本文使用公開概念與合成案例說明方法，不含真實機組、成本、場域或營運資料。
問題與決策情境
很多設備監測一開始都會採用固定警戒值：高於某個數字就警示，低於某個數字就正常。這很直覺，也容易溝通，但當設備負載、環境、季節或操作模式變動時，固定警戒值可能產生大量誤報。誤報不是小事。每一次警報都會消耗工程師注意力，久了之後，真正重要的訊號反而可能被淹沒。
直覺解釋
假設某個合成設備在高負載時溫度自然偏高，在低負載時自然偏低。如果用同一條固定線判斷，高負載時可能經常超標，低負載時又可能錯過早期偏移。此時問題不一定是設備壞了，而是判斷標準沒有理解「正常也會變動」。
動態基準
動態基準不是把門檻改得更寬，而是先估計在某個工況下合理的正常範圍。模型可以用負載、環境溫度、時間、操作模式等公開或合成欄位，建立「在這些條件下，這個指標大約應該在哪裡」。警報就不再只看原始數值，而是看實際值與預期值的差距，也就是 residual。
最簡單的基準方法
第一個基準不必是深度學習。可以先用移動平均、分群後的分位數、或簡單回歸建立正常區間。重點是把警報從「超過同一條線」改成「偏離同工況下的正常表現」。
進階模型能增加什麼
進階模型可處理多感測器關係。例如單一溫度看起來正常，但它與負載、振動、壓力之間的關係開始改變，模型可能提早發現偏移。不過這類模型仍需要工程師覆核，因為感測器故障、資料缺漏與維修後狀態改變，都可能讓模型誤判。
評估方法與錯誤成本
評估警報模型不能只看準確率。更重要的是每週警報量、誤報率、漏報代價、平均提前時間，以及工程師是否能從警報知道下一步該查什麼。
失敗情境
若模型只在單一季節訓練、沒有標記維修後狀態、沒有監控資料漂移，或把感測器故障當成設備故障，就可能造成更多誤報。本站設備健康實驗室僅使用從零生成的合成資料。
用互動模型建立直覺
改變參數並比較基準，觀察限制與假設如何影響結果。工具只供教育展示，不代表真實系統。