過去幾十年，製造業累積了前所未有的工業數據。 隨著 IoT、工業網路與邊緣運算的普及，海量數據為 AI 應用開啟了第一扇大門－異常早期偵測。

相較於傳統的門檻警報、UCL/LCL或 SPC，AI 能在更細微、極早期階段就察覺到異常。例如監控到升溫變慢、主軸負載偏移、壓力波形跳動等，從而有效的協助工廠降低風險。

然而，異常偵測只會知道：「哪裡怪怪的？」而製造現場卻更想知道：「為什麼會怪？」，也就是回推真正的物理根因（Root Cause），而這正是 AI 下一階段的關鍵點：人工智慧根因分析（AI Root Cause Analysis，AI RCA）。

一、數據異常 ≠ 物理根因：AI 看見的並非病因

當 AI 指出數據異常時，感測器所量到的其實是某個部件或結構的影響結果。而造成異常的，可能是作動部件（如馬達、加熱器），也可能是靜態結構（如管路破洞、保溫層材料老化）。

也就是說，AI 所偵測到的是「數據層面」的病症（Symptom），但真正影響生產的是機台設備的部件或結構的「病因（Cause）」，也就是「物理根因」。

要從人類可辨識的「病症」回推到「物理根因」，關鍵在於 AI 必須將這些病症，轉化為數據層面獨特的「量化指紋」，也就是「數據徵兆（Signature）」。

二、為什麼回推根因這麼難？因為現場是「多對多」的複雜世界

製造現場的因果關係是複雜的「多對多對多」網絡，而非簡單的一對一：

1. 一個部件 → 影響多個感測器（多對多）

同一部件的狀態，會在多個感測器留下不同的數據痕跡。例如，電阻式加熱器，不只會影響溫度，還會反映在電流、能耗、PID 輸出等多個感測器的數據上。

2. 同一部件 → 多種故障機理，每種機理呈現不同的數據徵兆

一個部件會因為多種故障機理（Failure Mechanism，以下簡稱「病因」） 而失效，例如加熱器可能會因為「老化」、「貼合不良」或「局部短路」等不同病因而失效。每種病因都會呈現一到多種外顯的現象，即「病症」，例如加熱器「老化」可能同時導致「升溫變慢」與「溫度波動變大」這兩種病症。

但病症是人類能夠理解的外觀特性，而 AI 診斷則需要病症在時間序列上，數據所呈現的某種獨特、精確的數據模式，即數據徵兆。以加熱器「升溫變慢」的病症為例，比較如下表：

同樣是「升溫變慢」這個人類從外觀容易辨識的病症，很可能其背後的病因並不相同。

同樣的「升溫變慢」以 AI 從數據徵兆來看，也可能各有其獨特的相對應數據模式（徵兆）。

3. 同一病因 → 徵兆會隨時間「演化」與「疊加」

同一病因在不同階段會引發不同的病症，並在數據面呈現出不同且疊加的徵兆。我們以加熱器的老化病因為例：

● 早期（病症初現）：老化初發時，可能只會出現單一微弱的病症（如電流輕微下降）；AI 所捕捉到的數據徵兆為：電流的長期移動平均值（LMA）持續下降。

● 中期（病症疊加）：隨著老化加劇，除了原有的病症之外，還會疊加新的病症（例如：能耗開始上升、PID 輸出偏高）；AI 所捕捉到的新數據徵兆則是：單位功效能耗比持續上升、PID 控制器的積分項輸出長期處於高水位。

● 晚期（失控）：最終可能會出現如溫度波動變大、控制不穩定等更嚴重的病症；AI 所捕捉到的數據徵兆會是：溫度曲線的標準差出現加速上升趨勢、頻譜分析中溫度感測器數據低頻段的能量明顯突出。

4. 跨部件連鎖影響 → 病症沿流程傳遞，容易誤判

故障也會沿著設備機構或製程流程傳遞因果鏈。如上圖，例如：泵浦馬達損壞（物理根因）→ 管線流量降低（病症 1）→ 後端溫度過高（病症 2）。如果工程師只看到病症 2，很容易誤判為冷卻系統故障，而忽略了最上游的泵浦馬達故障。

5. 偶發性故障（俗稱「要壞不壞」）的隱匿性

真正損壞的部件相對容易診斷。挑戰性更高的是那些處於臨界狀態、偶發性故障的部件。例如，泵浦馬達轉速隨機偶爾降速，連帶造成後端流量與溫度數據偶爾波動。由於故障不是持續發生，工程人員到場查機時往往一切正常。這種難以捕捉的現象令人抓狂，也體現了製造現場在傳統診斷下所面臨的無奈與痛點。（也難怪會出現到處擺綠色乖乖的窘境）

小結：

總結來說，這種多對多對多的複雜關係造成了推論的難度。 就拿「升溫變慢」這個病症來說，工程師很容易直覺認定就是加熱器老化這個病因，但其實會造成這病症的部件不少，除了加熱器之外，加熱腔體也是可能的部件之一，例如腔體出現破洞漏熱或保溫材老化，也都會造成同樣的病症。

因此，想要從感測器數據的病症，直接回推哪個部件壞了甚麼，確實難度很高。就算是極具經驗與技術的老師傅，也很難直接判定。只是難度越高，相對來說價值也大。透過 AI 診斷提供風險排序和數據足跡，讓工程師的排查工作更有效率，對製造現場來說就很有幫助了。

更關鍵的是，數據一旦被蒐集、數據徵兆被識別，就會留下明確足跡。這讓 AI 能有效追蹤那些令人抓狂的偶發性故障，真正做到「順藤摸瓜」，找出問題根因。

下一篇：在釐清了 AI RCA 的必要性和數據挑戰後，我們將在 《AI 醫生上線 (下)》 討論 如何透過補強 FMEA、建立完整的 RCA 流程，以及Intel 與 Articul8 的實戰案例，將理論化為實踐，真正解決製造現場的根因難題。