凌晨兩點,押出機旁邊的燈還亮著。

我第一次走進線纜廠的夜班現場,看到的就是這個畫面:一位師傅蹲在收線盤前,手上拿著游標卡尺,一段一段量剛跑出來的外被。量到第七段,他站起來,對著操作面板把料溫往下調了三度,然後又蹲回去繼續量。

我問他為什麼是三度。他說,這批料放太久了,比較潮,溫度不降下來表面會有氣泡。我再問,那你怎麼知道是三度不是五度。他笑了一下,說做久了就知道。

那天早上交班,前面那三公里已經跑掉的線,外徑偏擺超出規格,整捲報廢。銅價那陣子正在高點,那捲線的價值,大概等於一個作業員兩個月的薪水。

我後來一直在想那句「做久了就知道」。那不是敷衍,那是真的知識——只是這份知識沒有被寫在任何一個系統裡,沒有進到 MES 的任何一個欄位,也沒有辦法在師傅退休的時候交接給誰。它每天晚上在那台押出機旁邊被使用一次,然後消失一次。

這 30 天,我想做的就是把這件事翻過來。

工廠現在是怎麼學習的

我們先誠實面對一件事:大部分工廠的學習方式,是靠人的記憶力在跑的。

一個新規格進來,師傅憑經驗抓一組起始參數,開機試跑,看結果不對就調,調到對為止。這中間報廢的線材、耗掉的時間,就是所謂的「學費」。學費繳完了,知識進到師傅的腦袋裡。

問題在於,這份知識存在一個很脆弱的地方。師傅請假,知識就當天不可用;師傅離職,知識就永久刪除;師傅換到別條線,知識還得重新繳一次學費。更麻煩的是,這份知識沒有辦法被檢驗——當結果好的時候,我們不知道是因為他調的溫度對,還是因為那天剛好環境濕度低。

所以工廠其實一直在學習,只是學習的成果無法累積,也無法被驗證。每一次的經驗都是孤立的,散落在不同人的記憶裡,彼此不會互相補強。

自我進化系統要解決的,就是這個「累積」的問題。

什麼叫自我進化

這個詞聽起來很大,但拆開來其實只有四個動作,而且要連成一個圈。

第一個動作是感知。 產線上正在發生的事,要能被完整記錄下來——不是只有「這捲線良品或不良品」這種結果,而是過程中的每一個參數。螺桿轉速多少、料溫多少、模頭壓力多少、牽引速度多少、冷卻水幾度、雷射測徑儀在那一秒讀到的外徑是多少。而且這些數字要能對得起來:第 1,250 公尺處的外徑偏大,當時的料溫是多少?這兩筆資料必須指向同一段線材。

這聽起來理所當然,但現實裡大部分工廠做不到。設備訊號在 PLC 裡、品質資料在檢驗報表上、物料資訊在 ERP 裡,三套系統的時間戳記各走各的。資料存在,但拼不起來,等於沒有。

第二個動作是模擬。 有了資料,我們要建一個能「重跑」這條產線的虛擬版本。

這裡要特別講清楚,因為市面上太多人把 Digital Twin 講成一個 3D 動畫。能轉能動的 3D 模型,如果不能回答問題,那它只是很貴的螢幕保護程式。

真正有用的孿生模型,要能回答的是這種問題:如果當時料溫再高兩度,外徑會變成多少?如果把牽引速度拉快 10%,表面會不會出問題?這批新料的熔融指數跟舊料差了 15%,起始參數應該怎麼設?

這種「反事實」的能力,才是 Digital Twin 的價值所在。因為它讓試錯變得很便宜——在虛擬世界裡跑一百次,不用報廢一百公里的線。

第三個動作是決策。 模擬能跑了,接下來就是讓 AI 在這個虛擬環境裡去找更好的操作策略。異常的早期預警、新規格的參數推薦、既有製程的持續優化,都在這一層。

第四個動作,也是最常被忽略的:回寫。

系統給了建議,現場採納了,執行的結果有沒有被記回去?這一步如果斷掉,前面三步全部白做。因為沒有回寫,模型就不會更新,不會更新就不會變準,不會變準現場就更不信任它,更不信任就更不會用——然後這個系統會在半年內變成沒人開的分頁。

閉環,是「自我進化」這四個字裡真正的重點。 前面三個動作只是讓系統會做事,只有第四個動作,才讓系統會變強。

為什麼是線纜

我選線纜來做這個題目,不是因為它特別酷,而是因為它特別合適。

線纜是連續型製程。從拉線、退火、絞線、押出包覆,到成纜、屏蔽、外被押出,線材是不停地往前跑的。這代表所有的物理量天然就是時序訊號,每一秒都在產生資料,不需要額外設計什麼採集節點。

更重要的是,線纜的品質問題有明確的物理機制。外徑偏大偏小,跟拉伸比、牽引速度、料溫脫不了關係;偏心度超標,跟模具對心、料流均勻度有關;表面有氣泡,通常是原料含水或溫度過高。

這件事非常關鍵。因為有物理機制,我們才能建出有結構的模型;如果完全是黑箱,AI 頂多能做預測,做不到進化——它可以告訴你「這捲大概會不良」,但沒辦法告訴你「往哪個方向調」。

最後,線纜的錯誤成本很高。銅是貴的,押出機開機到穩定要跑掉一段線,每次換料換色換規格都要重來一次。這些損失都是實實在在可以被省下來的數字,不需要用很玄的方式去算 ROI。

這 30 天會怎麼走

前幾天,我會先把線纜製程從頭到尾走一遍,把每一站的可控參數、量測點、常見不良模式攤開。因為所有模型都要從理解物理開始,跳過這步直接丟資料進模型,做出來的東西不會有人敢用。

接著進到感知層,講資料怎麼採、怎麼對時、怎麼跟一段實體線材綁定。這部分最不性感,但做不好,上面全是幻覺。

再來是孿生層,我會實際建押出製程的模型,用物理方程式打底,再用歷史資料補足物理模型抓不到的殘差。然後是 AI 決策,異常偵測、品質預測、參數最佳化。

最後幾天,回到人。介面怎麼設計現場才願意用、導入時會遇到什麼阻力、成效要怎麼衡量。

我會盡量把跑得動的程式碼附上,也會誠實寫下哪些地方我試過但失敗了。踩過的坑通常比漂亮的結論有用。

最後一件事

這 30 天我會一直提醒自己一個問題:

這個功能,能不能讓今晚值夜班的那位師傅,少蹲在收線盤前量一次外徑?

如果答案是不行,那它再先進,都先放一邊。

智慧製造失敗最多的原因從來不是技術不夠強,而是做出了一個很厲害的系統,然後現場沒有人用。

明天,我們從製程本身開始。