AI 故障預測與預防性維護第01期

緣由：
高雄、屏東地區因產業聚落完整，特別是在金屬加工、電子零組件、ICT設備等領域，近年積極導入智慧製造系統，對具備「AI預測維護技術」、「時間序列分析」、「設備健康管理」等能力之人才需求快速提升。企業普遍指出，現場維修人員雖熟悉機電維護，但缺乏以AI工具分析異常、預測設備壽命與提早介入維修的能力，導致AI系統部署成效受限。部分企業表示，內部已有嘗試導入Autoencoder、LSTM等模型進行設備異常監測，但技術門檻高，缺乏能自主維護與調整模型之工程人員。另也有企業反映，AI模型準確率高低與可解釋性影響現場接受度，顯見企業對於導入具備XAI能力的AI維護人才有實際需求。因此，在高屏澎東地區製造業推動AI轉型的背景下，開設「AI故障預測與預防性維護」主題訓練課程，正好對應區域企業對中高階技術人才的需求缺口，有助於提升在地人才對智慧製造技術之理解與實作能力，進一步加速區域產業升級與技術落地。
訓練目標：
AI模型建立與應用技能、感測資料處理與建模技能、異常偵測與無監督學習技能、AI維護實務整合與演練技能、模型可解釋性分析技能
就業展望：
學員可於智慧工廠、製造設備商、系統整合商、工控系統商、智慧製造顧問公司等單位任職，或作為內部技術升級的轉型角色，協助企業建構AI導向的設備維運策略。未來隨產線數位化成熟與AI模型普及，該職能將更具不可取代性，具備穩定發展潛力與升遷空間。可勝任以下職務領域：智慧製造應用工程師、AI設備維護技術員、資料分析助理/工程師、AI應用導入協同人員、數據維修管理人員

 資料前處理×隨機森林：基礎故障預測啟程(6小時)-1.故障預測的基礎與資料前處理pandas,matplotlib,sklearn感測器與設備數據清洗與探索2.隨機森林進行故障分類RandomForestClassifier特徵選擇、模型訓練、準確率分析判別設備是否接近故障
● 增強模型×壽命預測：設備健康管理進階(6小時)-1.XGBoost故障預測強化模型XGBoostClassifier超參數設定、重要特徵視覺化強化分類與異常診斷2.預測設備剩餘壽命（RUL）Linear/RidgeRegressionRUL建模、預測誤差評估精密設備壽命估計
● LSTM×ARIMA：時序異常雙技法(6小時)-1.LSTM時間序列異常偵測LSTM(Keras/TensorFlow)時序建模、長短期記憶單元高頻數據異常行為監測2.ARIMA傳統時間序列模型ARIMAstatsmodels實作與預測傳統方法與AI模型對比
● Kmeans×Autoencoder：無監督異常探索(6小時)-1.K-means群集異常分析KMeansClustering無監督學習、群組視覺化將異常設備行為分群識別2.自動編碼器進行異常偵測AutoencoderTensorFlow實作、重建誤差分析故障樣態辨識與早期預警
● XAI×綜合演練：可信決策實戰工作坊(6小時)-1.SHAP/LIME模型解釋ExplainableAI(XAI)解釋黑盒模型的決策邏輯向管理階層呈現模型可信度2.綜合應用與模擬演練整合各模型與模擬故障情境多模型比較、流程建構與決策

詳細課程連結：https://ojt.wda.gov.tw/ClassSearch/Detail?OCID=171154&plantype=5