壓接力監控的 AI 解釋：判得準與看得懂的證據

畫面出現「缺股」警報，同時將壓接力曲線的一部分標成紅色。這能協助工程師決定從哪裡開始檢查，卻還沒有回答兩個問題：產品是否真的缺股，以及紅色區域是否有助於使用者採取正確行動。

本篇研讀面向正在評估 AI 壓接力監控的品質與製程工程師。我們以 Hofmann 等人的一項公開研究為例，分別解讀分類結果、模型解釋及對使用者的影響，並整理可直接用於技術審查的分母與比較條件。論文於2026年3月31日發表，正式出版版本日期為4月10日。本篇是針對既有研究的專題研讀。原論文

先區分三項評估對象

這三者之間可以逐步建立關聯，但不能互相取代。我們建議審查時先看錯誤發生的方向，再看解釋如何接受驗證，最後看使用者完成了哪些實際任務。以下依此順序檢視論文提供的證據。

從一條曲線到四段顏色：模型做了什麼

這項研究使用隨機森林，將前處理後的壓接力曲線分為正常、缺股，以及絕緣層壓入導體壓接區三類。隨機森林由多棵決策樹組成，每棵樹根據輸入特徵作出判斷，再整合成模型輸出。研究的輸入是曲線上連續的取樣點，而非由人選出的一個峰值。接著，SHAP 的 TreeExplainer 計算每個取樣點對特定類別輸出的貢獻。論文第3節；隨機森林官方文件

處理鏈可以這樣閱讀：

1. 擷取與前處理→
2. 隨機森林輸出類別→
3. TreeSHAP 解釋該類別的輸出→
4. 按製程階段彙整貢獻→
5. 在原始曲線上顯示顏色

這是方法內部關係的示意。分類發生在顯示顏色之前；顏色並未增加一次獨立的品質檢驗。

不能將既有壓接力監控一概視為只能比較單一峰值。論文引用的 BB07i4 原廠說明包含參考曲線比較、漂移處理及多組參考設定。本篇探討的貢獻，是將學習所得的分類與階段解釋連結起來。論文並未提供足以量化「優於所有傳統監控」的共同比較基準。BB07i4 原廠說明

論文將曲線分為對中、捲入、壓縮與回彈四個階段，分別對應端子翼開始接觸並對齊壓頭、翼部向導體捲入、導體與端子壓實，以及壓頭退回後的彈性恢復。研究採用的分界索引為75、150、345與500。這些是該資料處理方法中的位置，不能直接當作其他設備的時間、行程或通用分段參數。論文第2.1及3.5節、式4

階段彙整有一個容易忽略的細節：論文式6先對各階段內的 SHAP 值取平均，再將結果正規化形成色帶。這並未將四個階段各自轉成「失效機率」，也不是直接加總每個階段內所有貢獻的絕對值。

以純算術為例，同一階段兩個點的貢獻分別為 +0.02 與 -0.02，其帶符號平均值為0，絕對值的平均值則為0.02。前者保留推動與抵銷的關係，後者描述貢獻幅度；兩種彙整方式回答的是不同問題。這些並非論文的量測結果。閱讀或重現色圖時，應一併保留所解釋的類別、正負號、彙整方式與顏色正規化規則，否則「最紅的區域」所代表的意義就會改變。

TreeSHAP 解釋模型輸出相對於基準值的變化，也需要選定如何處理相互依賴的輸入特徵。曲線上連續的點彼此相關，因此軟體版本、背景資料及特徵相依性的處理選項，都是解釋成立的條件。僅保存一張色圖，不能讓相同顏色成為跨版本不變的指標。TreeExplainer 官方文件

95.9% 的結果包含哪些錯誤？

研究記錄了1,617條曲線，來自兩種導線與端子配對，涉及0.50 mm²與0.35 mm²導線。缺股與絕緣層壓入的樣本由研究人員刻意製備。資料隨機分為1,293個訓練樣本及324個測試樣本。這不是依真實產線缺陷發生比例抽取的一批出貨紀錄。論文第3.2節

作者報告的三分類準確率為95.9%。此處的正確與否是相對於作者標籤而言。刻意製備的缺陷標籤，仍須與依產品要求判定的不合格狀態區分。先拆開各種錯誤方向：

表中的百分比是依論文件數計算並四捨五入的描述值，分母分別為標示正常與標示缺陷的樣本數。它們既非整體錯誤率，也不是模型判為正常的樣本之中，缺陷所占的比例。混淆矩陣應清楚標示哪一軸是參考標籤、哪一軸是預測類別，否則同一個格子很容易被解讀成另一個問題。論文第4.1節；混淆矩陣定義

報告值與文中列出的件數還有一個小差異：6 + 4 + 3 = 13次誤判，以324為總數重新計算，三分類準確率約為96.0%，並不完全等於作者報告的95.9%。因此，本篇保留作者報告值，另列錯誤件數與分母，不宣稱兩者可得出完全一致的重算結果。

品質審查更重要的是區分兩種缺陷類別之間的混淆，以及缺陷樣本被判為正常。前者影響診斷方向，後者涉及模型偵測缺陷的能力。若將任務簡化為正常與缺陷兩類，缺陷類別之間的3次誤判就不再算錯，指標也隨之改變。這也說明不同分類任務的準確率不能直接比較。

擾動測試支持了什麼

為了檢查階段解釋是否有用，研究人員將指定階段設為零、替換為隨機值或移除，再以相同訓練方法重新訓練模型。一個、兩個與三個階段的組合共形成42個擾動模型，並與未擾動的基準比較。這是在比較模型失去某區域資訊、重新訓練後仍能達到什麼表現，而非只對原模型的輸入遮蔽一次。論文第3.7及4.2節

表4顯示，僅擾動壓縮階段時，三種處理的準確率皆為0.861，低於作者報告的0.959基準。僅擾動捲入或回彈階段時，相應結果皆為0.954。這支持一項具體發現：在這批資料與此比較方法下，壓縮階段包含較難由其他區域補償的分類資訊。

這項測試並未直接證明紅色區域就是缺陷的物理成因。重新訓練後的表現下降，會受到移除的資訊量、其他階段是否能補償、模型及資料切分方式影響。論文也承認各階段的取樣點數不同。移除較長階段可能造成較大損失，不能僅憑損失幅度就認定每個點都更重要。

若下一步要比較兩種解釋方法，可以提出更具針對性的追加測試：讓兩種方法各自選出相同點數或相同長度的區間，再以一致的替換方式、訓練設定與測試集比較。這項建議旨在降低「移除得更多」所造成的混雜影響，並非論文已取得的結果。

工程師認同階段解釋，不代表任務表現已改善

論文的人因研究部分邀請兩位製程專家，評估各階段對已標明品質類別之曲線的影響，再將其評估與視覺化結果作定性比較。這可以檢查解釋是否大致符合專業知識，卻未提供跨班別操作員的盲測正確率、警報處置時間，或加入色帶前後錯誤操作的變化。論文第4.3節

兩個問題可以分開測試：

• 若要檢查階段解釋是否合理，可以請工程師說明某種缺陷預期會影響曲線的哪個區域，再與模型突顯的位置比較。
• 若要檢查介面是否有助於處置，應讓使用者處理不知道答案的紀錄，觀察他們在看原始曲線、再看類別提示、最後看階段解釋時的判斷。記錄「無法判斷」同樣有意義，不應要求使用者每次都提出一個原因。

後一種比較最好固定樣本難度與可用資訊，並考量呈現順序帶來的學習效應。否則第二次回答較快，可能只是因為使用者已看過同一條曲線。漏判或誤分類的樣本也應保留解釋畫面；清楚的解釋仍可能是在解釋錯誤預測。

現在有哪些材料，遷移評估還缺什麼？

論文提供公開全文，並連結至 Harvard Dataverse 的 Crimp Force Curve Dataset，以及介紹擷取、標註與技術驗證的 Scientific Data 論文。目前資料集版本為V3.0，完整資料包含2,439條曲線，與本研究使用的1,617條子集不同。資料同時保留人工標籤與CFM判定，包括兩者不一致的紀錄。評估前應指明使用哪套參考標籤，並以專案適用的方法判定實際合格狀態。這些公開材料可供離線方法評估使用；資料集入口並非已驗證的線上監控軟體。資料集 DOI；資料說明論文

作者也提供公開的 cfc-analysis 程式碼儲存庫。此處連結固定於2025年8月22日的提交 cf20535，包含資料前處理、驗證及繪圖檔案。它提供理解資料的途徑，但不能據此認定2026年這項研究的完整隨機森林、TreeSHAP與介面程式碼已公開。

本次研讀未下載並執行完整資料集，也未取得並執行這項 SHAP 研究的完整訓練、切分與視覺化程式碼套件。若要主張精確重現，仍須一併核對：

• 資料版本及實際使用的樣本ID；
• 前處理與縮放範圍；
• 訓練／測試分配與隨機種子；
• 相依套件版本及SHAP選項；
• 階段邊界與顯示規則。

僅依論文參數訓練一次，不能假定會得到相同結果。

若評估對象改為新的端子、導線或設備，可以依下列順序準備證據。這些是評估建議，不是生產放行條件。

1. 先確定參考標籤的取得方式。 記錄缺股與絕緣層壓入樣本如何製備與確認，以及輕微異常如何與可接受狀態區分，並與樣本ID一同保存。標籤混淆時，提高模型分數無法解決品質定義的問題。
2. 將新條件保留給真正的外部測試。 要證明能跨批次使用，就留出完整批次；要證明更換設備或端子後仍適用，就留出對應條件。隨機切分同一來源的資料，只能回答其中部分問題。三分類結果也不會自動涵蓋未知缺陷。
3. 在同一批樣本上與既有監控比較。 相對於參考標籤，分別計算正常誤報、缺陷漏判與缺陷類型指示錯誤，並保留實際分母。不要將論文準確率與另一批工件的警報率相比。產品缺陷比例改變時，也應分別檢查模型預測為缺陷與正常的兩組樣本，確認各組有多少異常經專案方法證實。
4. 最後評估解釋是否改變行動。 在既有處置流程中，檢查色帶是否減少錯誤方向的檢查，或協助工程師辨識模型不可靠的情況。若唯一發現是階段解釋較符合直覺，結論就應限於解釋合理性，仍須驗證使用者的處置。

技術審查最有用的第一頁，可能只有三行：新條件下的錯誤方向與分母、用於驗證解釋的擾動比較，以及使用者實際完成的判斷任務。研究中的隨機森林、TreeSHAP與階段色帶，為前兩行提供值得探討的組合；第三行仍須補上目標工作環境中的證據。

繼續準備壓接品質審查，可閱讀壓接高度、拉力與截面各能說明什麼，區分製程曲線與成品檢驗的用途。更多前沿研讀與實務指南，請見資源庫。

來源與閱讀說明

主要研究：Hofmann, B., Bründl, P., Nguyen, H. G. 與 Franke, J.，Transparent machine learning for crimp force monitoring using phase-based SHAP explanations，Industrial Artificial Intelligence 4, 2 (2026)，DOI: 10.1007/s44244-026-00028-6。中文研讀與評估建議依公開全文獨立撰寫，未轉載原始圖片。原論文採用 CC BY 4.0 授權。本篇的算術範例與追加測試建議並非作者實測結果，也不代表 MTTJ 已完成重現或產線驗證。

資料讀取日期：2026年10月7日。若作者後續公開程式碼、修訂結果，或出現獨立的跨設備驗證，應優先更新實作條件與遷移評估。

本文的資料整理與撰寫由 AI 協助。