工研院產業學習網

1. 掌握電光與材化產業智慧工廠的發展趨勢、關鍵架構與導入邏輯。

2. 了解OT、IT、IoT、MES、ERP、Edge AI及雲端平台的整合方式。

3. 建立製程數據蒐集、治理、分析、視覺化與決策應用能力。

4. 運用AI進行品質預測、參數最佳化、異常偵測、影像判讀及預知維護。

5. 將能源、碳排、製程安全與工業資安納入智慧工廠整體規劃。

6. 完成企業智慧工廠導入藍圖，明確定義KPI、資源、效益與分階段路徑。

電光、電子、光電、半導體、化工、材料及相關製造業之員工與生產、製程、設備、品保、資訊、永續管理人員

李國憲博士

現任中華科技大學研發長、亞洲物聯網聯盟理事長，並擔任大佳雲端科技董事監察人。長期投入人工智慧、生成式AI、工業物聯網、雲端數據、智慧製造、企業數位轉型及ESG智慧減碳等領域，兼具高等教育、產業實務與跨域資源整合經驗。
在課程設計上，李博士著重以企業問題為起點，將技術架構、製程數據與管理決策串聯，協助學員從單點自動化或概念驗證，進一步形成具有KPI、投資效益與擴散路徑的智慧工廠方案。

現職

1. 中華科技大學研發長

2. 亞洲物聯網聯盟理事長

3. 大佳雲端科技董事監察人

專長領域

1. AI、生成式AI與企業決策應用

2. 智慧工廠、工業物聯網與IT／OT整合

3. 雲端數據平台、資料治理與商業智慧

4. 企業數位轉型、創新商業模式與跨域資源整合

5. ESG、智慧能源管理與數位減碳

單元一｜電光與材化產業智慧製造趨勢（2小時）

學習重點：建立產業導向的智慧工廠共同語言，協助學員辨識自身企業所處的數位成熟階段。

1. 電光與材化產業的市場、製造與供應鏈挑戰
2. 少量多樣、製程波動、良率、交期、安全與能源成本議題
3. 從自動化、數位化、智慧化到自主化工廠的發展路徑
4. 智慧工廠成熟度評估：人、機、料、法、環、測與數據治理
5. 企業智慧製造目標、KPI及優先應用情境設定

單元成果｜企業智慧工廠現況盤點與優先改善議題清單。

單元二｜智慧工廠整體架構與IT／OT整合（3小時）

學習重點：理解生產現場到企業管理層的資料流、控制流與決策流。

1. 感知層、控制層、製造執行層、企業管理層及AI決策層
2. PLC、SCADA、DCS、工業物聯網與邊緣運算
3. MES、ERP、WMS、QMS、LIMS與設備資料整合
4. Edge AIAI與雲端的功能分工與部署原則
5. 數位主線、設備履歷、批次履歷與品質追溯架構

單元成果｜企業智慧工廠系統架構草圖。

單元三｜製程數據蒐集與資料治理（2小時）

學習重點：建立可用、可信、可追溯並能支援AI模型的製造數據基礎。

1. 設備、製程、品質、原料、環境與能源數據盤點
2. 溫度、壓力、流量、濃度、振動、光學與影像感測器選用
3. OPC UA、MQTT、API與異質設備資料交換
4. 老舊設備聯網、時間同步、資料標籤與主數據管理
5. 資料缺漏、異常值、偏移、頻率不一致及資料品質處理

單元成果｜關鍵數據欄位、來源、頻率、責任人與品質要求表。

單元四｜AI製造分析與模型應用（3小時）

學習重點：能依製造問題選擇適當的AI方法、評估模型表現並規劃部署。

1. 監督式、非監督式、時間序列與影像模型的製造應用
2. 異常偵測、品質分類、製程預測與參數最佳化
3. 生成式AI應用於SOP查詢、維修知識、異常報告及決策支援
4. 模型準確率、召回率、誤報率、可解釋性與漂移監控
5. 從PoC到產線部署：資料、模型、介面、權限與營運維護

單元成果｜AI應用情境選題與模型評估指標。

單元五｜電光產業智慧製程專題（5小時）

學習重點：針對電光產業高精密、高潔淨與高追溯製程，建立數據驅動的品質與良率改善方法。

1. 無塵室溫濕度、微粒、壓差及能耗智慧監控
2. 曝光、鍍膜、蝕刻、清洗、封裝等關鍵製程參數分析
3. AOI影像辨識、缺陷分類及誤判率改善
4. 虛擬量測、即時良率預測與製程漂移預警
5. Recipe參數、機台、批號、原料與品質結果關聯分析
6. LED、面板、光學元件或半導體製程案例演練

單元成果｜電光製程缺陷或良率改善的AI應用構想。

單元六｜材料化工智慧製程專題（5小時）

學習重點：針對配方、反應、批次與連續製程，提升品質穩定性、原料效率與製程安全。

1. 批次製程與連續製程的數位化差異
2. 原料成分、配方、反應條件與成品品質關聯分析
3. 溫度、壓力、流量、pH、濃度、黏度等即時監控
4. 軟感測器、反應終點與無法即時量測品質的預測
5. AI配方最佳化、實驗數據分析與製程視窗設定
6. 製程異常、洩漏、危害反應及原料批次風險預警

單元成果｜材化配方、品質或安全問題的數據分析架構。

單元七｜智慧品質與全程追溯（2小時）

學習重點：整合品質管理方法與AI分析，縮短問題發現至根因改善的時間。

1. SPC統計製程管制與FDC故障偵測分類
2. 虛擬量測、品質預測與製程能力監控
3. AOI、實驗室與人工檢測結果整合
4. 原料、配方、批次、設備、人員、環境與成品追溯
5. AI根因分析、客訴資料串聯與閉環品質改善

單元成果｜品質追溯欄位與異常閉環流程。

單元八｜設備預知維護與智慧保全（2小時）

學習重點：由週期保養轉向以設備健康與風險為基礎的維護決策。

1. 預防保養、狀態監測與預知維護的差異
2. 溫度、電流、振動、聲音、壓力與告警數據分析
3. 設備健康指標、異常型態與剩餘使用壽命預測
4. 真空泵、壓縮機、馬達、反應槽及關鍵機台案例
5. 備品庫存、維修排程與生成式AI維修知識助手

單元成果｜關鍵設備健康指標與維護決策規則。

單元九｜能源、碳排、製程安全與工業資安（2小時）

學習重點：將節能減碳、製程安全與OT資安納入智慧工廠整體治理。

1. 電力、燃氣、蒸汽、冷卻水及壓縮空氣數據管理
2. 單位產品能耗、碳排熱點與產品碳足跡資料串接
3. 危化品、氣體洩漏、異常反應及高風險作業監控
4. OT與IT網路分區、設備帳號、權限、備份及事件通報
5. 能源、品質、產能與碳排之多目標決策思維

單元成果｜能源碳排與安全資安的重點監控清單。

單元十｜智慧工廠導入工作坊與成果發表（4小時）

學習重點：將課程知識轉化為可執行、可衡量、可分階段推動的企業導入方案。

1. 問題定義與利害關係人需求確認
2. 製程、設備、品質、能源與管理數據盤點
3. AI或數位工具應用方案與系統架構設計
4. KPI、成本、效益、風險與資源需求評估
5. 短期PoC、中期擴散、長期平台化導入藍圖
6. 分組提案、同儕回饋及講師評析

單元成果｜企業智慧工廠導入提案簡報或一頁式藍圖。

• 本堂課程因含實作，需全程攜帶筆電。
• 本課程報名資格需為國內依法登記成立之製造業在職員工，且為產發署產業競爭力輔導團受輔導廠商之在職員工者。
• 受訓學員需填寫個人基本資料、蒐集個人資料告知事項暨個人資料同意書及學員意見追蹤調查表，並於每堂課程上課須簽到、下課須簽退，且結訓學員需配合經濟部產發署培訓後電訪調查。
• 本課程學員出席率需達訓練總時數至少80％（含）以上，通過評量測驗達70分（含）以上，並完成填寫課後問卷，符合資格者，結訓後將發放結訓證書。
• 考量環保因素，本課程將不印製紙本講義，以提供課程電子檔取代。
• 因應性別主流化國際趨勢，打造友善職場之發展，歡迎女性學員踴躍報名。