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
許多設備團隊想做預測性維護，第一個現實問題是：故障資料很少，甚至沒有乾淨標籤。這不是例外，而是常態。真正昂貴的設備不應該常常故障，所以故障樣本少，本來就很合理。沒有標籤時，不能直接承諾「預測故障」。但仍然可以建立一套更務實的設備智慧流程。
可以先做什麼
第一步是資料盤點：哪些感測器穩定、哪些欄位常缺值、哪些訊號受工況影響最大。第二步是正常行為建模：在相似工況下，設備指標應該如何變動。第三步是異常排序：把偏離正常模式的時間段排出來，交給工程師判讀。這些工作不需要完整故障標籤，卻能建立模型與工程判斷之間的共同語言。
從異常到維護決策
異常不是故障，也不等於立刻維修。它比較像是一個「請優先檢查」的訊號。若異常持續、跨多個感測器一致、且與工況無法解釋，才更接近維護決策。
最簡單的基準方法
可先用分位數、移動視窗、同工況比較或簡單 autoencoder 建立健康分數。重點不是模型名稱，而是能否把結果轉成工程師可檢查的清單：什麼時間、哪個訊號、偏離多大、是否持續。
進階模型能增加什麼
當維修紀錄、巡檢紀錄與更換零件資料逐漸完整後，可以建立弱標籤。例如「維修前 30 天」不一定等於故障期，但可以協助模型學習風險上升的特徵。若有足夠生命週期資料，才更適合討論剩餘壽命。
評估方法與錯誤成本
沒有故障標籤時，不應只追求分類準確率。可以先評估異常清單的工程命中率、每週可處理警報量、維修前是否出現一致偏移，以及模型是否能降低人工篩查時間。
失敗情境
最大的風險是把「沒有標籤」包裝成「模型自動知道故障」。這會讓使用者對系統產生過度期待。另一個風險是忽略資料漂移，導致模型把季節、負載或維修後狀態變化誤判成劣化。本站案例為合成資料，異常不等於故障。
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。