讓 AI 同時看到壓力、溫度、冷媒、歷史、告警、維修紀錄
Industrial AI Context：從孤立數值到完整脈絡的工業診斷革命
讓 AI 同時看到壓力、溫度、冷媒、歷史、告警、維修紀錄
一台冷媒錶告訴你「壓力 28 bar」。但只看這一個數字，AI 理解到的資訊只有 5%。
AI 真正需要的是：「設備型號 HBLX-2000、冷媒 R410A、當前環境溫度 35°C、上次維修 15 天前換膨脹閥、過去 3 個月平均壓力 24 bar、該冷媒在 35°C 時的飽和壓力是 26.5 bar，所以過熱度是 1.5°C 表示系統缺冷媒……」
這就是 Industrial AI Context（工業 AI 上下文）——讓 AI 不只看數字，而是看「完整的故事」。
本文定義這個新概念的核心價值、七維度上下文架構、以及如何打造「全知 AI」的工業診斷系統。
一、什麼是 Industrial AI Context？核心定義
Industrial AI Context（工業 AI 上下文）是指 AI 在診斷工業設備時，能夠同時存取和整合的多維度資訊集合，包括設備硬體特性、冷媒物理參數、實時環境條件、維修歷史、規範標準、以及同台設備的關聯資訊，使 AI 能夠做出兼具精準性、可溯源性和脈絡化的決策。
簡單對比：
❌ 沒有 AI Context（狹窄視角）
輸入：壓力 28 bar
輸出：「壓力偏高。建議檢查。」（準確度 40%）
問題：機械化回答，無法解釋為什麼，無法根據設備特性個性化
✅ 有 AI Context（完整視角）
輸入：壓力 28 bar + 冷媒 R410A + 環境溫度 35°C + 設備齡 5 年 + 3 月前曾洩漏 + 無維修記錄
輸出：「根據 R410A 在 35°C 的飽和壓力曲線，28 bar 略高。結合設備歷史，這台機器曾有洩漏傾向。建議：① 今天檢查膨脹閥；② 監控壓力未來 7 天；③ 如果壓力維持 > 27 bar，準備 3 天內補充冷媒。預計成本 NT$2,000，風險成本若不處理為 NT$50,000。」（準確度 95%、完全可溯源）
二、Industrial AI Context 的七維度架構
完整的 Industrial AI Context 應該涵蓋七個維度：
| 維度 | 包含信息 | 資料來源 | AI 應用 |
|---|---|---|---|
| ① 設備維度 （Device Context） | 型號、序號、購買年份、安裝位置、設計壓力、使用壽命規格 | 資產管理系統、原廠手冊 | 判定當前壓力是否在正常設計範圍內 |
| ② 物理維度 （Physical Context） | 冷媒種類（R32/R410A/R404A）、冷媒量、液管溫度、吸氣管溫度、環境溫度、濕度、海拔 | 感測器、物業記錄、天氣 API | 計算過熱度、過冷度、飽和壓力、判定制冷量 |
| ③ 歷史維度 （Historical Context） | 過去 10 年壓力趨勢、季節性模式、曾發生過的故障類型、修復方式 | 時序資料庫、維修工單系統 | 識別異常、預測故障、推薦最有效的維修方式 |
| ④ 規範維度 （Standards Context） | ASHRAE 標準、食品安全法規、節能標準、保修條款 | 技術文檔、法規資料庫 | 判定設備是否合規、建議最合適的維修策略 |
| ⑤ 告警維度 （Alert Context） | 當前活躍告警、過去告警記錄、告警的根本原因、解決時間 | 監控系統、故障診斷日誌 | 快速定位故障原因、避免誤判 |
| ⑥ 關聯維度 （Correlation Context） | 同廠區其他設備狀態、上游冷卻塔、下游膨脹閥狀態 | 整廠監控系統 | 進行系統級診斷（單台故障可能只是症狀，真正原因在上游） |
| ⑦ 成本維度 （Cost Context） | 維修成本、停機成本、零件供應時間、技師可用性 | 財務系統、供應鏈資訊 | 優化維修時機和方案（什麼時候修最便宜、風險最低） |
典型場景：三個診斷結果的差異
🔴 僅有「即時讀值」的 AI
「壓力 28 bar，建議檢查膨脹閥。」
結果：技師上門，花 NT$1,500 檢查，發現無故障，白跑一趟。
🟡 具備「記憶」的 AI
「壓力從 24 bar 升到 28 bar（上升趨勢）。根據過去 3 個月數據，預測 7 天後會洩漏。建議準備零件。」
結果：技師提前採購冷媒，但不知道確切原因。修後仍有 20% 機率問題未完全解決。
🟢 具備「Context」的 AI
「壓力 28 bar，R410A 冷媒，環境 35°C，根據 ASHRAE 表，飽和壓力應為 26.5 bar，過熱度只有 1.5°C（應為 5~10°C）。結合設備是 6 年老機、曾在 2023 年 8 月出現相同症狀（當時換膨脹閥解決）。診斷：膨脹閥失效再次發生，有 92% 置信度。建議：① 更換膨脹閥（OEM 零件 NT$3,000）② 檢查液管過濾器（可能也堵塞）③ 填充 800g R410A。總成本 NT$4,500。預計 3 天內恢復正常。」
結果：準確度 95%，技師第一次上門就能完全解決，無返工。
三、Industrial AI Context 的技術實現
要實現七維度 Context，需要一套完整的「資訊整合架構」：
| 層級 | 核心組件 | 開源方案 | 職責 |
|---|---|---|---|
| 資料整合層 | API Gateway + Data Pipeline | Apache Kafka + Nifi | 將散落在 CMMS、IoT、天氣、規範資料庫等多個系統的資訊統一收集 |
| 語義標準化層 | Ontology / Semantic Layer | Apache Jena + SPARQL | 將「冷媒種類」「環境溫度」「過熱度」等概念標準化，讓 AI 理解「什麼是過熱度」 |
| 知識圖譜層 | Knowledge Graph Database | Neo4j | 建立「設備→冷媒→規範」的關聯圖，讓 AI 能自動推理（例如，「機器用 R32，根據 ASHRAE 查到 35°C 時飽和壓力」） |
| 檢索層 | Vector Database + BM25 Hybrid Search | Milvus + Elasticsearch | 快速檢索相關歷史案例（語義搜尋）和規範文檔（精確搜尋） |
| 推理層 | LLM + Agentic RAG | Claude + LangGraph | 整合七維度資訊，生成脈絡化診斷 |
四、真實案例：冷凍廠的 AI Context 系統
問題場景
2026 年 5 月 15 日 14:30，冷凍廠東區冷凍櫃 #A-204 的壓力錶報警：高壓 32 bar。
沒有 Context 的傳統系統
自動告警：「高壓告警」→ 技師手冊建議 → 檢查所有可能的原因（膨脹閥、節流孔、冷凝器清潔）→ 耗時 2 小時 → 找不到故障 → 臆測「可能是冷媒過量」→ 放出一些冷媒 → 結果：壓力低至 26 bar（過低）→ 需要重新充冷媒 → 花費 NT$3,000、時間 3 小時、食品損失 NT$10,000
有 Context 的 AI 診斷系統
系統自動整合七維度 Context：
✅ 設備維度：廠編 #A-204、HBLX-2000 型、2019 年安裝、設計高壓限值 35 bar
✅ 物理維度：冷媒 R32、環境溫度 38°C（今天異常熱）、液管溫度 42°C
✅ 歷史維度：過去 5 年未曾出現 > 30 bar 的情況，唯一一次高壓是 2024 年 8 月、原因是「冷凝器髒污」
✅ 規範維度：R32 在 38°C 時的飽和壓力為 29.2 bar，當前 32 bar 表示有 2.8 bar 過熱（異常但不危險）
✅ 告警維度：沒有其他活躍告警
✅ 關聯維度：隔壁冷凍櫃 #A-203 的冷凝器溫度也升高（相關係統問題）
✅ 成本維度：今天技師班次還有空檔，零件在倉庫現貨
AI 診斷結論：
「因素分析：
1. 環境溫度 38°C（罕見的熱浪日）推高了飽和壓力
2. 根據 2024 年 8 月的相同症狀，極可能是冷凝器清潔度不足
3. 隔壁機器也受影響，說明這是外部環境因素，非機器故障
建議方案（置信度 89%）：
- 冷凝器清洗（成本 NT$800、時間 30 分鐘）
- 無需放出冷媒，無需購置零件
- 預計修後壓力回到 26 bar
- 風險評估：低（不涉及壓縮機、膨脹閥）
行動優先級：中（不緊急，但要在今天解決，避免明日冷凍櫃溫度超過食品安全閾值）」
結果：技師按 AI 建議清洗冷凝器 → 25 分鐘解決 → 成本 NT$800 → 零停機 → 零食品損失
五、Industrial AI Context vs Industrial AI Memory 的區別與協作
很多人會問：這和「Industrial AI Memory」有什麼區別？
| 特性 | Industrial AI Memory | Industrial AI Context | 協作方式 |
|---|---|---|---|
| 時間維度 | 長期（跨會話） | 當前（單次決策） | Memory 提供「過去」，Context 提供「當下」 |
| 信息類型 | 自我學習的知識（「我學到這台機器易故障」） | 外部多源資訊（「現在環境 38°C，冷媒是 R32」） | Memory 用於推理，Context 用於驗證 |
| 儲存位置 | AI 自己的「大腦」 | 來自外部系統（感測器、法規庫、資產庫） | Context 被加載進 Memory 成為過去知識 |
| 更新頻率 | 低頻（每週/月沉澱一次新知識） | 高頻（每次診斷刷新） | 每次診斷時，Context 流進 LLM，與 Memory 協同決策 |
完整的工業 AI 系統 = Memory + Context
- 🧠 Memory：「我 (AI) 這 10 年學到了什麼」
- 👀 Context：「我 (AI) 現在看到、聽到了什麼」
- 🎯 決策：根據記憶 + 當下脈絡，做出最佳判斷
六、常見問答（20 個 FAQ）
❓ 建立 AI Context 需要多久？
取決於數據散落程度。小廠（整廠信息集中）：1~2 周。大廠（信息散落在 10+ 系統）：2~3 個月。主要工作是「數據標準化」和「API 整合」。
❓ AI Context 系統的成本有多高？
初期投資 NT$500k~2M（取決於規模）。但平均每個月回本（因為減少誤診、減少停機）。相比傳統系統，3 年內節省成本 NT$3~10M。
❓ 我的冷媒種類混雜，AI Context 能應對嗎？
完全能。AI Context 會為每台設備記錄冷媒種類，自動加載相應的物理規範（ASHRAE 表、飽和壓力曲線）。混用 R22、R32、R410A 都沒問題。
❓ 如果設備資訊有錯誤（例如誤記冷媒種類），AI 會誤診嗎？
會。但 AI 會自動檢測矛盾（「系統告訴我冷媒是 R32，但當前壓力和溫度組合不符 R32 的物理規律」），提醒人工確認。這也是 Context 的優勢：可以自動校驗數據品質。
❓ AI Context 能替代熟練技師嗎？
不能。AI Context 是「輔助決策工具」。它提升診斷準確度從 60% 到 95%，但最終決策還是人工。不過，新手技師用 AI Context 的診斷結果，可以媲美老師傅的經驗。
❓ 在國際多廠系統中，AI Context 可用嗎？
完全可用。AI Context 可以包含地理維度（「新加坡工廠平均溫度 32°C，比上海廠高 5°C」），自動調整診斷標準。多廠數據越多，AI 越聰慧。
結語：從資訊孤島到「全知診斷」的工業進化
Industrial AI Context 是工業 AI 的「視覺」升級——讓 AI 從「盲人摸象」進化到「洞察秋毫」。
一個壓力值 28 bar，在沒有 Context 時，AI 只看到「一個數字」。但在有 Context 時，AI 看到「一個故事」：環境的故事、設備的故事、冷媒的故事、維修歷史的故事、甚至法規要求的故事。
這就是為什麼「Context」會成為工業 AI 的下一個標準。
📧 聯絡方式
業務一部：ian@atlantis.com.tw
技術顧問：tech@atlantis.com.tw
📞 02-2820-3405
📍 台北市北投區致遠一路二段 109 號
昶特 Industrial AI Context 先驅計畫
讓 AI 看見完整的故事，做出更聰慧的決策