、機械阻力增加或驅動系統異常。

真正能代表設備健康的，從來不是感測器量到的原始數值，而是經過工程分析所萃取出的特徵值。 只有建立在這些特徵值之上，後續的智慧門檻、Health Score 及 AI 學習模型，才能更精準地辨識設備異常、掌握劣化趨勢，真正發揮預知保養的價值。

搜集了數據，卻不會設定門檻？

傳統固定上下限門檻可能會引發大量誤報，現場人員最終選擇忽略系統。投入了大量成本，卻只是買了一套會收資料的儲存庫，無法輔助決策。

SPC 的價值，不是統計，而是建立設備自己的「正常範圍」。 最大的困難在於，每一台設備都有自己的運轉特性。 即使是相同品牌、相同型號的設備，受到安裝環境、負載、加工條件、零件磨耗及製程差異影響，其振動、溫度或電流特徵都可能不同。因此，單純套用固定上下限，往往無法適用於所有設備。 為了解決這個問題，固德的 AIoT 系統導入 SPC（Statistical Process Control）統計製程管制概念，自動分析設備正常運轉期間的歷史資料，建立每台設備專屬的正常波動範圍。

系統透過 X-bar Chart、R Chart 等統計方法，自動計算設備特徵值的平均值、變異程度，並建立 UCL（Upper Control Limit） 與 LCL（Lower Control Limit） 管制界限。這代表門檻不是依靠工程師的經驗設定，而是根據設備實際運轉數據自動建立。

這樣的好處是，即使沒有豐富設備經驗，也能快速建立符合設備特性的異常判斷標準，大幅降低人工設定門檻的困難與主觀誤差。

三種智慧門檻，讓不同成熟度的企業都能快速導入

根據不同設備管理需求，平台提供三種門檻建立方式。

① 自訂門檻（Rule Base） 適合已有設備維護經驗或設備商已提供標準規範的應用，由使用者自行設定上下限，快速完成基本監測。

② SPC 統計門檻（Statistical Threshold） 當設備缺乏明確規範或不同設備存在個體差異時，系統會自動建立 X-bar Chart、R Chart 及 UCL／LCL 管制界限，讓每一台設備都擁有屬於自己的合理門檻，有效降低誤報與漏報。

③ AI 智慧門檻（Adaptive AI Threshold） 在 SPC 建立基礎後，AI 持續學習設備健康狀態與運轉模式，隨著設備老化、維修或製程改變，自動調整門檻，使監測結果更貼近設備實際狀況，進一步提升異常辨識能力。

	自訂門檻(Rule Base)	統計門檻(SPC Threshold)	AI 智慧門檻(Adaptive AI)
適用 情境	已有豐富維護經驗或設備商標準規範	缺乏規範，且設備存在個體差異	實行預知保養的製程或工廠
運作 方式	使用者自行設定上下限， 快速完成基礎監測	自動建立 X-bar 管制界限， 降低誤報與漏報	隨設備老化、維修或製程改變， AI 自動微調門檻，持續貼近實際狀況

這才是真正的智慧門檻
智慧門檻並不是把固定上下限改成另一組數字，而是建立一套能夠隨著設備特性、歷史數據與健康狀態持續優化的判斷機制。當特徵值分析、SPC 統計管制與 AI 學習三者結合後，設備監測不再只是「超過多少就告警」，而是真正理解設備什麼是正常、什麼開始偏離正常，才能更早發現異常徵兆，落實預知保養。

AI 真正學習的是設備運轉模式

完成特徵值擷取與智慧門檻建立後，真正發揮價值的，才是 AI 的學習能力。

許多人認為，AI 只是把大量感測器數據丟進模型，再由 AI 判斷設備是否異常。然而，真正的設備 AI 並不是學習數值，而是學習設備在不同工況下的正常運轉行為（Operating Behavior）。

換句話說，AI 並不是看到溫度 60°C、振動 1.2 mm/s，就直接判定設備故障。因為相同的數值，在不同設備、不同製程、不同負載甚至不同季節，都可能代表完全不同的狀態。 真正的 AI，是持續觀察設備在啟動、加速、穩定運轉、負載變化、停止等各個階段的完整運轉模式，分析不同特徵值之間的關聯性，建立屬於每一台設備的健康模型。

例如，一台設備在正常運轉時可能呈現以下特徵：振動 RMS 維持在固定範圍、溫度會在 15 分鐘內逐漸上升並趨於穩定、電流與負載呈現固定變化關係、壓力在切換製程時，以固定速率下降、FFT 頻譜能量集中於特定頻率。

AI 學習的並不是這些數值本身，而是這些特徵彼此之間長期形成的「正常行為模式」。

AI 真正找的是「偏離」，而不是「超標」
設備故障通常不是某一個數值瞬間超過門檻，而是多項特徵在很長一段時間內開始慢慢改變。 例如：振動增加只有 5%、電流增加 3%、溫度升溫速度變快、FFT 側頻開始出現、Health Score 持續下降

如果單獨來看，每一項都可能仍在正常範圍內，因此傳統固定門檻完全不會發出警報。 但是 AI 會發現：這些特徵正在一起改變。這代表設備的運轉模式，已經開始偏離它過去數千次正常運轉所建立的模型。也因此，AI 可以在設備還沒有停機、沒有產生告警，甚至沒有影響產品品質之前，就提早辨識設備開始劣化的徵兆。

AI 的價值，不是告訴你設備壞了，而是告訴你設備開始改變了

當 AI 持續累積每一次設備運轉資料後，它會不斷修正健康模型，重新理解設備目前的健康狀態。...

因此，它不只是判斷設備是否異常，而是能夠持續回答更重要的問題：
• 目前設備健康是否正在下降？
• 劣化速度是否開始加快？
• 哪一項特徵變化最快？
• 是否需要提前安排保養？
• 如果維持目前運轉條件，設備還能正常運作多久？

這也是 AI 能夠進一步提供：Health Score（設備健康評分）、設備劣化趨勢分析、異常風險預警、Remaining Useful Life（RUL）剩餘可用壽命預估。 讓企業從過去的故障後維修（Reactive Maintenance），逐步轉向預知保養（Predictive Maintenance）。

Dashboard 不只是看數據，而是快速找到需要關注的設備

對於一座工廠而言，同時監測數十台甚至數百台設備，每天可能產生數十萬甚至數百萬筆感測資料。如果仍然需要逐一查看每個感測器、每條趨勢線或每項特徵值，不僅耗時，也難以及時發現真正需要處理的設備。

因此，智慧物聯平台將所有監測資訊整合至同一個 Dashboard，讓管理者不再只是「看數據」，而是先找到問題，再深入分析問題。 平台可同時呈現：設備健康總覽、多感測器即時數據、特徵值分析結果、SPC 管制圖、Health Score 健康評分、AI 劣化趨勢、異常告警事件、歷史紀錄與分析

管理者每天不需要花時間巡視所有設備，只需打開 Dashboard，就能立即知道哪些設備健康正常、哪些設備開始出現劣化趨勢，以及哪些設備需要優先安排點檢或保養，大幅提升設備管理效率。

Health Score：把上百個數據變成一個人人看得懂的分數

真正困擾設備管理人員的，不是沒有資料，而是資料太多，不知道該看哪一個。

以一台設備為例，可能同時監測：振動、溫度、電流、壓力、位移。每一種感測器又會衍生出 RMS、Peak、FFT、升溫速率、降壓速率、傾角等數十項特徵值。 當所有資料同時出現在畫面上，即使是經驗豐富的工程師，也需要花不少時間交叉比對才能判斷設備是否正常。

因此，平台透過 AI 將所有特徵值、SPC 分析結果及設備運轉模型整合後，轉換成一個直觀的 Health Score（設備健康評分）。

就像人每天做健康檢查，不需要先看血糖、血脂、肝功能或心電圖，而是先知道整體健康狀況是否正常。如果健康分數下降，再進一步查看是哪一項檢查出現異常。設備管理也是相同的概念。
舉例來說：假設工廠有 100 台馬達。 過去，每天都需要查看：100 張振動趨勢圖、100 張溫度曲線、100 張電流圖、100 張壓力圖。即使全部看完，也未必知道哪一台設備最需要優先處理。

現在，Dashboard 首先呈現 Health Score：

設備	Health Score	狀態
A01	98	正常
B15	76	注意
C08	58	建議安排點檢
D21	42	高風險，立即檢查

管理者只要幾秒鐘，就能知道真正需要關注的是 D21。
接著再點進 D21，便能看到：振動 RMS 持續增加、FFT 開始出現軸承特徵頻率、升溫速度比過去快 20%、SPC 已接近 UCL、AI 判定設備健康持續下降。

這時，工程師不再需要從幾十萬筆數據開始找原因，而是直接掌握設備健康變化與可能的異常來源。 Health Score 的價值，不只是「分數」 Health Score 並不是一個漂亮的數字，而是設備健康狀態的濃縮結果。 它將原本需要工程師花費數十分鐘甚至數小時分析的大量資料，濃縮成一眼就能理解的健康指標，讓設備管理從「閱讀數據」，轉變為「管理風險」。 管理者每天關心的不再是數百萬筆感測數據，而是：

• 今天哪些設備開始變差？
• 哪些設備需要優先維護？
• 哪些設備還能安心持續運轉？
這才是 Dashboard 與 Health Score 最重要的價值，也是智慧設備管理真正希望解決的問題。

AI 預測，不是預測故障，而是預測設備正在走向故障

許多人認為，AI 預測就是告訴管理者「設備什麼時候會壞」，但真正的設備 AI 並不是預言未來，而是持續觀察設備健康如何變化，從細微的劣化趨勢中，提早辨識異常正在形成。

一台設備真正故障之前，通常不會只有一項數據突然超標，而是許多看似微小的變化同時發生。 因此，平台不只是告訴管理者哪一項數值超標，而是持續分析設備健康趨勢，預測設備未來可能的劣化方向，並提前發出預警。企業便能在生產排程允許的時間安排維修、更換零件或調整製程，而不是等到設備突然停機後才緊急處理。

這也是 AIoT 智慧監測真正的價值。

從感測器取得原始訊號開始，系統先透過邊緣運算萃取設備真正重要的特徵值，再利用 SPC 建立符合每台設備特性的智慧門檻，接著由 AI 持續學習設備正常運轉模式，分析 Health Score 的變化與劣化趨勢，最終將原本難以理解的大量數據，轉換成可直接採取行動的維護建議。 從「資料」到「資訊」，再到「決策」，這才是 AIoT 與傳統 IoT 最大的差異。

傳統 IoT 解決的是「設備有沒有資料」；真正的 AIoT 解決的是「企業知道下一步該怎麼做」。 當系統能理解設備健康、辨識異常徵兆、預測未來風險，維護策略便能從故障後維修（Reactive Maintenance）進化為預知保養（Predictive Maintenance），管理者不再只是看到設備運轉，而是真正掌握設備未來的健康走向。「讓每一筆設備數據，都成為更精準決策的依據，而不只是儲存在資料庫中的數字」。