AI 介入空氣過濾：濾網沒變聰明，但周圍的決策變了

AI 應用到空氣過濾，很多人第一個反應是「濾網會變聰明嗎？」

>

答案：不會。濾網還是那片濾網。 但周圍的決策變聰明了，這就足以改變整個系統的成本結構。

2025 年 8 月 Discover Applied Sciences（Springer）發表的研究，系統性探討了這個問題。整理如下。

AI 在空氣過濾的四大領域

1. 過濾效率預測

問題： 新濾材開發要花很多時間做實驗 —— 改變纖維直徑、填充密度、孔徑，一輪一輪試錯，每輪幾週。

AI 解法： 機器學習模型（隨機森林、神經網路）分析歷史數據，預測不同參數組合下的過濾效率，讓研發團隊把精力集中在最有希望的方向，研發時間縮短 30–50 %。

實務意義： 新濾材開發週期從 12 個月縮到 6–9 個月。

2. 能源優化

問題： 傳統 PID 控制的空調系統，要「以不變應萬變」—— 用保守的風量設定避免潔淨度失守。結果：大部分時間都在浪費。

AI 解法： 結合室內粒子計數、人員在場感測、製程狀態，即時調整風量與風速。潔淨度達標的時段降風量、污染上升時升風量。

實測節能：15–30 %。 對一座中型無塵室（1 萬平方米），年度電費節省可達新台幣數百萬級。

3. 智慧監控 —— 數位孿生

問題： 幾千支濾網各自獨立運作，何時該換只能「到時看」。

AI 解法： 結合 IoT 感測器（差壓計、粒子計數、溫濕度）即時資料，建立每支濾網的數位孿生（Digital Twin）。

在雲端裡，每支實體濾網都有一個虛擬對應，記錄健康狀態、累積污染、預期壽命。異常預警可以提前 72 小時以上。

4. 預測性維護

問題： 定期換濾網的做法 —— 還沒壞就換、浪費；壞了才換、賭良率。

AI 解法： 基於歷史數據 + 機器學習，精準預測每支濾網的剩餘使用壽命。換濾網從「每 6 個月」變成「還剩 3 週時換」。

實測結果：耗材用量下降 20 %。對耗材費用規模大的廠，年度回收百萬級新台幣起跳。

熱舒適 + 聲學：AI 還能做的

論文還提到兩個較少被注意的應用：

熱舒適度優化

AI 根據室內人員密度與活動型態，動態調整送風溫度與風量分布。避免「無人會議室也開強冷氣」、「人多的辦公室反而吹不夠」這類典型浪費。

聲學共振監控

監控風機與管道系統的振動頻譜。風機軸承快壞掉之前，振動頻譜會出現特徵變化 —— AI 可以提前預警，避免突然故障停機。

實施需要什麼條件？

AI 不是裝了就有用，需要三個基礎：

1. 感測器密度夠

每個 FFU 至少一個差壓計、每個區域一台粒子計數器、關鍵處一台 IMS 或 VOC 感測。沒有數據就沒有 AI。

2. 資料管理系統

IoT 資料流持續 24 小時累積，需要時間序列資料庫（如 InfluxDB）儲存、視覺化工具（Grafana）呈現。

3. 初期訓練資料

機器學習模型要足夠的歷史數據才能準確。剛上線的系統準確度較低，通常要運轉 6–12 個月累積足夠資料後才能展現完整效益。

常見誤解

誤解 1：「AI 會取代人工判斷」

不會。 AI 擅長的是處理大量數據 + 找模式，但對新情境、例外狀況、設計決策仍需要人判斷。AI 是輔助，不是取代。

誤解 2：「導入 AI 很貴」

可以不貴。 感測器硬體持續下降，開源工具（TensorFlow、scikit-learn）免費，主要成本是資料架構和初期訓練工時。很多廠已有差壓監控、粒子計數基礎，只差串聯和分析層。

誤解 3：「AI 一裝就會自動省 15–30 %」

不會自動。 15–30 % 是有完整感測 + 訓練充足 + 持續優化之後的成果。第一年通常是建系統，第二年開始看到效益。

這對濾網產業的意義

未來濾網不只是獨立元件，而是智慧建築系統中的「可感知、可通訊、可自適應」的節點。 也就是：

• ▸濾網上會內建感測器（壓損、溫度、濕度、可能還有粒子計數）
• ▸濾網透過無線或有線網路傳資料到中央系統
• ▸濾網本體可能可以接受指令（比如自動調整靜電場強度、觸發再生週期）

採購規格會改變。 過去看效率、壓損、尺寸；未來會加上：通訊協定、API 支援、與 BMS（建築管理系統）整合。

AI 介入空氣過濾的本質：不是讓濾網變聰明，而是讓濾網的使用者變聰明。 決策效率、能源效率、耗材效率 —— 三個效率一起拉升，才是真正的價值。

濾網本身沒變；變的是我們怎麼用它。