异常只有一瞬间，你的 Sensor 看得到吗？

Sensor 装得越多，就一定越容易找到设备问题吗？

现在的设备并不缺 Sensor。振动、电流、温度、流量……各种讯号被持续收集，Dashboard 上也有越来越多即时数值。但 Sensor 装得越多，就一定越容易找到设备问题吗？答案可能没有这么简单。

因为真正影响设备的异常，不一定会持续一整天，也不一定会立刻触发 Alarm。它可能只发生在一次移动、一个加工动作，甚至是整个 Cycle 中非常短暂的一段时间。这就像一个人每天走一万步。如果今天有一步突然踩得不稳，但我们最后只看「今天平均步速」，大概什么也看不出来。设备也是一样。

真正重要的问题，有时候不是：「今天平均振动是多少？」而是：「设备执行那一个动作的时候，发生了什么？」

一次卡版，真的是「突然」发生的吗？

在半导体产线中，许多设备每天不断重複相同的机械动作。

然而，随着设备持续运转，部分振动峰值开始明显升高，原本规律的讯号逐渐出现不同的变化。直到最后发生勾针卡版事件，才产生更加剧烈的瞬间振动，并造成设备停机。这张图最值得注意的地方，不只是最后那个明显的停机讯号，而是停机之前，讯号就已经开始不一样了。

试想，如果监测系统只关注设备是否触发 Alarm，工程师可能直到设备停机时，才知道发生了问题。即使有安装振动感测器，如果只观察平均值或固定门槛，也可能忽略短时间内出现的异常峰值。这些讯号虽然不一定立即影响设备运转，却可能是值得进一步追踪的早期异常徵兆。

设备停机前，异常早已留下讯号。
从勾针运行的振动纪录可以观察到，设备在正常运行时，振动呈现相对稳定的週期性变化。然而，在发生卡版停机之前，部分振动峰值已逐渐升高，并出现不同于正常运行的讯号特徵，最后才产生明显的停机振动。

这代表设备异常不一定只发生在 Alarm 触发的瞬间。透过完整记录设备动作过程，并比较正常与异常的振动特徵，就有机会提早发现设备运行的变化。如果我们只记录设备「有没有停机」，看到的会是最后一刻。但如果把设备运转过程像心电图一样摊开来看，就有机会发现：在真正发生卡版以前，设备其实已经留下不同于正常运行的讯号。这也是为什么，设备监测不能只停留在「有没有超过一条 Alarm 线」。

平均值正常，就代表每一次动作都正常？

即使设备的平均数值相同，也不代表每次动作都正常。就像两个人平均速度相同，行走过程却可能截然不同。设备监测不能只看平均值，更需要观察完整的动态讯号，才能发现隐藏的异常变化。

对设备工程师而言，如果监测画面只显示一个平均振动值或平均电流值，即使数字始终维持在正常范围内，也无法保证每一次动作都没有问题。因为平均值反映的是整段时间的整体表现，却不一定能呈现异常发生的时间、位置，以及当下的讯号变化。

这就像只知道一个人走完 100 公尺的平均速度，却不知道他在哪一步差点跌倒。 更重要的是，许多设备异常并非一开始就造成明显的数值超标，而是先出现在特定动作的细微变化中。例如，原本规律的振动波形突然多出一个峰值，或是相同动作所需的电流开始出现不同的变化。这些讯号可能尚未达到 Alarm 门槛，却已经透露设备运行状态与过去有所不同。

因此，要找到这种藏在动作过程里的变化，第一件事情就是：不要只看整体平均值，而是把设备的「动作」拆开来看。 透过完整撷取设备的动态讯号，将每一次重複动作独立观察，再与过去相同条件下的正常动作进行比较，才能进一步了解异常究竟发生在哪个阶段，以及讯号出现了什么差异。包含每一次移动时的电流或振动动态讯号，并将每次动作的数据保存下来。再依据产品别及精度需求设定监测条件，同时将动态流程区间的数据建立成趋势，作为后续异常判别的依据。

换成比较简单的说法，就像我们不是只知道：「这个人今天走了 10,000 步。」

而是开始记录：第 1 步怎么走、第 2 步怎么走、第 3 步怎么走……当每一次动作都留下资料之后，设备的微小变化才有机会被比较出来。

为什么 Sensor 明明有量测，异常却可能被忽略？

Sensor 有量测，不代表异常一定能被发现。取样频率不足、平均值处理或缺乏动态分析，都可能掩盖瞬间异常。唯有掌握完整动作讯号，并依不同运行条件进行比较，才能找出设备真正的异常变化。

Sensor 装上去，就完成了监测？
Sensor 并不是装上去一直收资料，就完成了监测。一台设备运转一整天，可以产生大量数据。但工程师真正需要的，往往不是再多一百万笔 Raw Data，而是从这些资料里回答：哪一次动作不一样？哪一个轴向开始改变？改变是偶发，还是正在持续？

这就像监视器。一支监视器每天可以录下 24 小时影片，但当我们真正想知道「门口什么时候发生异常」时，没有人希望从凌晨 0 点开始把整支影片重新看一遍。真正有价值的是：快速找到事件发生的时间，把那一段影像取出来比较。

设备讯号也是相同的概念。同样是电流，设备做不同动作时，本来就不一样。以 Bond Head 为例，当设备只有 Y 轴单独动作，与 Y＋Z 轴同时动作时，所呈现的电流讯号明显不同。

即使是同一台设备、同一个运动轴向，只要动作速度、加速度、负载或加工条件不同，所产生的电流与振动讯号也可能有所差异。因此，建立正常监测基准时，除了区分运动轴向，也需要考虑设备实际执行的动作条件。真正有意义的比较，不是将所有讯号放在同一条标准下，而是让每一次动作，都能与相同或可比较条件下的正常动作进行比对。

这代表什么？如果我们把所有动作混在一起，只订一条固定标准：「电流超过 X 就算异常。」很可能会忽略设备原本就存在不同的运行条件。就像量一个人的心跳。睡觉时 60 bpm，可能很正常；跑步时 120 bpm，也可能很正常。不能因为两个数字不同，就直接判断其中一个有问题。

真正应该比较的是：「今天跑步时的表现，跟过去跑步时有没有不一样？」设备也是如此。Y 轴动作，就跟过去正常的 Y 轴动作比较。Y＋Z 轴同动，就跟过去正常的 Y＋Z 轴动作比较。这时候，「动作」本身就成为判断设备状态的重要条件。

但设备一天做几千、几万次动作，难道要工程师一笔一笔看？

面对设备每天数万次的重複动作，人工逐笔判读并不实际。VMS-ML 透过机械学习建立正常动作特徵，自动比对每次运行讯号，即使未超过固定门槛，也能协助辨识细微异常，提升监测效率。

当资料累积到这里，另一个问题马上出现。如果设备一天只做 10 次动作，工程师也许还能人工比较。但当产线设备持续运转，同一个加工动作不断重複时，要人工一笔一笔比对每次讯号，显然不实际。这时候，就需要把「人的判断方式」进一步交给系统。先让系统学习「正常的动作长什么样子」。

机械学习不是记住一个数值，而是辨识整段动作特徵，传统固定门槛主要观察单一数值是否超过设定范围，但设备的机械动作往往包含启动、加速、稳定运行与停止等不同阶段，每个阶段都有各自的讯号特徵。VMS-ML 透过目标动作学习，建立正常运行时的讯号特徵基准。当设备再次执行相同动作时，系统便能追踪该段动态讯号，并比较其与正常特徵之间的差异。即使整体振动数值没有明显超过固定门槛，只要动作讯号的型态发生变化，仍有机会透过特徵比对发现异常。

透过目标动作学习，建立监测对象，再进行自动追踪、即时判别与后续趋势管理。 这就像教一个人认识正常走路的样子。一开始，我们先让他看很多次正常的步伐。 久了之后，他不一定需要知道：「脚抬高几公分才叫异常。」当某一次走路的节奏、幅度或动作型态开始跟以前不同，他就有机会察觉：「这一步，好像怪怪的。」

机械学习怎么做？从固定门槛，再往前走一步

传统 Alarm 透过固定门槛判断异常，VMS-ML 则进一步运用机械学习，比对每次动作与正常特徵的差异，并透过判定分数反映设备状态，让监测不再只看数值是否超标，更能掌握细微的动态变化。

传统 Alarm 很像在门口画一条红线。超过红线 → 异常。这种方式仍然很重要，而且直观、容易管理。但有些机械动作并不是单纯用一个数值就能完整描述。例如正常讯号可能本来就有高低起伏，也可能包含多个动作阶段。因此，除了固定门槛之外，也可以进一步比较整个动作讯号与正常状态之间的差异。

在 VMS-ML 监测方案中，系统会先建立监测目标动作，再自动追踪并进行线上监测；资料中的示例以较高分数呈现正常状态，而运行讯号出现差异时，判定分数则会下降。换句话说，监测开始从：「有没有超过这个数字？」走向：「这一次的动作，还像不像原本正常的自己？」

为什么比固定门槛更完整？
固定门槛适合监测明确的安全限制，例如振动、温度或电流是否超出允许范围，能快速辨识已知的异常状态。

然而，对于具有重複动作的设备，部分异常可能不会立即造成数值超标，而是先反映在动作节奏、讯号型态或特徵变化上。 因此，固定门槛与机械学习并非互相取代，而是从不同角度观察设备状态。前者确认是否超出既定限制，后者则进一步比较设备是否偏离原本的正常运行特徵。

异常资料累积后能做什么？

单次异常不一定代表设备故障，但当异常反复出现、健康分数持续变化，就值得关注。透过长期累积监测数据与趋势分析，工程师能区分偶发事件与设备劣化徵兆，及早掌握机况变化，作为预知保养的依据。

从一次异常，累积成设备的长期趋势
如果只抓到一次异常，其实还不够。因为工程师接下来一定会问：「这是偶发事件，还是设备真的正在变差？」这就需要时间。 一次讯号的差异可能只是偶发；但如果相同差异开始反复出现，甚至判定结果随着时间逐渐变化，意义就不同了。因此，这次设备监测不只是即时显示异常，也将「累积」纳入监测流程，透过趋势化方式管理机况。 就像健康检查。今天血压高一次，医生不一定马上判断有问题。但如果把半年、一年来的纪录排在一起，发现数值持续往同一个方向变化，趋势本身就开始具有意义。设备也是如此。 单次异常告诉我们「现在发生了什么」；长期趋势则帮助我们观察：「它是不是正在慢慢改变？」

长期健康趋势示意图：

实际如何导入工厂？

设备监测应依不同机台与製程需求，选择适合的感测讯号与监测动作，透过边缘系统整合并串接厂端 FDC，从单机监测延伸至整条产线，提升设备健康管理效率。

从一台设备，走向整条产线
而实际工厂面对的问题，当然不只有一支勾针或一台 Wedge Bonder。以下以 ESEC DB 与 Wedge Bond 为例，说明设备讯号如何透过边缘模组与边缘系统整合，进一步串接厂端 FDC 系统。

这也说明了一件事情：不同设备，不一定要用完全相同的方法监测。 有些设备适合看振动；有些动作适合看电流；有些製程需要观察温度；有些则必须比较特定动作的讯号型态。真正的设备监测，不是「所有机台都装同一颗 Sensor」。 而是先问：我想找到什么问题？ 再决定：应该看哪一个讯号、哪一个动作，以及哪一段时间。

不是量得更多，而是看见真正重要的那一刻

Sensor 很像设备的眼睛与耳朵。装上 Sensor，代表我们开始有机会「看到」设备正在发生什么。但如果真正的异常只存在短短几秒，而我们最后只留下整天的平均值，再多的数据也可能让重要讯号淹没在资料里。因此，设备监测真正需要解决的，已经不只是：「有没有 Sensor？」而是：「Sensor 有没有在正确的时间，看见正确的事情？」当我们开始锁定每一次设备动作、撷取真正重要的讯号、比较正常与异常之间的差异，再把一次次结果累积成趋势，原本只是一条条难以理解的曲线，就有机会转变成工程师真正能使用的设备资讯。

异常可能只有一瞬间，但只要看对时间，它就不一定无迹可寻。