一、學習目標
- 理解**預測性維護（Predictive Maintenance）**的運作原理與導入效益
- 掌握**電腦視覺（Computer Vision）**在品質缺陷檢測中的技術架構
- 說明**強化學習（Reinforcement Learning）與數位孿生（Digital Twin）**如何優化產線排程
- 了解 AI 在**供應鏈管理（Supply Chain Management）**的四大應用場景
- 熟悉台灣經濟部製造業 AI 導入指引重點與三大導入挑戰
二、核心內容
2.1 工業 4.0 與製造業 AI 全景
製造業是台灣產業的核心支柱，也是 AI 落地效益最顯著的領域之一。「工業 4.0（Industry 4.0）」的概念將智慧感測、大數據、AI 與自動化整合為一體，形成**智慧製造（Smart Manufacturing）**的完整生態系。
生活類比：
傳統工廠就像一位每天固定時間去看醫生做健檢的病人——不管健不健康都一樣的頻率。而導入 AI 之後，工廠更像穿上了智慧手環的現代人：感測器持續監測、AI 即時分析，身體稍有異狀就提早預警、精準就醫。主動預防取代被動修復，是製造業 AI 的核心精神。
製造業 AI 四大應用領域：
| 應用領域 | AI 技術 | 核心價值 |
|---|---|---|
| 預測性維護（Predictive Maintenance） | LSTM、Gradient Boosting、IoT 感測 | 設備故障前預警，減少非計畫停機 |
| 品質缺陷檢測（Quality Inspection） | CNN、電腦視覺、AOI 系統 | 取代人工目視，提升檢測速度與一致性 |
| 產線排程優化（Production Line Optimization） | 強化學習、數位孿生 | 動態調整排程，最大化產能與彈性 |
| 供應鏈管理（Supply Chain Management） | 需求預測、庫存優化、路線規劃 | 降低庫存成本、提升配送效率 |
2.2 應用一：預測性維護（Predictive Maintenance）
預測性維護是指透過持續收集設備的運作資料，利用 AI 模型分析異常模式，在設備發生故障之前預測並排程維修。
生活類比：
傳統維護像「車子壞了才去修」，預防性維護像「每三個月固定保養」，而預測性維護則像「AI 即時監測引擎聲音與油溫，發現某個零件未來兩週內會失效，提早在週末低峰排定更換」——對的時間，做對的事。
技術架構：
| 層次 | 技術 | 說明 |
|---|---|---|
| 資料採集層 | IoT 感測器（振動、溫度、電流、壓力） | 每秒或每分鐘取樣設備運作狀態 |
| 特徵工程層 | 時間序列特徵萃取（FFT 頻譜分析） | 從原始訊號提取有意義的模式 |
| 預測模型層 | LSTM、Gradient Boosting、Isolation Forest | LSTM 擅長時序依賴，Gradient Boosting 適合結構化特徵 |
| 決策層 | 剩餘使用壽命（RUL）預估、警示系統 | 輸出「距離故障還有 X 天」的可操作預測 |
導入效益：
| 指標 | 效益 |
|---|---|
| 非計畫停機時間 | 減少 15～30% |
| 維護成本 | 降低 10～25%（精準維護，不浪費零件） |
| 設備使用壽命 | 延長 20～40% |
| 人身安全 | 減少設備突發故障造成的意外傷害 |
考試重點：預測性維護的三種維護策略比較——事後維護（Corrective Maintenance）：壞了才修；預防性維護（Preventive Maintenance）：定時保養；預測性維護（Predictive Maintenance）：AI 預測時機，在故障前精準維修。iPAS 考試常考三者差異與各自的成本效益取捨。
2.3 應用二：品質缺陷檢測（Quality Inspection）
自動光學檢測（AOI，Automated Optical Inspection）結合卷積神經網路（CNN，Convolutional Neural Network），已成為半導體、PCB、面板等精密製造的標準品管流程。
生活類比：
過去品管員每天盯著顯微鏡找瑕疵，眼睛痠了注意力就散，下午的漏檢率比早上高出許多。換成 AI 視覺系統後，攝影機 24 小時不間斷，每秒檢測數百個零件，判斷標準永遠一致，不會因為快下班就「睜一隻眼閉一隻眼」。
技術流程：
[工件輸送帶] → [工業相機拍攝] → [影像前處理] → [CNN 模型推論]
↓
[缺陷分類] → [OK 品 / NG 品 分流] → [NG 品自動剔除 + 缺陷報告]核心技術：
| 技術 | 應用場景 | 說明 |
|---|---|---|
| CNN 分類模型 | 將零件影像分為「良品」與「缺陷品」 | ResNet、EfficientNet 等架構常用 |
| 語意分割（Semantic Segmentation） | 精確定位缺陷的位置與形狀 | 用於需要精確缺陷定位的場景 |
| 異常偵測（Anomaly Detection） | 只用良品訓練，任何偏離均視為異常 | 適合缺陷樣本稀少的場景 |
| 遷移學習（Transfer Learning） | 利用預訓練模型快速適應新零件類型 | 減少標注資料需求 |
AOI 系統 vs. 人工目視比較：
| 比較維度 | 人工目視 | AI AOI 系統 |
|---|---|---|
| 檢測速度 | 慢（受體力限制） | 快（每秒數百件） |
| 一致性 | 易受疲勞影響 | 標準固定，全天一致 |
| 重複性 | 低（人員流動） | 高 |
| 缺陷類型覆蓋 | 依靠人眼與經驗 | 可訓練識別人眼難以察覺的微細缺陷 |
| 初始成本 | 低 | 高（設備、訓練資料、整合） |
考試重點：**AOI（Automated Optical Inspection）結合 CNN 是製造業品質檢測的標準做法。當缺陷樣本極少時，應使用異常偵測（Anomaly Detection）**而非傳統分類模型——因為無法收集足夠的缺陷樣本做監督式學習。
2.4 應用三：產線排程優化（Production Line Optimization）
製造排程是一個高度複雜的組合最佳化問題：數十種產品、數百台機台、交期壓力、換線時間……傳統 MES（製造執行系統）依靠固定規則，無法即時因應突發狀況。
強化學習（Reinforcement Learning）排程：
生活類比：
RL 排程就像一位每天在工廠學習的智慧調度員：剛開始亂排，逐漸摸清楚「哪台機台排這個產品最快」「哪種順序換線成本最低」，透過數千次模擬試錯，找到人類排程師靠直覺也難以發現的最優解。
| RL 元件 | 在排程中的對應 |
|---|---|
| 狀態（State） | 當前機台狀態、訂單佇列、緊急程度 |
| 動作（Action） | 選擇下一個派工哪台機台、處理哪張工單 |
| 獎勵（Reward） | 準時交貨 → 正獎勵；逾期或閒置 → 負獎勵 |
數位孿生（Digital Twin）：
數位孿生是實體工廠的虛擬複製品，能即時同步實體設備狀態，在虛擬環境中先模擬各種排程方案，找出最優解後再下達給實體產線。
[實體工廠] ←── 感測資料同步 ──→ [數位孿生虛擬模型]
↓
[模擬 1000 種排程方案]
↓
[選出最優方案]
↓
[實體工廠] ←── 下達最優排程 ──────────────考試重點：數位孿生（Digital Twin） 的核心價值是「在虛擬環境中低成本試錯，在實體環境中執行最優解」。與強化學習結合時，RL 在數位孿生中訓練，避免直接在實體產線反覆試錯造成損失。
2.5 應用四：供應鏈管理（Supply Chain Management）
供應鏈涵蓋從原物料採購到最終產品交付的完整流程，AI 在四個節點上發揮作用：
| 供應鏈節點 | AI 應用 | 核心演算法 |
|---|---|---|
| 需求預測（Demand Forecasting） | 預測未來銷售量，提前備料 | ARIMA、Prophet、LSTM |
| 庫存優化（Inventory Optimization） | 計算安全庫存、再訂購點，減少積壓 | 強化學習、動態規劃 |
| 物流路線規劃（Logistics Routing） | 計算最低成本配送路徑 | 遺傳演算法、圖神經網路 |
| 供應商風險管理（Supplier Risk） | 預測供應商延遲或斷鏈風險 | 異常偵測、NLP 新聞監控 |
生活類比：
供應鏈就像一條水管系統：需求預測決定「要打開多大的水龍頭」，庫存優化決定「水塔要蓄多少水才不會斷水也不溢出」，物流路線規劃決定「水怎麼最快流到每戶人家」，供應商風險管理則是「上游水源有沒有乾旱風險的預警系統」。
2.6 台灣脈絡：經濟部製造業 AI 導入指引
台灣經濟部工業局發布的《製造業 AI 導入指引》提供企業系統化的 AI 導入路徑，重點如下：
| 指引面向 | 核心建議 |
|---|---|
| 痛點優先 | 從最高成本/最高風險的製程痛點切入，而非追求全面 AI 化 |
| 資料治理先行 | AI 專案啟動前，先確保感測資料的品質、完整性與標注能力 |
| POC → 擴展 | 以概念驗證（Proof of Concept）小規模試驗，驗證 ROI 後再擴展 |
| 人機協作 | AI 系統輔助人員決策，而非完全取代——維持人員對關鍵製程的理解 |
| 跨部門協作 | IT、OT（操作技術）、品保、製程工程師需共同參與 AI 專案 |
2.7 三大導入挑戰
挑戰一：舊設備整合（Legacy System Integration）
生活類比：
想讓一台 1990 年代的車床「說話」並不容易——它沒有數位輸出接口，得先加裝感測器、資料採集模組（DAQ）、通訊協定轉換器，才能讓 AI 「聽到」設備的狀態。
| 挑戰 | 說明 | 對策 |
|---|---|---|
| 舊設備無數位接口 | 老舊機台無法直接輸出數位訊號 | 加裝 IoT 感測器與 DAQ 模組（加速器計、熱像儀） |
| 異質通訊協定 | Modbus、OPC-UA、MQTT 等協定混用 | 部署邊緣閘道器（Edge Gateway）統一協定轉換 |
| 資料孤島（Data Silo） | 各廠房、各設備的資料無法互通 | 建立工廠資料平台（FDP），統一資料格式與存取介面 |
挑戰二：邊緣運算需求（Edge Computing Needs）
製造現場對**即時性（Latency）**要求極高——AOI 品檢需要毫秒級回應，無法等待資料傳到雲端再回傳結果。**邊緣運算（Edge Computing）**將 AI 推論部署於產線旁的本地設備，降低延遲、減少頻寬需求，並解決工廠網路不穩定的問題。
| 部署模式 | 適用場景 | 特性 |
|---|---|---|
| 雲端推論 | 非即時分析（報表、預測） | 算力強，延遲高（秒級） |
| 邊緣推論 | 即時品檢、即時控制 | 延遲低（毫秒級），算力受限 |
| 混合架構 | 邊緣推論 + 雲端訓練 | 最常見的製造業部署方式 |
挑戰三：人員提升技能（Workforce Upskilling）
導入 AI 不只是技術問題，也是組織問題。製造業現場人員需要：
- 基礎 AI 素養：了解模型預測的信心度，知道何時信任 AI、何時要人工介入
- 異常處置能力：AI 系統出現異常或誤判時的標準作業程序（SOP）
- 資料標注能力：品管人員需具備協助標注訓練資料的基本能力
三、關鍵名詞中英對照
| 中文 | 英文 | 說明 |
|---|---|---|
| 預測性維護 | Predictive Maintenance | 利用 AI 預測設備故障時機，提前排定維修 |
| 事後維護 | Corrective Maintenance | 設備故障後才修復的維護方式 |
| 預防性維護 | Preventive Maintenance | 按固定週期定時維護，不論設備狀態 |
| 剩餘使用壽命 | Remaining Useful Life (RUL) | 設備在失效前預計還能正常運作的時間 |
| 自動光學檢測 | Automated Optical Inspection (AOI) | 以電腦視覺自動偵測製造缺陷的系統 |
| 卷積神經網路 | Convolutional Neural Network (CNN) | 影像識別的核心深度學習架構 |
| 異常偵測 | Anomaly Detection | 從正常樣本學習，偵測任何偏離正常的情況 |
| 遷移學習 | Transfer Learning | 利用預訓練模型的知識快速適應新任務 |
| 語意分割 | Semantic Segmentation | 對影像中每個像素分類，精確定位缺陷區域 |
| 數位孿生 | Digital Twin | 實體設備或工廠的虛擬複製模型 |
| 強化學習 | Reinforcement Learning (RL) | 透過試錯與獎勵學習最優決策策略的機器學習方法 |
| 製造執行系統 | Manufacturing Execution System (MES) | 管理工廠生產流程的資訊系統 |
| 需求預測 | Demand Forecasting | 利用歷史資料預測未來銷售需求量 |
| 庫存優化 | Inventory Optimization | AI 計算最低成本的安全庫存水位與補貨策略 |
| 物流路線規劃 | Logistics Routing | 計算最低成本或最短時間的配送路徑 |
| 邊緣運算 | Edge Computing | 在靠近資料來源的本地設備執行 AI 推論 |
| 資料孤島 | Data Silo | 各系統資料無法互通共享的問題 |
| 操作技術 | Operational Technology (OT) | 監控和控制工業設備的硬體與軟體系統 |
| 工業 4.0 | Industry 4.0 | 整合數位技術與製造的第四次工業革命 |
| 智慧製造 | Smart Manufacturing | 運用 AI、IoT、大數據提升製造效率與彈性 |
四、考試重點提示
考試重點：三種維護策略的差異——事後維護（壞了才修）、預防性維護（定時維護）、預測性維護（AI 預測時機）。預測性維護能減少非計畫停機 15～30%，但需要穩定的感測資料流與足夠的歷史故障資料。
考試重點：AOI 缺陷檢測的核心技術是 CNN（分類良品/缺陷品）。當缺陷樣本稀少時，改用異常偵測（Anomaly Detection）——只用良品訓練，任何偏離均視為異常。這個策略選擇題型是 iPAS 常見考點。
考試重點：**數位孿生（Digital Twin）**的核心價值是「虛擬模擬試錯，實體執行最優解」。結合強化學習時，RL Agent 在數位孿生環境中訓練，避免在真實產線試錯的代價。
考試重點：**邊緣運算（Edge Computing）**在製造業的必要性——AOI 品檢需要毫秒級回應，無法承受雲端往返延遲。邊緣部署 = 低延遲 + 低頻寬需求，代價是算力受限。
考試重點：**舊設備整合（Legacy System Integration）**是製造業 AI 最常見的第一道門檻。解法是加裝 IoT 感測器 + 邊緣閘道器做協定轉換，再連接工廠資料平台。
Q1. 某工廠發現一台 CNC 機台平均每 200 小時發生一次主軸異常，過去採取每 150 小時固定更換零件的策略。現在導入 AI，透過振動感測資料預測「未來 24 小時內故障機率超過 80% 才更換」。這屬於哪一種維護策略的轉型？
- A. 從預防性維護轉型為預測性維護
- B. 從事後維護轉型為預防性維護
- C. 從預測性維護轉型為事後維護
- D. 從預防性維護轉型為事後維護
Q2. 半導體廠的 AOI 系統在訓練缺陷分類模型時，發現良品樣本有 50,000 張，但缺陷品樣本只有 30 張，嚴重不足。此時最適合採用哪一種 AI 策略？
- A. 繼續收集缺陷品直到達到 50,000 張再訓練
- B. 採用異常偵測（Anomaly Detection），只用良品訓練，偵測任何偏離正常的影像
- C. 將 30 張缺陷品重複複製 1,667 次以平衡資料集
- D. 使用規則式系統（if-else 邏輯），不使用 AI
Q3. 關於**數位孿生（Digital Twin）**在製造業的應用，下列敘述何者最正確？
- A. 數位孿生是工廠的 3D 模型，主要用於展示廠房給客戶參觀
- B. 數位孿生能即時同步實體設備狀態，在虛擬環境中模擬各種方案，選出最優解後再執行於實體產線
- C. 數位孿生取代了所有實體感測器，不再需要 IoT 設備
- D. 數位孿生只適用於新建工廠，舊工廠無法使用
Q4. 某電子組裝廠的 AI AOI 系統在生產線上即時檢測 PCB，要求從拍攝到輸出判斷結果的延遲不得超過 50 毫秒。下列哪一種部署架構最適合？
- A. 將所有影像傳送至公有雲平台推論，再回傳結果
- B. 在生產線旁部署**邊緣運算（Edge Computing）**設備，於本地執行 AI 推論
- C. 由人工目視確認 AI 推論結果，再決定是否放行
- D. 降低 AOI 檢測頻率，改為每 10 件抽查 1 件
Q5. 台灣經濟部製造業 AI 導入指引建議，企業在啟動 AI 專案前應先確保哪一項基礎工作？
- A. 採購最新的 GPU 伺服器叢集
- B. 招募至少 10 名 AI 博士工程師
- C. 先確保感測資料的品質、完整性與標注能力（資料治理先行）
- D. 與國際 AI 大廠簽訂排他性合作協議
解答與解析
| 題號 | 答案 | 解析 |
|---|---|---|
| Q1 | A | 每 150 小時固定更換是「不管設備狀態都定時做」，屬於預防性維護；改為 AI 預測「高故障機率才更換」，屬於預測性維護。兩者的關鍵差異在於：預防性依賴固定週期，預測性依賴即時狀態判斷。選 B 錯在原本策略已非事後維護；C、D 方向錯誤。 |
| Q2 | B | 當缺陷樣本極少時，無法訓練有效的監督式分類模型。**異常偵測（Anomaly Detection）**只需良品訓練，模型學習「正常影像的分布」，推論時任何偏離正常的影像都視為缺陷——完全不需要缺陷樣本。選 A 不切實際（工廠不可能故意生產缺陷品）；選 C 簡單複製不能增加資訊多樣性，效果差；選 D 放棄 AI 是最差選項。 |
| Q3 | B | 數位孿生的核心是即時同步 + 虛擬模擬：實體設備的狀態持續映射到虛擬模型，虛擬環境中可安全地模擬各種操作方案（如排程、參數調整），找到最優解後再下達給實體產線，避免直接在實體環境試錯的風險與成本。選 A 只說了展示功能，遠不足；C、D 均與事實不符。 |
| Q4 | B | 50 毫秒的延遲要求無法透過雲端達成（雲端往返延遲通常超過 100 毫秒，加上網路波動更不穩定）。邊緣運算將 AI 推論部署於產線旁的本地設備，可達到毫秒級回應，是製造業即時品檢的標準架構。選 A 延遲不符合要求；C、D 都降低了檢測效率與覆蓋率。 |
| Q5 | C | 經濟部導入指引強調**「資料治理先行」**——AI 模型的品質完全依賴訓練資料的品質。在感測資料不完整、標注不一致的情況下，再好的演算法也無法建立可靠的 AI 系統。選 A、B 是工具與人才，但沒有好資料就無用武之地；選 D 是採購決策，與資料基礎無關。 |