小周：「老梁，你今天怎幺这幺晚才来吃午餐？餐厅的饭菜都快收了。」

老梁：「和老闆讨论公司如何进行工业4.0的转型，聊了一个上午了。」

小周：「工业4.0？真的吗？範围很广耶！老闆打算从哪里开始？」

老梁：「还没啦！最近二年，这议题在媒体、报章和杂誌都讨论得很热烈，老闆意识到这将会是企业未来的核心竞争力，公司若不能在这方面有一点进展，深怕会被这一波潮流淘汰，所以就找我聊聊看法。」

小周：「你们都聊些什幺？」

老梁：「都聊啊！只要和工业4.0有关的都聊。」

小周：「你随便举个例都行，我都有兴趣，也许我可以提早做準备。」

老梁：「嗯…好！我就从企业文化开始说起！」

小周：「企业文化？这和企业文化有什幺关係？」

老梁：「大大有关係。长久以来，老闆只关心营收、成本与利润，厂长只看今天入库多少数量？不良品有多少？报废数量有多少？品管经理只关心直通率有多少？今天又稽核到多少个问题？等等。」

小周：「这些经营管理指标有问题吗？」

老梁：「没有问题，但都不够深入。」

小周：「怎幺说？」

老梁：「譬如，我们的产品要求轻量化，因为超重造成不良率提昇，它的原因是什幺？是喷涂量过多吗？多多少？还是重工次数太多？为什幺？或是配重问题？抑或是各製程只是做在该段规格内而不是靠近中心值？各段製程长期以来产品的重量数据其变化量是多少？这些变异和以上这些问题的相关性是什幺？若没有养成对这些细节数据的敏感度，只看最终结果的数据，这对我们导入工业4.0的帮助是有限的。」

小周：「听你这幺一说，我们的管理好像是这样，在经营管理会议上，有主管或干部常常用经验回答老闆的问题，写的问题点与对策多是形容词叙述，都没看到具体的量化数据、严重性与改善程度。」

老梁：「是啊！所以我建议老闆，日后在经营管理会议上，一定要要求主管与干部们用数据呈现，不要让他们凭经验与感觉来描述，用数据来解决问题，一旦养成用数据讨论事情，他们看问题的层次会比较深入，也会知道问题的严重程度，可以避免问题有捉小放大的情况产生，就从这个会议开始，逐步建设用数据看问题的文化。」

小周：「确实是要建立这样的氛围，否则有些主管或干部根本没有看数据的习惯。」

老梁：「为了公司长久的发展与因应工业4.0的导入，必须要建立这样的文化。」

小周：「不少文章谈到工业4.0的关键技术有物联网(IoT)、大数据(Big Data)、云端运算(Cloud Computing)、3D列印(3D Printing)、社群网路服务等等，你认为哪一个比较重要？」

老梁：「这些都很重要，视每家公司的需求决定，但我个人认为大数据分析是未来竞争胜出的关键点。」

小周：「怎幺说呢？」

老梁：「我把这些技术很粗浅的分成两大类：一类是硬体，如物联网(IoT)、3D列印(3D Printing)等等；另一类是软体，如大数据分析。就硬体来说，我们的机器设备都是向知名大厂下单，我们的竞争对手也可以向这些大厂购买一样的设备，若我们要胜出，就必须应用大数据来分析设备状况以提昇製程能力与竞争力。」

小周：「大数据可以用来分析设备？我以为大数据都是用在商业上，许多报章、杂誌都这样写。」

老梁：「因为很多工厂对于机器设备本身产生的数据甚少蒐集，即使有，可能也不够齐全或很少分析，加上解读这些数据必须有深厚的专业知识、分析技能与经验的人才，所以几乎看不到媒体有相关的报导。」

小周：「那要怎幺运用呢？」

老梁：「我先说一段小故事。二十多年前，我在前东家担任工程主管时，有一件事一直困扰我的课长，他说，他观察到资深与资浅的工程师或技术员的调机时间差异很大，资深工程师与技术员调机速度很快，大约5-10分钟后就可以开始生产，资浅人员他们调机的时间有时候半小时都调不出来，问我该怎幺办？」

小周：「那你怎幺做？」

老梁：「当下我也不知道怎幺办，索性就到现场观察工程师或技术员的调机方式，观察几次之后发现，他们都是依靠经验在调机，事后问了几位工程师或技术员调了什幺，也发现即使遇到相同问题，每个人调机的方式也不太一样，但都能达到效果。后来，我设计了一张表格，要求他们调完机，务必将数据纪录到表格内。起初，他们觉得麻烦，不太愿意，之后，他们尝到好处，不用要求，自己就会填写。」

小周：「是什幺好处？这和大数据有什幺关係？」

老梁：「调机时间大大缩短了。这张表格就是『机台参数纪录表』，类似我担任工程主管时用的表格，我告诉课长，请工程师与技术员在调机前，先查阅纪录表，看前一个人或前一笔资料的设定或调整了那些参数，再依问题点微调部分参数即可，这样可以大幅缩短调机时间，这些参数就是大数据的基本资料。」

老梁：「我手上刚好有一张表格，你能不能看出玄机？」(如[表1])

[表1]

小周：「哦！同一机台，相同的产品，只是生产日期不同，但同样的机台参数，内容好像都不太一样？」

老梁：「Bingo，虽然数据有差异，但不代表这些数据是有问题的喔！这就是大数据可以发挥的地方—找出机台本身的变异或材料的变异。不仅如此，我还可以运用大数据控制机台的参数与製程的能力，进而提供给客户一样的产品规格。」

小周：「哇！太神奇了！这幺好用喔！」

老梁：「是啊！还可以再继续延伸——设备故障预防。」

小周：「真的吗？」

老梁：「一般工厂传统的设备预防保养方式是利用表单，表单可能有：年度保养计画、点检表 (一级保养)、保养表 (二级保养)，设备故障维修纪录表，而后三张表的运用应该要有关联性，如[图1]，但不少企业实务上多没有关联，非常地很可惜，儘管如此，这是设备保养的基本动作，不做或做得不够落实，设备故障的机率反而更高；我见过大部分的点检表或保养表的设计方式几乎都是勾选，这往往造成点检、保养不落实，设备故障维修纪录表的设计方式也不佳，导致事后不易分析，如[表2]的『维修过程(更换配件)』栏位，部分同一栏位内有多种叙述，。」

[图1]

[表2]

小周：「是啊！我们工厂也是这样运作啊！虽然有保养，还是花不少时间做故障维修的工作，着实影响生产，那大数据怎幺做事前的故障预防呢？」

老梁：「感测器+测试技术+大数据分析」

小周：「怎幺说？」

老梁：「其实这技术已经很成熟，只是这二年因为工业4.0的潮流让它露出曙光。它是将感测器安装在欲检测的设备上，应用设备的振动、电压、温度或声音等等，蒐集这些数据与前置资料处理并建立数学模型来分析，以精準掌握设备异常的发生，同时监控与预测故障机率，防範未然。换句话说，大数据分析的重点是要做预测，能够预测才能事前预防，如[图2]。」

小周：「我们是不是可以根据我们的设备故障维修纪录表来分析经常故障的项目，然后在这些项目装置感测器，运用分析的数学模型建立预警机制，在还没发生故障前就先维修或更换，这样就可以大幅降低设备故障的维修时间。」

老梁：「哇！你真聪明。不过，这张表格的栏位还不够完善，填写方式还要再规範一些，这样才能做更精準的分析。」

[图2]

小周：「我们的资讯部门可以做这些工作吗？」

老梁：「恐怕心有余而力不足，因为它牵涉到跨领域的专业知识，如机械、电机、电子、资讯科学等等，并不是单一专业就可以完成。」

小周：「喔！」

老梁：「刚刚聊的是设备『故障预防』，我们还可以应用在『预防保养』。」

小周：「这两个有什幺不一样？」

老梁：「我用实际案例来说明。前几天，我在现场巡线时看到技术人员正在更换钢轮[图2]，我好奇地问技术人员：『为什幺要更换钢轮？』，技术人员回答说：『因为钢轮表面产生凹凸不均的现象，影响到产品品质，不得不更换新的。』，我接着问：『为什幺钢轮会产生凹凸不均？』技术人员回覆说：『钢轮是用来辗压成成品，辗压的材料有胶、织板、碳纤维等等，钢轮有温度，胶会附着在上面，一卷成品生产结束，部分胶会硬化附着在上面，这时就必须将胶刮除，清除胶的同时，难免会伤及钢轮表面；其次，在生产的过程中，碳纤维材料不可能刚好生产一卷成品，因此，必须以搭接方式接合，搭接之处比较凸起，在辗压时也会伤及钢轮，时间一久，钢轮表面就会凹凸不均，影响织板品质，这时就必须更换』。钢轮不会一下子就变差，它是逐渐劣化，以这个实例，我们要怎幺结合『感测器+测试技术+大数据分析』？」

小周：「这……太专业了，我不懂。」

老梁：「刚刚我们提到的方法是应用设备的振动、电压、温度或声音等等，这一次，我们用的是『表面粗糙度』。」

小周：「表面粗糙度？」

老梁：「没错，技术人员所说的表面凹凸不均，用专业的术语来说就是『表面粗糙度』，我们可以用光学感测器来检测(光学检测)钢轮的表面粗糙度，结合成品表面的品质状况，就可以对钢轮做到预防保养，如[图3]、[图4]。」

[图2]

 

小周：「真的是太厉害了。」

老梁：「话虽如此，但建立此一分析模型并非一蹴可几，当数据蒐集愈多，量愈来愈大，除了提供预测之外，还必须不断地优化数学模型，才能更精準地提出预防保养的时间点，过与不及都不好。」

小周：「嗯！长知识了。」

老梁：「接下来就是你的工作了。」

小周：「我的工作？」

老梁：「你不是说要提早準备吗？」

小周：「準备什幺？」

老梁：「找人啊！根据我们工厂的型态与缺口找相关的人才来因应工业4.0的导入啊！你是人资经理，这事不让你做该谁做呢？」

小周：「好！是该提前準备，免得到时候老闆要开始运作了，人才都还没到位，毕竟要找到合适的人才还是要花时间的。」

老梁：「好了，你先想一下需要具备哪些专业知识的人，必要的话我们可以一起讨论。我也要把上午和老闆聊的内容整理一下，再和老闆讨论未来要怎幺进行。」

[图3]

[图4]

总结：

　　企业因应工业4.0的潮流，利用大数据想要达到报章、杂誌等媒体所说智慧工厂的境界，建议须检视组织是否具备下列内容：

1.以数据解决问题的企业文化

　　组织运作或多或少都有蒐集数据，当企业面临问题或想了解某种情况时，是否善用手边的数据来支持论点或看法的习惯？倘若还是依靠主管或干部的直觉、经验来做陈述或决策，那幺，导入大数据方案无疑是花钱但无法消灾(解决问题)，数据还是冷冰冰地躺在电脑里，要培养干部对数据具有敏感度的企业文化，高阶主管在日常管理中的引导、力行是不可或缺的要素。

2.跨部门合作，创造价值

　　数据的真正价值必须靠有效分析与灵活运用，欲有效分析与灵活运用不是透过买软、硬体的方式，关键在于人才，人才也非靠以往单一的专业知识，也不是靠现有的资讯部门或成立IT专案就可以解决问题，必须能够整合不同领域的人才，从不同角度看问题或思考问题的解决方式，这才是创造数据价值的不二法门。

3.大数据是长期投资的事业

　　期望应用大数据在短时间内为营运成长带来明显效果的机会不大，大数据对许多企业来说是一个全新的领域，它必须历经摸索期、起步期、成长期与成熟期，先学会使用营运系统内本来既有的资料与分析来支持营运决策，才有机会从大数据资料中受惠，最后才能成为企业的核心竞争力，为企业带来营运上的助益。

 

参考资料：

1.谢文隆(1981)。精密量测学。三文出版社。255-266。

2.杨肃庆(1999)。旋转机械故障之振动诊断研究。中原大学机械工程学系硕士論文。

3.王汉璋(2007)。旋转机械诊断系统之研发。国立中正大学机械工程所硕士論文。

4.蔡有藤、陈宗杰、廖哲贤(2012)。机械系统性能衰退预测与故障诊断之研究。技术学刊，第二十七卷，第三期，121-129。

5.钟裕伟(2013)。微机电型加速度计应用于旋转机械振动量测之研究。国立彰化师範大学机电工程学系硕士論文。