Harbor AI 2.0 子案例
RUL 與自動閾值調整
將壽命分析接上設備閾值管理：先確認模型依據，再分開建議、採用與下發，讓使用者保有控制。
- 我的角色
- 我追查 AI 分析的資料與假設，要求以參數消融比較修正方向；並設計建議值、平台採用與 Gateway 下發的分層控制，與團隊及 AI agents 協作實作。
工作流程示意（點圖放大）要解決的問題
將壽命分析接上設備閾值管理：先確認模型依據，再分開建議、採用與下發，讓使用者保有控制。
輸入、處理與產出
- 輸入
- 設備時間序列與模型產生的壽命／閾值建議。
- 處理方式
- 先驗證模型假設，再依感測器政策、手動鎖定及安全條件決定是否採用。
- 產出
- 設備下發、平台數值與歷史紀錄分層管理，保留使用者控制。
適用範圍
模型比較與控制面驗證，不等於現場壽命準確率已校準。
核心問題與我的做法
撤回看似合理的 AI 結論，重查實驗依據
AI 已形成修正建議，但其引用的真實資料其實是測試常數，結論不能直接支持產品決策。
先作廢受污染的數值與核可，再用多參數、多資料形態的消融重建判斷。 本人追問資料來源與因果，要求比較參數、劣化曲線及健康序列；研究 notebook 直接呼叫實作函式並核對程式雜湊。
以對照實驗辨識原限制對快速劣化的遮蔽，也檢查健康序列的誤報風險，讓修正方向重新有可回查的依據。
讓模型建議經過採用政策才改設備閾值
模型有新建議，不代表平台應立即修改每個感測器閾值；頻繁變動會讓設備控制難以理解。
將建議計算、平台採用與設備下發分層，另外管理手動政策及安全限制。 本人建立閾值回饋控制面，讓平台檢查全域開關、感測器政策、手動鎖定、冷卻期與調整幅度，並同步數值及歷史。
模型建議、平台採用與設備下發有各自的責任與歷史，使用者也保有手動控制；現場壽命真值仍需另外校準。
成果與驗證
已整合閾值狀態與歷史同步、每感測器自動／手動政策及安全門檻，並以服務及回歸測試檢查；現場壽命準確率仍待校準。
RUL · 參數消融 · SHA-256 · API · Gateway threshold OTA
回到工業智慧監控平台