第六章:射出智慧製造下一步-數位工廠、多目標排程與持續改善
智慧製造不是一個有明確終點的專案。系統上線後，現場反而會開始看到以前沒有注意到的問題：哪些資料還沒有被記錄、哪些異常原因分類得不夠細，以及哪些流程仍需要人工重複整理。
因此下一階段的方向不是單純增加更多功能，而是把目前已經能使用的資料往下接完整，再評估真正需要的模型與自動化。
6.1 打造塑膠射出數位工廠
目前機台聯網已經可以取得部分設備狀態、Cycle Time、模次及製程資料，MES 則負責把這些資料和工單、產品及模具建立關聯。
下一階段的數位工廠（Digital Factory），重點是把目前仍分散的資料接到同一條生產時間軸上。
後續將持續整合 OPC UA 設備資料、工單、生產時段、模具、材料批號、品質結果與其他可取得的製程紀錄。
若設備能提供實際壓力、位置或其他製程曲線，也可以進一步保存，再和品質結果一起比較。
這裡的目標不是單純累積更多 Tag，而是讓資料之間有關係。
例如發生尺寸異常時，可以從產品批次找到工單，再找到當時使用的機台、模具與生產區間，接著往下查看同一時間的 Cycle Time 或其他製程資料。
從歷史紀錄開始做生產模擬
數位工廠可以逐步增加模擬功能，但需要區分哪些是真實設備資料，哪些是系統計算結果。
排程方面，可以先利用現有訂單、機台與模具條件模擬急單插入後的影響；模具與產品開發則可搭配 CAE 分析比較不同設計與成型條件。
這些模擬可以減少部分人工試算，但不能完全取代實際試模與現場驗證。
6.2 多目標排程與決策
現在的 GA 排程已經能根據既定條件產生預排方案，但工廠真正要做的決定通常不只有「最快完成」一個目標。
例如把所有訂單塞得最緊，可能會增加換模次數；為了降低換模，又可能讓部分急單延後。因此下一階段會評估多目標最佳化。
評估 NSGA-II 多目標最佳化
規劃方向之一，是評估在目前 GA 排程之外加入 NSGA-II 等多目標最佳化方法，而不是直接把現有排程全面替換。
排程時可以同時考慮幾個不同指標，例如：
- 總完工時間。
- 交期延遲。
- 換模次數或換模時間。
- 設備負載平衡。
- 在具備可靠量測資料時，納入部分能源指標。
這些目標之間通常會互相衝突，因此系統不一定只有一個答案。
Pareto 前緣用來比較方案，不是替人做最後決定
多目標最佳化比較適合產生數個不同取向的方案，再讓生管選擇。
例如一個方案交期較好但換模較多，另一個方案換模較少但部分訂單稍晚。生管可以依當時的訂單、模具與現場狀況選擇，而不是要求演算法自己定義什麼叫「最好」。
| 方案 | 可能特性 | 適用情況 |
|---|---|---|
| 交期優先 | 優先降低逾期，但可能增加換模或設備切換 | 急單多、客戶交期壓力高 |
| 換模優先 | 相同模具或相近產品集中生產 | 換模成本高或模具準備時間長 |
| 設備平衡 | 避免少數機台過度集中 | 多機台共同分擔產能 |
| 綜合方案 | 在交期、換模與負載之間折衷 | 一般日常排程 |
6.3 持續改善
系統上線之後，如果長時間沒有回頭檢查資料與規則，最後很容易變成另一套只負責留下紀錄的系統。
因此後續改善會固定回到幾項 KPI 與實際使用問題。
定期 KPI 回顧
每月可以固定檢查 OEE、良率、Cycle Time、停機、排程時間及能源等指標。
但不是看到數字下降就直接要求改善，而是先確認產品組合、產量與設備條件是否相同。沒有相同基準，不同月份的數字不一定適合直接比較。
模型與預警規則持續更新
Cycle Time 基準、異常門檻與排程權重都需要定期檢查。
例如某個產品修模後 Cycle Time 本來就變短，系統仍使用舊基準，就會一直出現沒有意義的警示。
生管手動修改排程的紀錄也可以保留下來，之後再分析哪些條件是演算法尚未考慮到的。
系統架構依維護需求調整
隨著功能增加，報工、排程、設備資料、倉儲與其他模組可以依實際維護需求逐步拆分。
是否採用完整微服務架構，不需要為了技術名稱而做。對內部 MES 而言，如果模組數量還不大，保持清楚的 API 邊界與資料責任，可能比過早拆成大量服務更容易維護。
當某些模組需要獨立部署、更新頻率不同或負載明顯增加時，再拆成獨立服務會比較合理。
6.4 人員培訓與現場知識留存
智慧製造最後還是由現場的人使用。如果新系統讓操作員多做很多沒有用途的輸入，或工程師根本不相信系統的預警，功能做得再完整也不會真正落地。
不同職務需要不同的使用重點
培訓內容不只教人員「按哪一顆按鈕」，也應說明為什麼需要記錄這筆資料，以及後面會拿來做什麼。
- 操作員：報工、異常原因、不良數量與必要備註。
- 調機人員：Cycle Time、製程條件、模具與異常紀錄。
- 品管：品質結果與工單、生產時間的關聯。
- 生管：排程結果、人工調整原因與交期影響。
- 管理者：KPI 趨勢與異常原因，而不是只看單一數字。
資料不是取代現場經驗
射出現場有很多判斷仍然需要經驗。例如同樣 Cycle Time 變長，有時是設備問題，有時是操作方式改變，也可能是產品本來就調整了冷卻時間。
因此比較實際的方式，是讓現場經驗和系統資料互相補充。
師傅判斷出原因後，把結果留下來；下一次再發生相似狀況時，其他人就不需要完全從頭找。
讓改善紀錄留得下來
每一次調機、修模、排程調整或品質改善，如果最後只停留在口頭討論，下次遇到同樣問題還是可能重新再做一次。
後續系統會更重視「改善前、做了什麼、改善後結果」這三段紀錄，讓現場經驗逐步變成可查詢的資料。
從 6.1 到 6.4 的規劃可以看到，下一階段並不是單純增加更多 AI 功能。資料完整度、排程模型、系統維護方式與現場人員使用習慣，都需要一起往前調整。
對寶泰而言，智慧製造接下來的方向仍然是同一件事：先解決現場真正存在的問題，再決定下一個值得投入的功能。