在前三集中，我們談到工廠日常生活裡，常發生與偶爾發生的機台故障排除場景。接下來我們來看看機台在真正故障有Error Code之前，在異常階段是否也可以盡早發現，避免直接掛掉後匆忙因應所帶來的額外損失。

我們在工廠日常中有時會遇到某個感測器偶爾超標，但一閃即逝，很快就自動恢復正常。想去檢修，卻一如往常。然後呢，其實並沒有然後，只能學周星馳把這一切當作幻覺，沒有發生過。

有時則會遇到數據微微超標，卻沒有高過警戒值，所以不會有Error Code。若人們沒有主動查看的話，或許永遠也不會知道曾經發生過。但這很可能是未來故障的早期預兆。沒有偵測到這些數據的（微）病症，那未來很可能就直接故障，而沒有任何緩衝預警時間。

延伸閱讀：彈性高效率的生產排程，需先掌握精準的標準工時

要壞不壞，最麻煩但也最重要

我們以第三集雷同的例子來說明，如圖一所示，這一次機台內的泵浦馬達其實要壞不壞。這最頭痛，因為它還是會轉，所以機台不一定會停機亮紅燈。但偶爾，就是這個「偶爾」，轉速會偏低，造成管線內的流量計數據，也會偶爾偏低。過個幾分鐘，這個偶爾的流量不足會造成偶爾的過熱，所以溫度偶爾也會被拉高。

這一堆的「偶爾」，往往讓人束手無策。遇到這種情況大多就是擺「乖乖」，祈求不要再發生了。但是實際上這也是未來大故障的早期預兆，擺乖乖不過是自欺欺人，會發生的，還是會發生；沒抓出來，未來面對的就是突然的掛掉。

圖一. 微病症與病因的對應關係示意圖

S (Sensing) 感知數據

如圖二所示，SUPA的S (Sensing)是感知數據偏差，也就是病症偵測，這是第一步也是最關鍵的一步，因為這是整個SUPA的源頭，若無法有效感知，後面的機制就不會被數據驅動了；但若過多假警報無限量感知，也會讓人疲於奔命，不但浪費了過多資源，更重要的是會因而拖累真警報處理的黃金時機。

圖二. 建構數智工廠的SUPA機制以穩定機台生產

感知數據主要區分為二類：第一類是如何把已經發生過的歷史案例，其背後的經驗與智慧可以固化（具體化）保存下來；第二類是對於未知尚未能偵測病症的數據，可以有工具協助偵測。

首先我們要知道，機台內OT時序性數據其實是很複雜，大部分的樣態都不會如圖三的左圖一樣單純，可以靠簡單的UCL／LCL卡控來判讀病症；而是如圖三的右圖一樣，彎彎曲曲非常複雜，很難簡單判讀來偵測病症。

圖三. 把老師傅所判讀的機台OT數據的智慧給「固化」(具體化)

所以，針對第一類保存歷史案例的判讀智慧，我們可以把老師傅所判讀過的數據，以Lot／pcs為單位把連續的時序數據切段，依好學生一組、壞學生一組分類，並都分成訓練組與驗證組。

然後把訓練組送入神經網路訓練模型後用驗證組確認。待模型收斂完成後，就等同把這些歷史案例中的智慧，已經保存在模型中了。後續就可以用這模型來感知數據偏差S (Sensing)，形同一位數位老師傅，亡羊補牢，24小時全年無休的自動偵測是否有病症。

延伸閱讀：IT+OT如何鏈接？讓老師傅的經驗值結合智控現場，邁向未來管理樣貌

針對第二類以圖四為例，企業要做好碳與能源管理，得先從老闆設定適當的用能（電）／碳的KPI著手，再用系統可視化每個人的即時成果，當大家都可以知道自己的用能（電）／碳管理做得好不好時，才能以自身專業努力朝向淨零碳排前進。

問題是，用能（電）／碳的數據往往高高低低，直接可視化很難看出其所以然，如圖四右上角的真實案例，只以每個月一筆的台電電費單的用電度數來呈現可視化，根本無助於廠長管控用電。

圖四. 透過AI模型來協助控碳達到智慧減碳

但若把用電數據整合用電原因，比如說產量，再加上外部環境參數，比如說外氣（Outdoor Air）溫度後用AI建模，我們就可以找到如圖四右下角紅色的那一條線，稱之為基線（Baseline），也就是在這些條件下預估合理用電量應該是多少。再對照感測器的實際用量，確認使用上是否合理。

兩種數據比較後就會發現，在最後兩個月用電確實超標，讓公司因而損失了27萬台幣，這不是小數目。而且看似超標比率不高（僅約10%），但經徹查後發現原因出自於某一機台，因為故障造成異常耗能。

此單機的異常耗能已經超過100%。還好及早發現，不然的話不是燒壞，這會讓產線中斷；或者直接燒起來，這更嚴重，若造成火災說不定會被勒令停工。所以，透過AI模型所建構的基線，也可以形同另一位數位老師傅，針對此特定場景，24小時全年無休的自動偵測是否有病症。

延伸閱讀：能源管理系統是依據ISO 50001減碳及省電費的關鍵