異常只有一瞬間，你的 Sensor 看得到嗎？

Sensor 裝得越多，就一定越容易找到設備問題嗎？

現在的設備並不缺 Sensor。振動、電流、溫度、流量……各種訊號被持續收集，Dashboard 上也有越來越多即時數值。但 Sensor 裝得越多，就一定越容易找到設備問題嗎？答案可能沒有這麼簡單。

因為真正影響設備的異常，不一定會持續一整天，也不一定會立刻觸發 Alarm。它可能只發生在一次移動、一個加工動作，甚至是整個 Cycle 中非常短暫的一段時間。這就像一個人每天走一萬步。如果今天有一步突然踩得不穩，但我們最後只看「今天平均步速」，大概什麼也看不出來。設備也是一樣。

真正重要的問題，有時候不是：「今天平均振動是多少？」而是：「設備執行那一個動作的時候，發生了什麼？」

一次卡版，真的是「突然」發生的嗎？

在半導體產線中，許多設備每天不斷重複相同的機械動作。

然而，隨著設備持續運轉，部分振動峰值開始明顯升高，原本規律的訊號逐漸出現不同的變化。直到最後發生勾針卡版事件，才產生更加劇烈的瞬間振動，並造成設備停機。這張圖最值得注意的地方，不只是最後那個明顯的停機訊號，而是停機之前，訊號就已經開始不一樣了。

試想，如果監測系統只關注設備是否觸發 Alarm，工程師可能直到設備停機時，才知道發生了問題。即使有安裝振動感測器，如果只觀察平均值或固定門檻，也可能忽略短時間內出現的異常峰值。這些訊號雖然不一定立即影響設備運轉，卻可能是值得進一步追蹤的早期異常徵兆。

設備停機前，異常早已留下訊號。
從勾針運行的振動紀錄可以觀察到，設備在正常運行時，振動呈現相對穩定的週期性變化。然而，在發生卡版停機之前，部分振動峰值已逐漸升高，並出現不同於正常運行的訊號特徵，最後才產生明顯的停機振動。

這代表設備異常不一定只發生在 Alarm 觸發的瞬間。透過完整記錄設備動作過程，並比較正常與異常的振動特徵，就有機會提早發現設備運行的變化。如果我們只記錄設備「有沒有停機」，看到的會是最後一刻。但如果把設備運轉過程像心電圖一樣攤開來看，就有機會發現：在真正發生卡版以前，設備其實已經留下不同於正常運行的訊號。這也是為什麼，設備監測不能只停留在「有沒有超過一條 Alarm 線」。

平均值正常，就代表每一次動作都正常？

即使設備的平均數值相同，也不代表每次動作都正常。就像兩個人平均速度相同，行走過程卻可能截然不同。設備監測不能只看平均值，更需要觀察完整的動態訊號，才能發現隱藏的異常變化。

對設備工程師而言，如果監測畫面只顯示一個平均振動值或平均電流值，即使數字始終維持在正常範圍內，也無法保證每一次動作都沒有問題。因為平均值反映的是整段時間的整體表現，卻不一定能呈現異常發生的時間、位置，以及當下的訊號變化。

這就像只知道一個人走完 100 公尺的平均速度，卻不知道他在哪一步差點跌倒。 更重要的是，許多設備異常並非一開始就造成明顯的數值超標，而是先出現在特定動作的細微變化中。例如，原本規律的振動波形突然多出一個峰值，或是相同動作所需的電流開始出現不同的變化。這些訊號可能尚未達到 Alarm 門檻，卻已經透露設備運行狀態與過去有所不同。

因此，要找到這種藏在動作過程裡的變化，第一件事情就是：不要只看整體平均值，而是把設備的「動作」拆開來看。 透過完整擷取設備的動態訊號，將每一次重複動作獨立觀察，再與過去相同條件下的正常動作進行比較，才能進一步了解異常究竟發生在哪個階段，以及訊號出現了什麼差異。包含每一次移動時的電流或振動動態訊號，並將每次動作的數據保存下來。再依據產品別及精度需求設定監測條件，同時將動態流程區間的數據建立成趨勢，作為後續異常判別的依據。

換成比較簡單的說法，就像我們不是只知道：「這個人今天走了 10,000 步。」

而是開始記錄：第 1 步怎麼走、第 2 步怎麼走、第 3 步怎麼走……當每一次動作都留下資料之後，設備的微小變化才有機會被比較出來。

為什麼 Sensor 明明有量測，異常卻可能被忽略？

Sensor 有量測，不代表異常一定能被發現。取樣頻率不足、平均值處理或缺乏動態分析，都可能掩蓋瞬間異常。唯有掌握完整動作訊號，並依不同運行條件進行比較，才能找出設備真正的異常變化。

Sensor 裝上去，就完成了監測？
Sensor 並不是裝上去一直收資料，就完成了監測。一台設備運轉一整天，可以產生大量數據。但工程師真正需要的，往往不是再多一百萬筆 Raw Data，而是從這些資料裡回答：哪一次動作不一樣？哪一個軸向開始改變？改變是偶發，還是正在持續？

這就像監視器。一支監視器每天可以錄下 24 小時影片，但當我們真正想知道「門口什麼時候發生異常」時，沒有人希望從凌晨 0 點開始把整支影片重新看一遍。真正有價值的是：快速找到事件發生的時間，把那一段影像取出來比較。

設備訊號也是相同的概念。同樣是電流，設備做不同動作時，本來就不一樣。以 Bond Head 為例，當設備只有 Y 軸單獨動作，與 Y＋Z 軸同時動作時，所呈現的電流訊號明顯不同。

即使是同一台設備、同一個運動軸向，只要動作速度、加速度、負載或加工條件不同，所產生的電流與振動訊號也可能有所差異。因此，建立正常監測基準時，除了區分運動軸向，也需要考慮設備實際執行的動作條件。真正有意義的比較，不是將所有訊號放在同一條標準下，而是讓每一次動作，都能與相同或可比較條件下的正常動作進行比對。

這代表什麼？如果我們把所有動作混在一起，只訂一條固定標準：「電流超過 X 就算異常。」很可能會忽略設備原本就存在不同的運行條件。就像量一個人的心跳。睡覺時 60 bpm，可能很正常；跑步時 120 bpm，也可能很正常。不能因為兩個數字不同，就直接判斷其中一個有問題。

真正應該比較的是：「今天跑步時的表現，跟過去跑步時有沒有不一樣？」設備也是如此。Y 軸動作，就跟過去正常的 Y 軸動作比較。Y＋Z 軸同動，就跟過去正常的 Y＋Z 軸動作比較。這時候，「動作」本身就成為判斷設備狀態的重要條件。

但設備一天做幾千、幾萬次動作，難道要工程師一筆一筆看？

面對設備每天數萬次的重複動作，人工逐筆判讀並不實際。VMS-ML 透過機械學習建立正常動作特徵，自動比對每次運行訊號，即使未超過固定門檻，也能協助辨識細微異常，提升監測效率。

當資料累積到這裡，另一個問題馬上出現。如果設備一天只做 10 次動作，工程師也許還能人工比較。但當產線設備持續運轉，同一個加工動作不斷重複時，要人工一筆一筆比對每次訊號，顯然不實際。這時候，就需要把「人的判斷方式」進一步交給系統。先讓系統學習「正常的動作長什麼樣子」。

機械學習不是記住一個數值，而是辨識整段動作特徵，傳統固定門檻主要觀察單一數值是否超過設定範圍，但設備的機械動作往往包含啟動、加速、穩定運行與停止等不同階段，每個階段都有各自的訊號特徵。VMS-ML 透過目標動作學習，建立正常運行時的訊號特徵基準。當設備再次執行相同動作時，系統便能追蹤該段動態訊號，並比較其與正常特徵之間的差異。即使整體振動數值沒有明顯超過固定門檻，只要動作訊號的型態發生變化，仍有機會透過特徵比對發現異常。

透過目標動作學習，建立監測對象，再進行自動追蹤、即時判別與後續趨勢管理。 這就像教一個人認識正常走路的樣子。一開始，我們先讓他看很多次正常的步伐。 久了之後，他不一定需要知道：「腳抬高幾公分才叫異常。」當某一次走路的節奏、幅度或動作型態開始跟以前不同，他就有機會察覺：「這一步，好像怪怪的。」

機械學習怎麼做？從固定門檻，再往前走一步

傳統 Alarm 透過固定門檻判斷異常，VMS-ML 則進一步運用機械學習，比對每次動作與正常特徵的差異，並透過判定分數反映設備狀態，讓監測不再只看數值是否超標，更能掌握細微的動態變化。

傳統 Alarm 很像在門口畫一條紅線。超過紅線 → 異常。這種方式仍然很重要，而且直觀、容易管理。但有些機械動作並不是單純用一個數值就能完整描述。例如正常訊號可能本來就有高低起伏，也可能包含多個動作階段。因此，除了固定門檻之外，也可以進一步比較整個動作訊號與正常狀態之間的差異。

在 VMS-ML 監測方案中，系統會先建立監測目標動作，再自動追蹤並進行線上監測；資料中的示例以較高分數呈現正常狀態，而運行訊號出現差異時，判定分數則會下降。換句話說，監測開始從：「有沒有超過這個數字？」走向：「這一次的動作，還像不像原本正常的自己？」

為什麼比固定門檻更完整？
固定門檻適合監測明確的安全限制，例如振動、溫度或電流是否超出允許範圍，能快速辨識已知的異常狀態。

然而，對於具有重複動作的設備，部分異常可能不會立即造成數值超標，而是先反映在動作節奏、訊號型態或特徵變化上。 因此，固定門檻與機械學習並非互相取代，而是從不同角度觀察設備狀態。前者確認是否超出既定限制，後者則進一步比較設備是否偏離原本的正常運行特徵。

異常資料累積後能做什麼？

單次異常不一定代表設備故障，但當異常反覆出現、健康分數持續變化，就值得關注。透過長期累積監測數據與趨勢分析，工程師能區分偶發事件與設備劣化徵兆，及早掌握機況變化，作為預知保養的依據。

從一次異常，累積成設備的長期趨勢
如果只抓到一次異常，其實還不夠。因為工程師接下來一定會問：「這是偶發事件，還是設備真的正在變差？」這就需要時間。 一次訊號的差異可能只是偶發；但如果相同差異開始反覆出現，甚至判定結果隨著時間逐漸變化，意義就不同了。因此，這次設備監測不只是即時顯示異常，也將「累積」納入監測流程，透過趨勢化方式管理機況。 就像健康檢查。今天血壓高一次，醫生不一定馬上判斷有問題。但如果把半年、一年來的紀錄排在一起，發現數值持續往同一個方向變化，趨勢本身就開始具有意義。設備也是如此。 單次異常告訴我們「現在發生了什麼」；長期趨勢則幫助我們觀察：「它是不是正在慢慢改變？」

長期健康趨勢示意圖：

實際如何導入工廠？

設備監測應依不同機台與製程需求，選擇適合的感測訊號與監測動作，透過邊緣系統整合並串接廠端 FDC，從單機監測延伸至整條產線，提升設備健康管理效率。

從一台設備，走向整條產線
而實際工廠面對的問題，當然不只有一支勾針或一台 Wedge Bonder。以下以 ESEC DB 與 Wedge Bond 為例，說明設備訊號如何透過邊緣模組與邊緣系統整合，進一步串接廠端 FDC 系統。

這也說明了一件事情：不同設備，不一定要用完全相同的方法監測。 有些設備適合看振動；有些動作適合看電流；有些製程需要觀察溫度；有些則必須比較特定動作的訊號型態。真正的設備監測，不是「所有機台都裝同一顆 Sensor」。 而是先問：我想找到什麼問題？ 再決定：應該看哪一個訊號、哪一個動作，以及哪一段時間。

不是量得更多，而是看見真正重要的那一刻

Sensor 很像設備的眼睛與耳朵。裝上 Sensor，代表我們開始有機會「看到」設備正在發生什麼。但如果真正的異常只存在短短幾秒，而我們最後只留下整天的平均值，再多的數據也可能讓重要訊號淹沒在資料裡。因此，設備監測真正需要解決的，已經不只是：「有沒有 Sensor？」而是：「Sensor 有沒有在正確的時間，看見正確的事情？」當我們開始鎖定每一次設備動作、擷取真正重要的訊號、比較正常與異常之間的差異，再把一次次結果累積成趨勢，原本只是一條條難以理解的曲線，就有機會轉變成工程師真正能使用的設備資訊。

異常可能只有一瞬間，但只要看對時間，它就不一定無跡可尋。