# 5-2 製造業與 IoT 智慧工廠應用

回到白皮書首頁：[MCP 全方位技術白皮書](/@thc1006/mcp-whitepaper-home)

---

## 台灣智慧製造的轉型痛點
1. **資料孤島**：PLC、SCADA、MES、ERP 各自封閉。
2. **低即時性**：資料匯總與報表延遲 4–24 小時。
3. **人力依賴重**：異常判斷與排程靠經驗法則。

MCP + IoT 打破資料孤島，讓 AI 以秒級速度決策。案例企業：**WinTech Electronics**（假名），專攻 PCB 製造。

## 架構概覽

  Edge Node (產線)              工廠資料中心                雲端(選擇性)
┌────────────────┐  ┌─────────────────┐  ┌────────────────┐
│   PLC ↔ Edge MCP │→│  Factory MCP GW  │→│  Cloud Analytics│
│   Sensor ↔ OPC UA│  │  + Orchestrator │  │   (選擇性)     │
└────────────────┘  └─────────────────┘  └────────────────┘

- **Edge MCP Server**：安裝在產線邊緣電腦，提供 PLC/感測器即時資料。
- **Factory MCP Gateway**：集中快取、封包過濾、模態轉換 (MQTT→JSON-RPC)。
- **Cloud Analytics MCP**：進行長期趨勢分析與跨廠區優化。

## 核心流程：即時良率預測與自動調機

async def realtime_yield_control(batch_info):
    # 1. 邊緣資料擷取
    metrics = await edge_mcp.call_tool('read_line_metrics', {
        'line_id': batch_info['line_id'],
        'duration': 60  # 過去 60 秒
    })

    # 2. AI 即時良率預測
    yield_prediction = await factory_ai.ask(
        '預測此批次良率並建議參數調整',
        context=metrics
    )

    # 3. 自動調機
    if yield_prediction['expected_yield'] < 98:
        await edge_mcp.call_tool('adjust_machine_params', {
            'line_id': batch_info['line_id'],
            'parameters': yield_prediction['recommended_params']
        })

    # 4. 異常上報
    if yield_prediction['risk_level'] == 'high':
        await slack_mcp.call_tool('send_alert', {
            'channel': '#manufacturing-ops',
            'message': f"⚠️ 良率風險：{yield_prediction}"
        })

### 成效
- 良率提升 3.8%
- 調機時間縮短 70%
- 年省報廢成本 NT$2,400 萬

## IoT 安全治理
- **mTLS + OPC UA SecurityPolicy Basic256Sha256**
- **Zero Trust**：產線到資料中心僅允許 JSON-RPC 白名單端點
- **即時威脅偵測**：工業防火牆 + AI 行為分析

## 小結
MCP 讓 OT (Operational Technology) 與 IT 完美整合，為台灣智慧工廠打造高韌性、可擴展且安全的 AI 平台。

---

**下一頁：** [5-3 醫療保健系統整合實務](/s/mcp-healthcare)