師傅領進門，AI 修行：如何將「經驗公式」轉化為「演算法」？

發布日期：2026/04/02

摘要關鍵：知識顯性化、人才斷層、PC-Based 系統、時序模型 (LSTM)、軟感測器 (Soft Sensor)、數位資產傳承

一、 引言：守護企業靈魂——將「大師直覺」轉化為「數位內力」

在製造業的競爭版圖中，「人」始終是最寶貴的資產。所有的技術經驗、操作手法，其實都經過經年累月的鍛鍊，最終深化成一種對製程掌控的「內力」。這種內力，就是支配整個押出製程運作的靈魂，也是企業真正的核心競爭力——Know-how。

然而，現狀是殘酷的：老一輩的「守門人」即將退休，而新一代的數位原住民對傳產卻步。身為企業的高階主管或負責人，若將製程控制僅停留在操作員的個人經驗，那無異於將企業的命脈懸於一線。數位轉型不只是換面板，而是要「擷取靈魂」，換句話說我們在做的就是知識顯性化。我們必須在人才交替的斷層發生前，利用 PC-based 系統的高速算力，將這些無形的製程行為數位化、公式化，讓原本存於大腦的經驗，成為工廠內永不磨損的無形資產。

二、 人類感官與數位機械的訊號對決：跨越記憶的極限

在傳統押出車間，人類感知外界訊息的主要來源是視覺（觀察熔體流動），次要則是嗅覺（辨識燒焦味）、觸覺（感受機台震動）與聽覺（監聽馬達節律）。雖然資深操作員在問題發生當下能迅速察覺異常，但人類大腦存在一個致命缺陷：只能短暫記憶剛剛發生的事件。

當一連串複雜的物理現象交織發生時，人的大腦往往會因為資訊過載而「亂了套」，導致最終對製程的修正變得盲目。相對之下，設備雖然簡單、單純，它只會根據指令動作，但它能透過感測器忠實反映物理現狀。

在過去，受限於 PLC（可程式邏輯控制器）的計算成本與通訊架構，我們只能看到片段的數據。但在導入 PC-Based 控制架構 後，所有的訊號——壓力、溫度、扭矩、電流——都被一一精確記錄。它突破了人類的記憶極限，能呈現現在、10分鐘前、乃至數個月前的完整歷史紀錄。當趨勢與異常能被一眼穿透時，電腦便成了輔助決策的最強利器。

三、 數位資訊轉譯：將訊號轉化為企業的無形資產

這個階段就是整個經驗傳承的重要起點，透過經驗者表述他經驗中的記憶，我們則會將這些印象對照到訊號上，呈現出那些記憶中的樣子。而一般機台可記錄的訊號包含各段溫度值與變頻器數值，進階設備則會導入熔膠壓力感測器。這些訊號在 PC-Based 系統的長短期解析下，能轉化為精確的判斷標準（邊界條件, Boundary Conditions）：

訊號類型 短時間解析 (秒/毫秒) 長時間解析 (小時/日) 數位資產轉化 (邊界條件)
各段溫度值 (T) 偵測因剪切生熱導致的瞬間失溫。 分析環境溫差對料筒補償的影響。 定義熱慣性延遲時間、動態溫控補償係數。
變頻器數值 (N) 觀察馬達負載的瞬時波動、熔膠狀態所造成的等效黏度。 分析馬達軸承健康度與螺桿磨耗趨勢。 建立馬達負載安全邊界。
熔膠壓力 (P) 捕捉熔體破裂（Melt Fracture）特徵。 判定濾網堵塞速率與材料黏度穩定性。 定義熔體彈性恢復臨界點。

以上表格只是將比較表層的訊號意義用比較簡單的方式呈現描述，因為實際上可能會因為不同的製程配置而有不一樣的現象所產生，但大多都還是以原來感測器所能直接表達的物理量為主。

另外關於資訊轉譯這件事情有個補充，我們知道溫度訊號就是在表達溫度值在現在的物理當量為何，馬達轉矩也是同樣的道理，但是我們可以經由經典的基本/高階數學工具進行訊號分析，例如:

經過這些工具處理後而得到的進階指標則能夠幫助我們以另一種視角去觀察指標本身的物理含意。

四、 演算法的進化：從簡單 y=ax+c 到深度建模

有了數位記錄以及經過轉譯後的無形資產，我們就會開始導入進階數學建模工具，也就是現在俗稱的AI模型，我們會根據數據的類型特徵，選擇適當的模型進行建置，例如溫度估測模型是相對單純的，一單來說使用羅吉斯回歸或是線性回歸即可滿足大多數的短周期估測需求，然而像高達數小時的長周期監控時，則需要導入RNN或是LSTM的具備時間記憶特徵的時序模型。

另外像是熔膠壓力這樣的訊號，則可以搭配溫度訊號、轉速訊號、轉矩訊號等等，設計出等效於黏度的軟感測器模型，然而這種模型本身的物理模型(顯示黏度公式)是比較複雜且非線性的形式，因此我們會選用隨機森林(RF)或是卷積神經網路(CNN)等模型進行特徵的學習。以上還僅僅是如何開始量化訊號、格式化訊號的模式，真正的演算法則是需要在導入製程控制的框架，例如最簡單的PID控制模型，而上述的這些感測器訊號指標關係就是這些PID參數所需要的進階指標了

最簡單的線性控制或是PID控制器當然還是可以運作，只是隨著產品線複雜、模頭形式複雜、材料多元的關係，控制已經越來越不容易，我們也就需要把過去這些調機人員的經驗慢慢數位化、公式化最後轉化成為數學模式。

1. 時間序列的記憶：從 RNN 到 LSTM

對於押出製程中高達數小時的長週期監控，傳統線性回歸已不足以支撐。我們導入具備時間記憶特徵的時序模型。對於短週期估測，我們使用羅吉斯回歸；而對於具有「歷史影響性」的溫控補償，則需導入 LSTM（長短期記憶網路） 模型：

$$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$$ $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$

2. 虛擬感測器：非牛頓流體的黏度建模

由於物理模型如 Power-Law Model 極其複雜，因此我們希望利用壓力、溫度、轉速與轉矩訊號，構建初等效於黏度變異性的軟感測器模型 (Soft Sensor)：

$$\eta = K \cdot \dot{\gamma}^{n-1} \cdot \exp\left(\frac{E}{RT}\right)$$

為了學習這種特徵，我們會選用 隨機森林 (RF) 或 卷積神經網路 (CNN) 模型。這些模型最終會被封裝進控制框架中。

除了黏度這類惱人的不可直接測量的指標外，在高分子製程當中我們也可以用來監控剪切或是融化狀態等等指標，當然前提是我們要先掌握指標與因子之間的關係，才能夠基於物理模型建構出合理的估測方法。

3. 進階控制：超越 PID 的智慧運作

雖然傳統 PID（比例-積分-微分）控制器依然能夠運作，但其參數（Kp, Ki, Kd）已不再是固定值，而是由 AI 模型根據複雜的材料多元性動態調整。這就是將師傅「因料制宜」的調機手感公式化的最終呈現。

傳統 PID：

$$u(t) = K_p e(t) + K_i \int e(t) dt + K_d \frac{de(t)}{dt}$$

智慧化演算法：透過上述模型的輸出作為自適應參數 (Adaptive Parameters)，讓 PID 控制器能根據材料變動、產品線切換，自動調整其增益指標，完美複製調機人員的微操經驗。

另外我們也能夠擺脫PID這種線性控制系統，直接由機器學習模型根據資料(指標)的變異性進行標籤(目標值)預測，由這樣所組成的非線性系統可以更容易應付看似無章法的調機行為，當然!會需要更多專業押出製程經驗的專業人員協助將數位記錄轉換成為非線性模型可以學習的資料型態。

五、 結語：數位化是換血，演算法是靈魂

身為企業的主管或負責人，數位轉型的決心決定了企業在未來十年是否具備競爭力。當我們能將資深技術者的 Know-how 從不穩定的「人腦記憶」轉化為穩定的「數學模型」，我們不僅是在傳承技術，更是在創造一個永不疲倦、永不退休的數位師傅。

重要的名詞

知識顯性化 (Knowledge Explicitization)
指將原本隱藏在技術者大腦中難以言傳的經驗，透過數據與模型轉化為客觀、可傳授的數位資訊。
軟感測器 (Soft Sensor)
利用現有易觀測的物理量（如扭力、溫度），透過數學模型推導出難以直接測量的關鍵指標（如熔體黏度）。
LSTM (Long Short-Term Memory)
一種特殊的遞歸神經網路，擅長處理與預測時間序列中的長期依賴關係，是監控製程趨勢的核心算法。
邊界條件 (Boundary Conditions)
在數學模型中，定義製程正常運行的極限範圍與初始環境。