在生產工廠，不管是生產機台、量測機台還是公用設備，機台設備都是工廠的關鍵核心。機台雖然是機器，但機台就像人一樣，總會（短期）生病或（長期）衰老。傳統工廠是靠老師傅的經驗，人為處理之。現在較先進的工廠，開始透過IoT（Internet of Things，物聯網／機聯網）蒐集感測器與機台數據，並使用各方案的AI模型（Artificial Intelligence，人工智慧）、生成式人工智慧（GenAI），或者自己用Python寫程式分析來提升競爭力。但大多數卻沒有較完整的機制，導致成效無法充分發揮。

本文是就東海大學 周忠信教授所原創的一套方法論SUPA（Sensing、Understanding、Planning、Acting），分享如何善用讓工廠逐步數智化以穩定機台生產，強化獲利與競爭力。 

以保持身體健康來說明

生產工廠是個很複雜的有機體，機台設備如同人的身體一樣需要注重健康。所以我就先以保持身體健康舉例簡單說明。如圖一所示，身體健康是大家最在意的事，但健康與否不一定看得出來，得有數字才能確保健康。所以我們平常會量體溫、血壓，也會定期做健康檢查，其目的就是希望透過數據，在生病早期可以及時發現病症【SUPA的S (Sensing)】。

圖一. 建構數智工廠的SUPA機制以穩定機台生產

然而大多數時候，病症並不是病的根本原因，就像發燒不是病因一樣。我們必須要找出引起發燒（病症）背後的病因【SUPA的U (Understanding)】，才能確實治療、恢復健康。

通常知道了病因後，醫師都不會建議直接「吃成藥」（吃成藥在工廠裡就是盲目遵循SOP，Standard Operation Procedure，標準作業程序）。因為每個人的體質不同，病況與外在環境也不相同，需要由醫師以其專業綜合各種數據後，因時制宜的規劃療程開藥治療【SUPA的P (Planning)】。例如同樣是高血壓，因應每個人的體質不同，服用的降血壓藥就會不同。

而且在初期嘗試一小段時間後，還得按照治療成效與副作用，進行換藥或增減劑量。隨著季節變化例如冬季嚴寒，也得動態調整劑量，甚至於更換藥物。這就好比不能照著「計劃」下棋一樣，因為每下一步棋後，對手的回應都會造成棋局改變，必須走一步「算」一步，因應每一步後的新狀況，再重「算」新的最佳解後再因應之，才能贏得勝利。

延伸閱讀：如何讓設備保持穩定生產，並提高加工效率？

最後，就算是確定最佳療程並開了藥，也並不等於完成了治療。因為做了對的事情，也得把事情做對【SUPA的A (Acting)】。例如看似簡單的按時服藥，但若對象是老年失智者，就難以只依靠患者把吃藥這件事情做對。現在的工廠所面臨的問題也很雷同，因為缺工以致企業徵才、留才困難，使得人員條件門檻降低或訓練不足，造成產線人員素質逐漸下降，所以，知道了對的事之後如何確保把事情做對，看似簡單卻著實很關鍵。

總而言之，對於保持身體健康（相對於工廠就是穩定機台生產）的這一連串動作，我們需要的是完整的一整套機制，從病症偵測、找出病因，到如何開藥做因應優化，直到按時吃藥讓損失降到最低，這就是東海大學周忠信教授所原創的SUPA機制，後面我們細細探討。

延伸閱讀：如何應用IoT，快速提升製造現場OEE？

數位化：這是一切的基礎

在切入SUPA之前，我們得先做數位化基礎建設。所謂巧婦難為無米之炊，沒有數據就沒有管理，就如同要確保身體健康，我們得量體溫、血壓蒐集數據一樣，我們要確保機台健康並在異常的早期及時偵測與因應，我們也得數位化以蒐集相對應的數據。

首先，工廠之所以會購買並運轉機台，無非是要接訂單後開動機台生產，如期如質交貨給客戶來賺錢。因此相關的數據例如訂單、原料與工單等IT數據（Information Technology，資訊技術），得透過SI蒐集（System Integration，系統整合）。

機台主體數據則是透過機聯網技術，讓機器說話取得數據。而額外加裝的感測器例如振動，或是工廠環境參數例如廠房溫度，則透過物聯網技術蒐集。這二者我們常統稱為OT數據（Operational Technology，運營／操作技術）。

有了這些數據只是做到第一步「數字化（Computerization）」，如圖二所示，接下來還得聯網化（Connectivity），並按其前後因果關係，勾稽串接整合，如圖三所示。

圖二. 物聯網／機聯網的OT數據與系統的IT數據因果整合成為全方位數據

圖三. 因果整合才能以果推因找根因、以因預測果來優化

例如有了訂單才會開動機器並設定加熱器加溫到幾度，所以訂單的製程參數值就是「因」，加熱器的設定值就是「果」；而加熱器啟動後溫度開始上升，溫度感測器的數據又是加熱器設定值這個因的果；而機台生產是否是良品，其實機台本身是不知道的，得靠品質檢驗的數據，也因此得把成品檢驗（OQC）的果，串接回機台的因。

如此總總，當我們把眾多數據的前後因果整合後，才能夠在出問題時以果推因，找到根本原因（根因）；也才能在建立模型後以因預測果，透過動態微調因來優化果。

延伸閱讀：掌控全方位機台行為數據，落實數位轉型之路