数据有了，但门槛设对了吗？

翻找历史资料盲人摸象？

企业物联网的最大困境：资料海啸与无效警报
近年来，许多製造业积极导入工业物联网（IoT），希望透过感测器全面掌握设备状况。然而，设备连上网并不代表设备变得更智慧，反而让许多企业陷入另一个更大的困境——资料越来越多，真正能解决问题的资讯却越来越少。

每天，工厂持续累积数百万笔振动、温度、压力、电流等感测数据，但设备异常依然没有提早发现。当设备停机时，管理者只能回头翻找历史资料；当产线良率下降时，也无法判断究竟是哪一项设备参数开始偏移。企业投入大量成本建置 IoT，最后却只是多了一套「会收资料」的系统，而不是能协助决策的智慧工具。

数据无法真正反映设备状态？

真正值得关注的从来不是绝对数字，而是速率与行为是否异常。若直接用数值高低判断，不仅容易误判，更会错失劣化徵兆。...

举例来说，一台马达的温度从 40°C 上升到 60°C，乍看之下只是温度提高了 20°C，但如果这个过程是在 30 分钟内缓慢上升，很可能仍属于正常暖机；若相同的温度变化却只花了 3 分钟，就可能代表散热效率下降、轴承润滑不足，或机械摩擦开始增加。真正值得关注的不是 60°C 这个数字，而是升温速率是否异常。

同样的道理也发生在其他感测器上。压力感测器并非只看压力大小，而是观察设备在洩压或切换製程时的降压速率是否符合正常模式；位移感测器不只是量测移动距离，更重要的是分析设备是否产生倾斜、偏移或姿态改变；振动感测器也不是将全天候的振动资料全部分析，而是针对设备启动、停止、搬送、加工等特定动作期间，撷取最具代表性的振动特徵，才能真正反映设备的健康状态。

因此，智慧设备监测的第一步，并不是直接分析原始数据，而是透过边缘运算（Edge Computing），将大量且複杂的感测讯号转换成具有工程意义的特徵值（Feature）。这些特徵值不仅能大幅降低资料量，更能保留真正与设备健康相关的重要资讯，让后续的智慧门槛与 AI 分析建立在可靠的基础上。

例如，不同设备会撷取不同的特徵，包括：
• RMS（均方根值）：反映设备整体振动能量。
• Peak（峰值）：侦测瞬间冲击或撞击异常。
• FFT 频谱分析：能够找出不平衡、松动、轴承损伤等特定频率特徵。
• 升温／降温速率：分析热变化是否偏离正常模式。
• 升压／降压速率：判断气压或液压系统反应是否异常。
• 倾角与姿态变化：监测设备是否产生偏移或变形。
• 特定动作振动特徵：分析设备在启动、搬送、加工等关键动作的运转品质。
• 电流波形特徵：辨识负载变化、机械阻力增加或驱动系统异常。

真正能代表设备健康的，从来不是感测器量到的原始数值，而是经过工程分析所萃取出的特徵值。 只有建立在这些特徵值之上，后续的智慧门槛、Health Score 及 AI 学习模型，才能更精准地辨识设备异常、掌握劣化趋势，真正发挥预知保养的价值。

搜集了数据，却不会设定门槛？

传统固定上下限门槛可能会引发大量误报，现场人员最终选择忽略系统。投入了大量成本，却只是买了一套会收资料的储存库，无法辅助决策。

SPC 的价值，不是统计，而是建立设备自己的「正常范围」。 最大的困难在于，每一台设备都有自己的运转特性。 即使是相同品牌、相同型号的设备，受到安装环境、负载、加工条件、零件磨耗及製程差异影响，其振动、温度或电流特徵都可能不同。因此，单纯套用固定上下限，往往无法适用于所有设备。 为了解决这个问题，固德的 AIoT 系统导入 SPC（Statistical Process Control）统计製程管制概念，自动分析设备正常运转期间的历史资料，建立每台设备专属的正常波动范围。

系统透过 X-bar Chart、R Chart 等统计方法，自动计算设备特徵值的平均值、变异程度，并建立 UCL（Upper Control Limit） 与 LCL（Lower Control Limit） 管制界限。这代表门槛不是依靠工程师的经验设定，而是根据设备实际运转数据自动建立。

这样的好处是，即使没有丰富设备经验，也能快速建立符合设备特性的异常判断标准，大幅降低人工设定门槛的困难与主观误差。

三种智慧门槛，让不同成熟度的企业都能快速导入

根据不同设备管理需求，平台提供三种门槛建立方式。

① 自订门槛（Rule Base） 适合已有设备维护经验或设备商已提供标准规范的应用，由使用者自行设定上下限，快速完成基本监测。

② SPC 统计门槛（Statistical Threshold） 当设备缺乏明确规范或不同设备存在个体差异时，系统会自动建立 X-bar Chart、R Chart 及 UCL／LCL 管制界限，让每一台设备都拥有属于自己的合理门槛，有效降低误报与漏报。

③ AI 智慧门槛（Adaptive AI Threshold） 在 SPC 建立基础后，AI 持续学习设备健康状态与运转模式，随着设备老化、维修或製程改变，自动调整门槛，使监测结果更贴近设备实际状况，进一步提升异常辨识能力。

	自订门槛(Rule Base)	统计门槛(SPC Threshold)	AI 智慧门槛(Adaptive AI)
适用 情境	已有丰富维护经验或设备商标准规范	缺乏规范，且设备存在个体差异	实行预知保养的製程或工厂
运作 方式	使用者自行设定上下限， 快速完成基础监测	自动建立 X-bar 管制界限， 降低误报与漏报	随设备老化、维修或製程改变， AI 自动微调门槛，持续贴近实际状况

这才是真正的智慧门槛
智慧门槛并不是把固定上下限改成另一组数字，而是建立一套能够随着设备特性、历史数据与健康状态持续优化的判断机制。当特徵值分析、SPC 统计管制与 AI 学习三者结合后，设备监测不再只是「超过多少就告警」，而是真正理解设备什么是正常、什么开始偏离正常，才能更早发现异常徵兆，落实预知保养。

AI 真正学习的是设备运转模式

完成特徵值撷取与智慧门槛建立后，真正发挥价值的，才是 AI 的学习能力。

许多人认为，AI 只是把大量感测器数据丢进模型，再由 AI 判断设备是否异常。然而，真正的设备 AI 并不是学习数值，而是学习设备在不同工况下的正常运转行为（Operating Behavior）。

换句话说，AI 并不是看到温度 60°C、振动 1.2 mm/s，就直接判定设备故障。因为相同的数值，在不同设备、不同製程、不同负载甚至不同季节，都可能代表完全不同的状态。 真正的 AI，是持续观察设备在启动、加速、稳定运转、负载变化、停止等各个阶段的完整运转模式，分析不同特徵值之间的关联性，建立属于每一台设备的健康模型。

例如，一台设备在正常运转时可能呈现以下特徵：振动 RMS 维持在固定范围、温度会在 15 分钟内逐渐上升并趋于稳定、电流与负载呈现固定变化关係、压力在切换製程时，以固定速率下降、FFT 频谱能量集中于特定频率。

AI 学习的并不是这些数值本身，而是这些特徵彼此之间长期形成的「正常行为模式」。

AI 真正找的是「偏离」，而不是「超标」
设备故障通常不是某一个数值瞬间超过门槛，而是多项特徵在很长一段时间内开始慢慢改变。 例如：振动增加只有 5%、电流增加 3%、温度升温速度变快、FFT 侧频开始出现、Health Score 持续下降

如果单独来看，每一项都可能仍在正常范围内，因此传统固定门槛完全不会发出警报。 但是 AI 会发现：这些特徵正在一起改变。这代表设备的运转模式，已经开始偏离它过去数千次正常运转所建立的模型。也因此，AI 可以在设备还没有停机、没有产生告警，甚至没有影响产品品质之前，就提早辨识设备开始劣化的徵兆。

AI 的价值，不是告诉你设备坏了，而是告诉你设备开始改变了

当 AI 持续累积每一次设备运转资料后，它会不断修正健康模型，重新理解设备目前的健康状态。...

因此，它不只是判断设备是否异常，而是能够持续回答更重要的问题：
• 目前设备健康是否正在下降？
• 劣化速度是否开始加快？
• 哪一项特徵变化最快？
• 是否需要提前安排保养？
• 如果维持目前运转条件，设备还能正常运作多久？

这也是 AI 能够进一步提供：Health Score（设备健康评分）、设备劣化趋势分析、异常风险预警、Remaining Useful Life（RUL）剩余可用寿命预估。 让企业从过去的故障后维修（Reactive Maintenance），逐步转向预知保养（Predictive Maintenance）。

Dashboard 不只是看数据，而是快速找到需要关注的设备

对于一座工厂而言，同时监测数十台甚至数百台设备，每天可能产生数十万甚至数百万笔感测资料。如果仍然需要逐一查看每个感测器、每条趋势线或每项特徵值，不仅耗时，也难以及时发现真正需要处理的设备。

因此，智慧物联平台将所有监测资讯整合至同一个 Dashboard，让管理者不再只是「看数据」，而是先找到问题，再深入分析问题。 平台可同时呈现：设备健康总览、多感测器即时数据、特徵值分析结果、SPC 管制图、Health Score 健康评分、AI 劣化趋势、异常告警事件、历史纪录与分析

管理者每天不需要花时间巡视所有设备，只需打开 Dashboard，就能立即知道哪些设备健康正常、哪些设备开始出现劣化趋势，以及哪些设备需要优先安排点检或保养，大幅提升设备管理效率。

Health Score：把上百个数据变成一个人人看得懂的分数

真正困扰设备管理人员的，不是没有资料，而是资料太多，不知道该看哪一个。

以一台设备为例，可能同时监测：振动、温度、电流、压力、位移。每一种感测器又会衍生出 RMS、Peak、FFT、升温速率、降压速率、倾角等数十项特徵值。 当所有资料同时出现在画面上，即使是经验丰富的工程师，也需要花不少时间交叉比对才能判断设备是否正常。

因此，平台透过 AI 将所有特徵值、SPC 分析结果及设备运转模型整合后，转换成一个直观的 Health Score（设备健康评分）。

就像人每天做健康检查，不需要先看血糖、血脂、肝功能或心电图，而是先知道整体健康状况是否正常。如果健康分数下降，再进一步查看是哪一项检查出现异常。设备管理也是相同的概念。
举例来说：假设工厂有 100 台马达。 过去，每天都需要查看：100 张振动趋势图、100 张温度曲线、100 张电流图、100 张压力图。即使全部看完，也未必知道哪一台设备最需要优先处理。

现在，Dashboard 首先呈现 Health Score：

设备	Health Score	状态
A01	98	正常
B15	76	注意
C08	58	建议安排点检
D21	42	高风险，立即检查

管理者只要几秒钟，就能知道真正需要关注的是 D21。
接着再点进 D21，便能看到：振动 RMS 持续增加、FFT 开始出现轴承特徵频率、升温速度比过去快 20%、SPC 已接近 UCL、AI 判定设备健康持续下降。

这时，工程师不再需要从几十万笔数据开始找原因，而是直接掌握设备健康变化与可能的异常来源。 Health Score 的价值，不只是「分数」 Health Score 并不是一个漂亮的数字，而是设备健康状态的浓缩结果。 它将原本需要工程师花费数十分钟甚至数小时分析的大量资料，浓缩成一眼就能理解的健康指标，让设备管理从「阅读数据」，转变为「管理风险」。 管理者每天关心的不再是数百万笔感测数据，而是：

• 今天哪些设备开始变差？
• 哪些设备需要优先维护？
• 哪些设备还能安心持续运转？
这才是 Dashboard 与 Health Score 最重要的价值，也是智慧设备管理真正希望解决的问题。

AI 预测，不是预测故障，而是预测设备正在走向故障

许多人认为，AI 预测就是告诉管理者「设备什么时候会坏」，但真正的设备 AI 并不是预言未来，而是持续观察设备健康如何变化，从细微的劣化趋势中，提早辨识异常正在形成。

一台设备真正故障之前，通常不会只有一项数据突然超标，而是许多看似微小的变化同时发生。 因此，平台不只是告诉管理者哪一项数值超标，而是持续分析设备健康趋势，预测设备未来可能的劣化方向，并提前发出预警。企业便能在生产排程允许的时间安排维修、更换零件或调整製程，而不是等到设备突然停机后才紧急处理。

这也是 AIoT 智慧监测真正的价值。

从感测器取得原始讯号开始，系统先透过边缘运算萃取设备真正重要的特徵值，再利用 SPC 建立符合每台设备特性的智慧门槛，接着由 AI 持续学习设备正常运转模式，分析 Health Score 的变化与劣化趋势，最终将原本难以理解的大量数据，转换成可直接採取行动的维护建议。 从「资料」到「资讯」，再到「决策」，这才是 AIoT 与传统 IoT 最大的差异。

传统 IoT 解决的是「设备有没有资料」；真正的 AIoT 解决的是「企业知道下一步该怎么做」。 当系统能理解设备健康、辨识异常徵兆、预测未来风险，维护策略便能从故障后维修（Reactive Maintenance）进化为预知保养（Predictive Maintenance），管理者不再只是看到设备运转，而是真正掌握设备未来的健康走向。「让每一笔设备数据，都成为更精准决策的依据，而不只是储存在资料库中的数字」。