一列輕軌能否準時進站，有時取決於軌道上一個不起眼卻至關重要的設備：轉轍器。它負責引導列車安全且準確地切換行駛軌道，一旦發生未定位、路徑未開通或異物卡滯，不只可能造成列車延誤，更會影響尖峰時段調度與乘客服務品質。對公共運輸營運單位而言，真正的挑戰不是設備異常後才搶修，而是如何在異常發生前，提前看見設備健康狀態的變化。

新北大眾捷運股份有限公司面對輕軌轉轍器維運挑戰，提出「輕軌轉轍器智慧預知維護系統建置試辦計畫」，與詠鋐智能股份有限公司合作，導入AIoT智慧感測、4G LTE資料傳輸、邊緣運算與AI異常偵測模型，將傳統固定巡檢模式，逐步轉型為可即時監測、可預測風險、可精準派修的智慧維運流程。

政府出題：當轉轍器異常成為延誤主因，如何提早看見風險？

轉轍器是捷運及輕軌系統中的關鍵動態機電設備，功能在於引導列車安全切換行駛軌道，對列車運行安全與準時性影響極大。新北捷運彙整113年度輕軌系統5分鐘以上延誤事件後發現，轉轍器異常占比達30.7%，為所有延誤原因之首，平均每案延誤時間超過7分鐘；若發生於尖峰時段，更會增加列車調度壓力，影響整體服務水準。

然而，既有轉轍器監控方式多以燈號狀態呈現，例如正常、異常或禁止通過。這樣的系統可以在異常發生當下提醒人員，卻難以提供異常徵兆或劣化趨勢。也就是說，行控中心能知道「設備已經異常」，卻不容易提前知道「哪一座轉轍器正在逐步變差」。

淡海輕軌屬於平面開放路段，轉轍器也更容易受到外部環境影響。路面砂石、落葉、垃圾，或周邊車流帶來的小石噴濺，都可能造成轉轍器卡滯、扳動失效或落鎖異常。過去現場人員多半仰賴固定巡檢與異常後派修，所有轉轍器皆需定期開蓋檢查，耗費大量人力與維運預算，卻仍難以精準判斷哪一座設備最需要優先處理。

新創解題：以AIoT建立轉轍器健康指標，從固定巡檢走向預知維護

詠鋐智能針對新北捷運的維運痛點，提出「軌道轉轍器AIoT智慧監測與預知維護系統」。系統採用外掛式SmartTag智慧感測器，在不介入原有轉轍器核心控制系統的前提下，於轉轍器關鍵零部件進行物理量測，補足既有燈號監控無法掌握劣化趨勢的缺口。

在本次試辦中，詠鋐智能於新北捷運淡海輕軌SW100與SW101兩座轉轍器部署感測設備，針對馬達、左落鎖與右落鎖等關鍵部位蒐集振動與距離數據。這些資料透過4G LTE閘道器回傳至行控中心，再由邊緣運算裝置進行資料接收、儲存、視覺化與分析，讓轉轍器每一次扳動都能轉化為可追蹤、可比對、可建模的維運資料。

這套解方的關鍵，不只是裝上感測器，而是把設備狀態轉化為可判讀的健康指標。詠鋐智能將SmartTag感測數據、UCS Log與距離資訊整合，透過資料前處理、特徵工程與AI模型訓練，建立轉轍器異常偵測與風險排序機制，協助維修人員從過去「每一座都固定巡檢」，轉向「優先處理高風險設備」。

Deep Tech落地：不用等設備壞掉，也能從正常資料中看見劣化趨勢

公共運輸設備的異常樣本通常不容易大量取得，這也是AI導入軌道維運常見的挑戰。詠鋐智能在本案中創新採用Decay Rate振動變異量分析法，從日常正常扳動資料中建立健康基準，觀察設備振動變化是否逐步偏離穩定狀態。換句話說，系統不必等到設備壞了才學會異常，而是從「正常狀態如何變得不一樣」提前捕捉風險。

透過馬達、左落鎖、右落鎖的振動變異量與轉轍器扳動時間，系統可輔助判讀馬達出力、落鎖穩定度、機構磨損或外部異物干擾等可能風險。搭配非監督式異常偵測模型，例如Isolation Forest、One-Class SVM、LOF與AENN等演算法，詠鋐智能進一步建立轉轍器健康分數與高風險設備排序，提供維修決策參考。

這樣的技術設計，讓AI不只是後端分析工具，而是能真正嵌入捷運維運流程。當系統發現特定轉轍器的振動特徵、落鎖變化或扳動時間逐漸偏離穩定狀態，維運團隊即可提前掌握風險，安排檢查與維修，降低突發異常造成營運延誤的機率。

實證場域：淡海輕軌SW100與SW101，完成8顆感測器與2組4G LTE閘道器建置

本次實證以新北捷運淡海輕軌SW100與SW101兩座轉轍器為示範場域。詠鋐智能完成8顆振動感測器與2組4G LTE閘道器建置，並於行控中心架設邊緣運算設備，成功將現場轉轍器狀態即時回傳至行控中心，建立從設備端、通訊端到分析端的完整AIoT監測流程。

在資料傳輸驗證方面，行控中心進行100次轉轍器扳動測試，所有資料皆完整回傳，未漏失任一次扳動行為，證明感測器、4G LTE傳輸與邊緣運算架構能穩定支援現場營運需求。對捷運維運單位而言，這代表轉轍器不再只是被動顯示正常或異常，而是能持續產生可供分析的設備健康資料。

在資料蒐集與特徵建構方面，團隊整合SmartTag感測數據、UCS Log與距離資訊，於SW100與SW101兩座轉轍器各蒐集約1,600筆扳動紀錄，合計約3,200筆資料，並以Decay Rate特徵工程量化設備劣化趨勢，建立後續AI模型訓練與風險判讀的基礎。

AI模型準確率最高97%，超越90%驗收標準

在AI模型開發上，詠鋐智能運用非監督式異常偵測方法建立轉轍器預警AI模型，將轉轍器扳動時間、馬達Decay Rate、右落鎖Decay Rate與左落鎖Decay Rate等資料特徵納入分析。實證結果顯示，SW100轉轍器模型準確率達97%，SW101轉轍器模型準確率達93%，皆高於原定90%以上的驗收標準。

除了模型準確率，系統也在試營運期間持續監測轉轍器狀態。結果顯示，試營運期間未發生超過5分鐘的無預警轉轍器異常事件，符合5分鐘以上無預警異常次數低於2次的服務目標。這項成果不僅驗證AIoT感測與AI模型的可行性，也展現預知維護對提升輕軌營運穩定性的潛力。

更重要的是，這套系統讓維修決策有了新的依據。過去，維修人員必須依固定週期檢查所有轉轍器；未來，則可依據AI健康指標與風險排序，優先處理系統判斷需要檢修的設備。依計畫預估，導入後巡檢人力工時可降低80%，讓維運資源從平均分配轉向精準派修。

從單一場域試辦到軌道智慧維運，打造公共運輸安全新典範

詠鋐智能與新北捷運的合作，展現新創採購平台串接政府場域與新創技術的價值。新北捷運提出明確的營運痛點，詠鋐智能則以AIoT與資料科學方法，將軌道設備維護從「異常後處理」推進到「異常前預測」，協助公共運輸系統建立更主動、更科學的維運模式。

本案的意義不只在於兩座轉轍器的試辦成果，更在於建立一套可擴散的軌道設備智慧維護模組。從SmartTag感測、4G LTE傳輸、邊緣運算，到AI異常偵測與健康排序，這套流程未來可延伸至更多輕軌、捷運或軌道設備場域，協助營運單位降低延誤風險、提升準點率，並讓維修資源配置更精準。

當轉轍器的每一次扳動都能被記錄、分析與預警，公共運輸維運就不再只是固定巡檢與事後搶修，而是逐步走向資料驅動的主動治理。詠鋐智能以AIoT技術協助新北捷運看見設備健康變化，也讓城市軌道交通在安全、準點與永續維運之間，找到更智慧的前進方式。