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。

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

PT-RF321 系列 製冷行業壓力傳送器（ATLANTIS 自有品牌）

為什麼選這款專為冷凍、空調、暖通行業設計，具備優異抗干擾性能，並通過鹽霧、溫濕度測試，適合長期安裝於冷媒系統迴路，作為連續壓力數據來源，是導入 AI 監控前，資料層最基礎的感測選型。

已導入場域冷凍空調設備製造商產線測試、中央空調機房冷媒迴路壓力連續監測。

與高階型差異相較一般型壓力傳送器，PT-RF321 針對冷媒介質相容性做過專門設計；若需搭配 HART 遠端診斷或雙迴路冗餘輸出，建議升級至 SDPT-3100 智能型壓力傳送器。

微洩漏偵測客製型

DPG-X3.0 系列（SP 客製型）｜數位壓力錶

DPG-X3.0 系列 數位壓力錶，SP 客製型專為長期持壓/保壓微漏偵測設計

為什麼選這款內建高精度壓力傳感器，長期穩定性佳；SP 客製型專門針對「長期持壓、保壓」場景設計，可用於偵測系統是否存在微量洩漏，是本文情境中「90→86 psi」數據來源的理想感測器類型。

已導入場域壓力實驗室校驗、便攜式現場檢測、設備配套持壓測試。

與高階型差異標準型適合單點量測與人工記錄；若需要自動連續上傳數據供 AI 模型訓練，建議選配藍芽/數位輸出型號如 DPG-X112，減少人工抄錶誤差。

數據自動化首選

DPG-X112｜高精度藍芽數位壓力錶（可旋轉式）

DPG-X112 可旋轉 330° 高精度藍芽數位壓力錶

為什麼選這款主副屏分屏顯示，同時呈現壓力與環境溫度、最大/最小值；支援 Type-C 或藍芽匯出記錄數據，是本文「把 psi 數據餵進 AI 模型」流程中，最貼近資料自動化採集需求的機型。

已導入場域需要現場快速讀值、同時匯出歷史記錄供工程分析的機房與產線巡檢應用。

與高階型差異DPG-X112 定位為現場攜帶式高精度記錄器；若需要 24 小時固定安裝、遠端連續回傳雲端的架構，建議搭配 SDPT-3100 或 PT-RF321 做固定式監測點。

HART 遠端診斷型

SDPT-3100｜HART 智能型壓力傳送器

SDPT-3100 智能型壓力傳送器，支援 HART 通訊與環境溫度自動補償

為什麼選這款基於微處理器的高性能傳送器，具備 HART 協議通訊、環境溫度自動補償，可遠端組態與診斷，適合作為 AI 監控系統中，需要高精度、高穩定性的固定式監測節點。

已導入場域需要遠端標定、無須拆卸即可診斷的關鍵系統監測應用，如中央主機房、精密製程冷卻系統。

與高階型差異相較一般 4-20mA 類比輸出型號，SDPT-3100 的 HART 通訊可疊加數位診斷資訊於既有類比迴路，適合既有系統升級改造，無須重拉線路即可獲得更豐富的診斷數據。

洩漏檢測應用型

DMPT-300 系列｜微差壓傳送器

DMPT-300 系列 微差壓傳送器，適用暖通空調洩漏檢測應用

為什麼選這款專為低壓差測量設計，廣泛應用於暖通空調系統、潔淨室壓差監控、鍋爐通風系統及電廠設備的洩漏檢測，提供高精度微差壓測量解決方案，適合搭配主壓力數據做交叉驗證。

已導入場域潔淨室壓差監控、空氣微壓測量與風速/壓力測量控制應用。

與高階型差異DMPT-300 系列聚焦「差壓」而非單點絕對壓力；若你的系統需要的是主迴路冷媒壓力趨勢監控，建議以 PT-RF321 或 SDPT-3100 為主，DMPT-300 系列則適合作為風管、潔淨室等輔助洩漏診斷的補充感測點。

九、導入 AI 冷媒監控系統的建置流程

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：

❓ 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。

十一、延伸閱讀：ATLANTIS 冷凍空調與工業量測知識庫

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。