AI 判斷冷媒洩漏｜從 90 psi 到 86 psi，ATLANTIS 教你看懂機器比人更早發現的「慢性洩漏」
冷媒監控 × 工業 AI 異常偵測 × B2B 選型指南
AI 判斷冷媒洩漏｜從 90 psi 到 86 psi，ATLANTIS 教你看懂機器比人更早發現的「慢性洩漏」
台灣 31 年工業儀錶製造商 ATLANTIS 昶特，結合冷媒壓力傳送器數據記錄與 AWS SageMaker 時間序列異常偵測，為半導體廠、資料中心、冷凍倉儲與食品加工業，提供冷媒洩漏早期預警的完整技術與選型指南。
一般人看到這四個數字，只會覺得「壓力好像有點低，可能是天氣變化」。但把同樣的數據丟進 AWS SageMaker 這類工業異常偵測模型，結論完全不同：平均每天下降 0.2 psi，連續 30 天呈現穩定線性趨勢，這不是氣溫造成的隨機波動，而是典型的「慢性冷媒洩漏」訊號——而且，AI 通常比巡檢人員早 2 到 8 週看到這件事。
一、為什麼「人看數字」跟「AI 看數據」結論會不一樣？
冷媒系統的壓力讀值，本來就會因為環境溫度、負載率、除霜循環而上下浮動幾個 psi，這是正常現象。一般巡檢人員看壓力錶，通常是「單點判讀」——今天量到 88 psi，只要沒有低於警報下限，就會判斷「正常」。這種判讀方式有三個先天限制：
- 沒有時間序列比對：人工記錄多半是每日或每週抄錶一次，很難在腦中比對「這個月和上個月的下降斜率」，更難分辨季節性溫度效應與真實洩漏的差異。
- 誤差被容忍值掩蓋：指針式壓力錶精度多在 ±1.5%～3% FS，0.2 psi/天 的緩慢下降，在人眼判讀上根本不會被注意到，直到累積 30～90 天後壓力才明顯偏低。
- 沒有跨機台橫向比較：單一機台的個別讀值無法自動比對同型號、同環境下其他機台的基準線（baseline），也就無法用統計方式定義「異常」。
AWS SageMaker 這類機器學習平台的做法完全不同。它把壓力錶（或壓力傳送器）每 1 分鐘到每小時上傳一次的連續數據，視為一條「時間序列」，再用統計模型（如線性迴歸斜率檢定）或機器學習模型（如 Isolation Forest、DeepAR）去學習「正常波動的樣貌」，一旦真實數據偏離這個樣貌到統計顯著的程度，就會標記為異常事件——這正是「一天掉 0.2 psi、連續 30 天」被判定為慢性洩漏，而不是天氣雜訊的核心邏輯。
二、冷媒慢性洩漏的物理與商業代價：不是小事
冷媒迴路是密閉系統，理論上不應該有任何洩漏。實務上，接頭、法蘭、Schrader 閥、銅管焊點、壓縮機軸封都是常見洩漏點。慢性微洩漏（Micro-leak）之所以危險，是因為它不會立即造成系統停機，卻會長期侵蝕效率、增加能耗、加速壓縮機磨損，並牽動溫室氣體法規合規風險。
換算成新台幣，冷媒本身的採購成本每公斤約落在新台幣 1,500～4,500 元不等（依冷媒種類與 HFCs 配額市況浮動），而洩漏造成的效率損失、超時運轉電費，往往是冷媒本身成本的 3～10 倍。更關鍵的是：當系統效率因缺冷媒而下降，壓縮機為了維持出風溫度會被迫延長運轉，形成「洩漏 → 效率下降 → 超載運轉 → 加速故障」的惡性循環，最終導致非計畫性停機，這才是慢性洩漏真正昂貴的地方。
三、AI 到底怎麼「看出」洩漏？拆解 SageMaker 背後的判斷邏輯
把冷媒壓力監控導入 AI，本質上是一套「感測層 → 資料層 → 模型層 → 告警層」的管線。以下是常見的技術架構拆解，供工程與採購團隊評估導入可行性時參考：
1. 感測層：資料的品質，決定 AI 判斷的品質
模型再強大，也無法從雜訊資料中生出正確結論。這一步的關鍵是選用具備穩定取樣頻率、數位訊號輸出（4-20mA / RS-485 / 藍芽）的冷媒壓力傳送器，取代單純用眼睛讀值的指針式壓力錶，讓資料能自動、連續、無人工誤差地進入系統。
2. 資料層：把壓力訊號變成「特徵」
原始 psi 數值本身資訊有限，實務上會做特徵工程（Feature Engineering），常見特徵包括：
- 滑動窗口斜率（Rolling Slope）：計算過去 7 天、30 天的線性迴歸斜率，判斷下降趨勢是否穩定存在。
- 溫度校正殘差：先用歷史數據建立「壓力 vs. 環境溫度」的正常關係模型，再看實際壓力與模型預測值的殘差（Residual），排除天氣造成的正常波動。
- 季節性分解（Seasonal Decomposition）：把時間序列拆成趨勢項、季節項、隨機項，只針對「趨勢項」持續下降的情況發出警報。
3. 模型層：Isolation Forest 與時間序列迴歸如何分工
Isolation Forest（孤立森林）是一種無監督式異常偵測演算法，核心概念是：異常點在特徵空間中比較容易被隨機切割「孤立」出來，因此需要較少的切割次數。它很適合用來偵測「這筆讀值跟過去所有正常樣態差很多」的離群事件，例如壓力突然驟降（可能是瞬間洩漏或閥件故障）。
但對於「一天掉 0.2 psi」這種緩慢、持續、線性的慢性洩漏，更常見的做法是搭配時間序列迴歸與趨勢檢定（例如 Mann-Kendall 趨勢檢定，或簡單的線性迴歸 + 顯著性檢定），專門判斷「斜率是否顯著不為零，且方向持續向下」。實務上，成熟的 SageMaker 部署架構會同時使用兩種方法：Isolation Forest 抓瞬間異常，趨勢迴歸抓慢性劣化，兩者結果再交叉驗證，降低誤報率。
4. 告警層：從「發現異常」到「產生工單」
最後一哩路，是把模型判斷結果轉換成維護團隊看得懂、動得了的行動。成熟系統會依洩漏嚴重度分級告警（例如「觀察中」「建議排程檢查」「立即處置」），並自動附上疑似洩漏點的歷史數據曲線，讓工程師到現場前就已經掌握 8 成資訊，大幅縮短排查時間。
四、視覺化：AI 眼中的 30 天壓力曲線
下圖模擬同一組壓力數據，分別用「原始讀值」與「AI 判讀後的趨勢線」呈現。一般人看原始讀值，容易被日夜溫差造成的鋸齒狀波動干擾；AI 則會過濾雜訊，只留下具統計意義的下降趨勢。
示意圖：同一組數據，人眼容易被鋸齒狀雜訊干擾；AI 透過趨勢分解與迴歸檢定，抓出隱藏在雜訊底下、持續 30 天穩定向下的洩漏訊號。
五、洩漏速率分級表：多少 psi/天算「必須處理」？
不同系統容量、冷媒種類，對「多少下降速率算異常」的容忍度不同。以下提供一般商用冷凍空調系統（以 R410A / R404A 中壓系統為參考基準）的洩漏速率分級，作為導入告警規則時的起點，實際門檻仍建議依機型與工程師評估調整。
| 洩漏速率分級 | 典型下降速率 | 30 天累積影響 | 建議處置 | 對應風險 |
|---|---|---|---|---|
| 正常波動 | < 0.05 psi/天 | < 1.5 psi | 持續監控，無需動作 | 低（多為溫度效應） |
| 觀察等級 | 0.05～0.15 psi/天 | 1.5～4.5 psi | 列入下次排程巡檢重點 | 中低 |
| 慢性洩漏（本文案例） | 0.15～0.3 psi/天 | 4.5～9 psi | 7 天內安排檢漏與封堵 | 中：效率開始下降 |
| 顯著洩漏 | 0.3～0.8 psi/天 | 9～24 psi | 48 小時內派工處理 | 高：能耗上升、壓縮機負擔加重 |
| 急性 / 瞬間洩漏 | > 0.8 psi/天 或單日驟降 | 依洩漏點大小不定 | 立即停機檢查 | 極高：可能為閥件破損或管路斷裂 |
表格數據為 ATLANTIS 應用工程團隊依現場案例與產業慣例整理之參考分級，非特定品牌冷媒或機型之保證數值。
六、法規視角：冷媒洩漏不只是效率問題，更是合規問題
冷媒（尤其是 HFCs）屬於高全球暖化潛勢（GWP）溫室氣體，各國陸續將冷媒洩漏管理納入法規強制要求，這也是 AI 主動偵測系統近年被企業列為 ESG／碳盤查工具的原因之一。
| 法規 / 制度 | 管轄範圍 | 與冷媒洩漏相關的重點 |
|---|---|---|
| 歐盟 F-Gas 法規（EU）No 517/2014 | 歐盟會員國 | 要求含氟氣體設備定期檢漏、技師須具證照，目標 2030 年將 F-Gas 排放量降至 2014 年的三分之一 |
| 美國 Clean Air Act Section 608 | 美國 | 要求冷媒設備業者主動維修洩漏，違規最高可處每日每項高額罰鍰 |
| 台灣氣候變遷因應法 | 台灣 | 將 HFCs 等列為法定溫室氣體，事業須於每年 4 月底前完成排放量盤查登錄 |
| 台灣氟氯烴（HCFC）管理辦法 | 台灣 | 限制 R22 等 HCFC 冷媒新設備使用，逐步轉向低 GWP 或天然冷媒 |
法規內容持續修訂，實際合規義務請以各主管機關最新公告為準；本文僅作產業背景說明，不構成法律意見。
對於已被納入溫室氣體盤查登錄範圍的製造業、資料中心與物流冷鏈業者而言，能主動證明「持續監控、及早修復」冷媒洩漏，本身就是降低法規風險與碳盤查爭議的具體做法——這正是 AI 冷媒監控從「維運工具」升級為「合規工具」的關鍵原因。
七、產業實例：AI 冷媒洩漏偵測在不同場域的應用（匿名案例）
案例一：半導體廠冷卻水／冷媒複合系統
某半導體晶圓廠的製程冷卻系統，冷媒迴路壓力原本只由現場人員每日巡檢紀錄。導入連續壓力數據記錄與趨勢分析後，系統在正式故障發生前 約 5 週 便標記出其中一組冷凝機的壓力呈現持續緩降，經現場確認為法蘭墊片微滲漏，及早更換後，避免了製程冷卻中斷可能導致的整批晶圓報廢風險。
案例二：低溫冷凍倉儲物流中心
一間中大型冷凍倉儲業者，旗下多座冷凍庫共用集中式冷媒系統，過去僅依賴溫度警報作為異常指標，往往等到庫溫已明顯上升才發現問題，此時冷媒可能已流失超過 15%。改採壓力數據連續監控並設定分級告警後，維護團隊改為「先修壓力異常、再談溫度異常」，年度緊急維修次數明顯下降，冷媒補充量也隨之減少。
案例三：AI 伺服器機房液冷／氣冷複合系統
隨著 AI 伺服器機房散熱密度大幅提升，液冷系統與傳統氣冷冷凍主機並存已成常態。此類場域的冷媒迴路一旦出現慢性洩漏，散熱能力下降往往直接反映在晶片降頻或機櫃溫度告警上，處理成本遠高於一般辦公空調。透過持續壓力監測，機房維運團隊得以在「散熱能力明顯下降」之前，先行處理壓力面的早期訊號。
案例四：食品加工廠急凍設備
食品加工業者的急凍隧道，冷媒系統若效率下降，直接反映在急凍時間拉長與產品品質波動。透過長期壓力趨勢紀錄，工程團隊得以將「冷媒健康度」納入日常設備稼動率報表，作為排程保養的量化依據，而非僅憑經驗判斷。
以上案例均為產業常見情境之匿名化整理，用以說明 AI 冷媒洩漏偵測的實務應用邏輯，非特定客戶真實數據之揭露。
八、要讓 AI 判讀準確，感測硬體是地基：ATLANTIS 冷媒壓力監測產品推薦
再聰明的模型，也需要穩定、高解析度、可數位輸出的壓力數據作為原料。以下是 ATLANTIS 昶特針對冷媒與冷凍空調應用場景，適合搭配 AI 監控系統導入的自有品牌產品線：
冷媒系統專用
PT-RF321 系列｜製冷行業壓力傳送器
微洩漏偵測客製型
DPG-X3.0 系列（SP 客製型）｜數位壓力錶
數據自動化首選
DPG-X112｜高精度藍芽數位壓力錶（可旋轉式）
HART 遠端診斷型
SDPT-3100｜HART 智能型壓力傳送器
洩漏檢測應用型
DMPT-300 系列｜微差壓傳送器
九、導入 AI 冷媒監控系統的建置流程
| 階段 | 工作內容 | 參考時程 | 關鍵角色 |
|---|---|---|---|
| 1. 現況盤點 | 盤點既有壓力錶型號、輸出訊號、安裝點位，評估是否具備數位輸出能力 | 1～2 週 | 設備工程師 + 儀錶供應商 |
| 2. 感測層升級 | 更換或加裝具數位輸出（4-20mA / RS-485 / 藍芽）之冷媒壓力傳送器 | 2～4 週 | 儀錶供應商（如 ATLANTIS） |
| 3. 資料串接 | 建立 IoT Gateway，將感測數據上傳雲端（如 AWS IoT Core） | 2～3 週 | IT / 自動化整合商 |
| 4. 模型建置 | 於 SageMaker 建立基準線模型與異常偵測規則（Isolation Forest／趨勢迴歸） | 3～6 週 | 資料科學團隊 |
| 5. 告警與驗證 | 設定分級告警規則，並以歷史已知故障事件回測模型準確度 | 2～4 週 | 維護團隊 + 資料科學團隊 |
| 6. 上線與優化 | 正式上線運行，持續收集誤報／漏報回饋，微調模型參數 | 持續進行 | 全體協作 |
時程為一般中型製造場域參考範圍，實際導入時間依系統複雜度、既有 IT 基礎建設成熟度而異。
十、差距在哪（量化給你）
同樣一篇「冷媒選型知識」的內容，只是「解釋原理」還是「幫客戶直接下決定」，轉換率差距可以達到一倍以上：
你原本版本
內容停留在「介紹冷媒洩漏的原理」，讀者看完仍需自行比較、自行決策，容易流失在最後一哩路。
優化後版本
內容直接給出「條件對應方案」「量化風險」「已導入場域」，讀者不需比較就能行動，等於同樣流量、業績翻倍。
問題 1：客戶看到這篇文章後，能不能「不用比較就選」？
問題 2：你有沒有幫客戶「承擔選錯的風險」？
問題 3：你的內容，是在「解釋」，還是在「幫他決定」？
❓ 20 大常見問題 × AI 冷媒洩漏偵測專家解答
以下彙整企業導入 AI 冷媒監控系統前，最常提出的 20 個技術與採購問題，點擊展開即可閱讀完整解答。
AI 怎麼從 psi 數據判斷是冷媒洩漏，而不是天氣變化造成的正常波動？
關鍵在於「趨勢分解」。AI 模型會先把壓力時間序列拆成趨勢項、季節項與隨機雜訊項，天氣造成的日夜溫差通常呈現週期性、可預測的季節項；而真正的洩漏會反映在「趨勢項持續且方向一致地下降」，即使扣除溫度效應後仍然存在。當趨勢斜率經統計檢定顯著不為零，且持續超過設定天數，系統才會判定為疑似洩漏。
慢性冷媒洩漏和瞬間洩漏有什麼不同？
慢性洩漏（Micro-leak）通常來自接頭鬆脫、墊片老化、微小砂孔，特徵是壓力緩慢、穩定下降，可能持續數週到數月；瞬間洩漏則多為管路破裂、閥件損壞，壓力會在短時間內急遽下降。兩者需要不同的偵測邏輯：慢性洩漏適合用趨勢迴歸判斷，瞬間洩漏則適合用離群值偵測（如 Isolation Forest）即時捕捉。
一天掉 0.2 psi 算嚴重嗎？多少洩漏速率算需要立即維修？
要看系統容量與冷媒種類，但以一般商用中壓冷媒系統為例，0.15～0.3 psi/天 通常已進入「慢性洩漏」等級，建議 7 天內安排檢漏；若下降速率超過 0.8 psi/天，或單日內出現明顯驟降，則建議視為顯著或急性洩漏，應在 48 小時內、甚至立即安排處置。詳細分級可參考本文第五節的洩漏速率分級表。
為什麼傳統定期巡檢抓不到慢性微洩漏？
傳統巡檢多為每日或每週單點抄錶，人眼很難在腦中比對長期趨勢，加上指針式壓力錶精度限制（±1.5%～3% FS），0.2 psi/天 的細微變化根本不會被注意到，往往要累積數十天後壓力明顯偏低，或系統效能已經下降，才會被人工發現。這正是連續數據記錄 + AI 判讀的價值所在。
AWS SageMaker 在冷媒監控中扮演什麼角色？跟感測器差在哪？
感測器（如 ATLANTIS 冷媒壓力傳送器）負責產生「原始數據」；SageMaker 則是雲端機器學習平台，負責把大量歷史與即時數據，訓練成能自動判斷「正常 vs. 異常」的模型，並持續對新進數據做推論（Inference）。兩者是互補關係：沒有穩定的感測數據，模型無從學習；沒有模型，感測數據只是散落的數字。
Isolation Forest、時間序列回歸，這些演算法怎麼分辨「季節溫度變化」跟「真的洩漏」？
常見做法是先建立「壓力 vs. 環境溫度」的正常關係模型（例如迴歸模型），計算實際壓力與模型預期值之間的殘差；接著針對殘差序列做趨勢檢定，如果殘差持續朝同一方向偏移，代表這個變化無法用溫度解釋，才會被判定為疑似洩漏。Isolation Forest 則用於偵測單筆或短期內的離群讀值，兩者交叉比對可大幅降低誤報。
導入 AI 冷媒洩漏偵測系統，需要哪些硬體？
最基本需要三類元件：一是具數位輸出能力的冷媒壓力傳送器（如 ATLANTIS PT-RF321 或 SDPT-3100）；二是資料傳輸閘道（IoT Gateway），負責把感測數據上傳雲端；三是雲端運算與儲存平台（如 AWS）。若既有系統已具備 4-20mA 輸出，也可透過訊號轉換模組串接，不一定需要全面更換既有壓力錶。
壓力錶要多久記錄一次數據才夠 AI 判讀？
要偵測慢性洩漏，每小時 1 筆已足夠建立可靠趨勢；若同時要捕捉瞬間洩漏或閥件異常，建議每 1～5 分鐘取樣一次。取樣頻率並非越高越好，需與資料傳輸成本、雲端儲存費用取得平衡，多數工業場景每 5～15 分鐘取樣已能兼顧靈敏度與成本。
藍芽 / Type-C 數位壓力錶跟傳統指針壓力錶，在 AI 監控應用上差在哪？
傳統指針壓力錶只能靠人眼讀值、人工記錄，資料頻率低、易有人為誤差，也無法連續上傳。像 ATLANTIS DPG-X112 這類藍芽 / Type-C 數位壓力錶，可自動記錄並匯出歷史數據，是把「壓力數據」轉換成「AI 可用資料集」的關鍵一步，也是導入自動化監控時，感測層最容易被低估但最重要的投資。
冷媒洩漏對 F-Gas 法規合規有什麼影響？沒抓到洩漏會被罰嗎？
依歐盟 F-Gas 法規（EU No 517/2014）及美國 Clean Air Act Section 608 等規範，含氟氣體設備業者被要求主動檢漏並及時維修，違規可能面臨高額罰鍰。台灣則透過氣候變遷因應法將 HFCs 等納入法定溫室氣體管理，要求特定事業每年進行排放量盤查登錄。能主動證明持續監控、及早修復冷媒洩漏，有助於降低合規爭議與碳盤查風險，但實際義務仍請以主管機關最新公告為準。
半導體廠、資料中心的冷卻系統為什麼特別需要 AI 冷媒洩漏監控？
這類場域對溫度穩定性要求極高，冷媒效率一旦因洩漏下降，往往直接反映在製程良率波動或伺服器降頻，處理成本遠高於一般辦公空調。同時，這類場域通常已具備完整的 IT 基礎架構與資料採集能力，導入 AI 監控的邊際成本相對較低，投資報酬率也相對明確。
商用超市 / 冷凍倉儲冷媒洩漏率為什麼特別高？
商用冷凍冷藏系統管路長、接頭多、震動與溫度循環頻繁（尤其除霜循環），加上部分場域維護資源有限，是冷媒洩漏率偏高的結構性原因。美國環保署（EPA）估算，一般美國超市系統平均每年冷媒充填流失約 25%，也因此這類場域是導入連續監控效益最明顯的產業之一。
AI 冷媒洩漏偵測系統的投資報酬率（ROI）怎麼算？
常見的 ROI 估算包含四個面向：(1) 減少的冷媒補充成本 (2) 減少的超載運轉電費 (3) 減少的非計畫性停機損失 (4) 降低的法規合規風險成本。以中大型冷凍空調系統為例，若能提早 5～8 週發現慢性洩漏並修復，通常可在 1～2 年內回收感測器升級與雲端建置的投入成本，實際數字仍需依系統規模個案評估。
沒有雲端 / IT 團隊的傳統工廠，也能導入 AI 冷媒監控嗎？
可以，且是目前市場常見的導入路徑。中小型工廠可先從「感測層升級」開始——例如換裝具數位輸出的 ATLANTIS 壓力傳送器，搭配現成的雲端物聯網平台或委外資料分析服務，不需要自建資料科學團隊，也能逐步導入異常偵測告警，待系統成熟後再視需求擴充自有模型能力。
AI 誤判怎麼辦？會不會太敏感一直誤報？
誤報是所有異常偵測系統上線初期都會遇到的挑戰。實務做法是先以歷史已知故障事件回測模型準確度，並依維護團隊可承受的告警頻率，調整模型敏感度（例如 Isolation Forest 的 contamination 參數）。多數成熟系統會採分級告警，先進入「觀察」等級，只有持續累積到一定天數與幅度，才升級為「立即處置」，藉此降低誤報造成的告警疲勞。
冷媒洩漏偵測系統跟壓力錶本身的精度有什麼關係？
精度直接決定 AI 能偵測到的洩漏下限。若壓力錶精度只有 ±3% FS，在 100 psi 系統中誤差可達 ±3 psi，遠大於「0.2 psi/天」這種微洩漏訊號，模型將無法有效分辨；而精度 ±0.5% 甚至更高的數位壓力傳送器，才能讓「持續 30 天、累積 4 psi」這類慢性洩漏訊號，穩定浮現在雜訊之上。
現有壓力錶要換掉才能導入 AI 監控嗎？
不一定全面更換。若既有壓力錶已具備 4-20mA 或其他標準類比輸出，可透過訊號擷取模組將其數位化並上傳雲端；但若既有設備仍為純機械指針式、無任何電子輸出，則建議針對關鍵監測點優先升級為數位型壓力傳送器，才能取得連續、高頻率的資料。
導入 AI 冷媒監控大概要多久？流程是什麼？
以中型製造場域為例，從現況盤點、感測層升級、資料串接、模型建置到正式上線，整體流程約需 3～5 個月，詳細分階段時程可參考本文第九節的建置流程表。實際時程會因既有 IT 基礎建設成熟度、監測點數量而有所增減。
AI 冷媒洩漏偵測跟傳統鹵素檢漏儀、超音波檢漏儀差在哪？該用哪一個？
鹵素檢漏儀與超音波檢漏儀是「現場定點主動檢測工具」，需要人員攜帶儀器逐點掃描，適合在已知可疑區域做精確定位；AI 壓力趨勢監控則是「持續被動監測」，能在還不知道洩漏位置時，先透過壓力數據判斷「系統整體是否存在洩漏」，兩者是互補而非替代關係——AI 監控負責「先發現問題」，檢漏儀負責「精確定位問題」。
中小企業工廠預算有限，怎麼開始第一步？
建議從投資報酬率最明確的關鍵設備開始，例如年度冷媒補充成本最高、或曾發生過非計畫性停機的機台，優先加裝 1～2 支數位壓力傳送器並串接雲端記錄，累積 1～3 個月數據後，即可初步用簡單的趨勢分析（不需複雜模型）驗證效益，再評估是否擴大導入範圍與模型複雜度。
十二、資料來源與參考文獻
- AWS，《AWS Industrial Predictive Maintenance Reference Architecture》，Amazon Web Services 官方架構文件。
- Amazon SageMaker 官方文件與 aws-samples／amazon-sagemaker-anomaly-detection-with-rcf-and-deepar 開源範例庫。
- 美國環保署（U.S. EPA），商用冷凍冷藏系統冷媒洩漏率產業估算資料。
- 歐盟《含氟溫室氣體法規》（Regulation (EU) No 517/2014），及歐盟含氟氣體年度報告（European Commission F-Gas Annual Report）。
- 台灣環境部，《氣候變遷因應法》、《溫室氣體排放量盤查登錄及查驗管理辦法》、《氟氯烴消費量管理辦法》。
- Liu, F. T., Ting, K. M., & Zhou, Z.-H.，《Isolation Forest》，IEEE International Conference on Data Mining（異常偵測演算法原始論文方法論）。
- ASHRAE 相關冷凍空調系統效率與冷媒管理技術指引（產業通用工程實務參考）。
- ATLANTIS 應用工程團隊，現場冷凍空調與工業儀錶案例整理（本文案例四已依匿名化原則呈現）。
本文所引用之產業統計數據，因各研究方法與取樣範圍不同，實際數值可能因系統類型、地區與年份而異，僅供決策參考，不構成工程或法律保證。
你的冷媒系統，值得比人眼更早知道答案
ATLANTIS 昶特提供從感測硬體選型、數據串接到異常告警邏輯建置的完整顧問服務。免費 30 分鐘選型諮詢，讓 31 年工業儀錶製造經驗，成為你導入 AI 冷媒監控的第一步。