AI製造運用

由於各式瑕疵原因分別在不同製程情境發生，於電鍍後進行判斷較能夠有效提升品質管制效率，需採用全檢模式以肉眼辨識，辨職難度高且高度仰賴人員的經驗，且遺漏比率約10%。透過以AOI自動光學檢測加上深度學習技術，克服金屬扳手反光之特性，提高瑕疵的辨識率(1) 縮短品檢作業時間：透過AOI智慧瑕疵檢測系統，每隻扳手檢測時間自3-4分鐘縮短至約3秒，統計報表由系統自動產出取代過去人工抄寫，且避免篩選遺漏。(2) 老師傅經驗數據化及標準化：依實際檢測數據進行標準差異值統計分析，回饋QC工程標準以優化公差設定值。(3) 生產批及不良品數量整合串接電子看板及MES、SPC系統，提高資訊即時性及加速管理報表產出。

應用一系統功能為鑽石磨棒雷射加工點的3D測量，因鑽石反光率高，故無法使用雷射測量儀，本公司的研發團隊透過人工智慧機器視覺方式進行高精度測量，解決高變異性製品在雷射加工時需人工操作的痛點， 進而達到全自動化生產的目標，大幅減少人事成本，並且提升生產良率。應用二設備功能為使用 AI檢測收集合乎客戶規範的工業鑽石 (砂 )，挑選後鑽石最終成品為鑽石碟，由於鑽石極小，大小約為400微米且晶型變化大，因此無法用人眼挑出瑕疵品，本公司透過AI機器視覺方式進行影像分類並使用低成本嵌入式系統進行瑕疵檢測，同時降低了設備的製造成本與客戶的原料成本。智合科技的研發團隊結合人工智慧(AI)與光學辨識系統(AOI)，在了解客戶的產品、作業流程及需求後，提出最適、最佳的設計及產品，讓客戶以最適預算取得最佳解決方案，產品應用範圍跨越眾多領域。

MusesAI- 是提供製造業非資訊人員，透過一站式介面指示精靈，可快速、簡單、準確度高方式，在系統介面自動協同標註特徵及自動訓練AI模型，而後即可立即下載佈署使用的一站式AI模型開發平台，其中AI應用模組類別包含影像類及數據類兩大方向，影像類涵蓋物件辨識(數量、標工)、人員行為辨識、工地安全等；而數據類則涵蓋機台閒置預測、設備故障診斷等應用，可大幅降低一般AI模型開發門檻及投入時間。

基於設備大數據的預測性維護與診斷 AVEVA PRiSM的APR技術 (Advanced Pattern Recognition先進模式識別)，將設備的實時運行數據同其特有運行模式進行比對，發現系統行爲的細微差異，從而對設備可能存在的問題進行提前預警，實現對設備的預測性維護。早於傳統報警系統數天、數周或數月進行預警 傳統的警告方式為設定上、下界限，但PRiSM是以點的周圍來計算，利用演算法建立一個正常的模式，當實際值和預測值之間的偏差超過允許的限制時進行預先報警。

有許多傳統產業之生產機台大都是封閉式系統，依賴資深的”老師傅”經驗進行機台參數調校，以維持生產順利與生產品質。 然而面臨智慧製造之機台聯網需求，既有機台升級汰換的高額成本大幅阻礙了傳統產業升級的規劃。 因此，此案例透過採用非侵入式感測技術取得傳統製粒機台的電氣信號、振動信號，並使用AI機器學習演算法來建立機台 協助廠商傳統產業建立「生產機台徵兆訊號擷取與連網建置」、「即時生產資訊可視化平台」及「有機肥製造廠區生產智慧化模組」，以協助業者進行有機肥料的品質優化及達到提升設備稼動率並降低生產與人力監控成本

需確保雞隻完整性，以利分切人員能分切較完整的雞隻部位，避免浪費。原先需仰賴人工作業，每日檢查雞隻空掛、斷翅、斷頭、半斷等狀況，檢查完後仍需仰賴人力滕打工時，紀錄分切多少雞隻與各雞隻部位，相當耗時。該客戶因此委請緯謙利用AI訓練辨識雞隻照片，能快速過濾掉不完整的雞隻，並能進行統計與分析，以期能節省人力付出時間。

以one-class learning之學習架構，導入AOI (Automated optical inspection)檢測瑕疵智慧化發展，在自動化條件下提升產品檢測辨識率，以減少人力工作負重量，包含兩部份工作，一、建立以Autoencoder與self-organizing maps為基礎之瑕疵檢測技術，並完成廠商提供實際AOI機台資料之瑕疵檢測技術測試；二、完成廠商現場機台系統整合與資料介接，將影像資料透過AOI系統之接口導入部署分析技術之邊緣運算裝置，再將分析結果傳回AOI系統中，於介面上顯示瑕疵區域。主要利用python撰寫建立影像辨識軟體，其同時具備了影像前處理功能，例如：高斯慮波(Gaussian Filtering)、均值模糊(Averaging Blur)、中值模糊(Median Blur)、雙邊濾波(Bilateral Filter)且包含分析功能與可提供數據可視化及存儲之後處理功能。使用本分析軟體可直接將原始照片進行進階分析，由預前訓練模型直接辨識產品的相片是否有無缺陷，可調控參數設定靈敏度以及協助執行品管。

中冠 AIoT 智慧平台最主要的目的，是要將分散部署在不同電腦的AI應用，整合到同一個Ｗeb平臺中，讓員工只要以瀏覽器開啟入口網站，登入帳密，就能一站式管理工廠所有的生產資訊。例如：爐壁厚度監測AI，可透過爐壁探鑽深度與周圍壁面溫度變化的關聯性，訓練AI靠爐壁溫度變化，判斷爐壁厚薄，藉以預測爐壁冷卻元件受損情形，安排檢修時程。爐熱溫度預測AI 則是透過量測出鐵口的鐵水溫度變化，參考操作條件、鐵渣的化性分析，學習預知未來2～4小時的爐熱趨勢，藉此訓練出爐熱預測的AI，若預測到未來爐熱可能下降，就能即時調整生產參數，微調風溫、噴煤量，來維持爐熱的穩定。各 AI 智能應用案例細節，可參閱 https://www.ithome.com.tw/news/142938 報導

本PHM系統的核心價值在於其能夠精確地預測設備健康狀態與設備的製程狀態，提高生產過程的效率。透過結合IOT、邊緣運算，系統不僅能夠減少算力需求和演算時間，還能夠降低誤判風險，提高模型的遷移性。這項創新技術將為製造業的數位轉型帶來巨大的改變，協助企業實現高效運營和成本降低。

案例‒鋼珠製造產業長期以來面臨產品種類眾多、尺寸規格複雜、客戶經常性改單導致生產線產能分配不均、工裝次數頻繁、磨盤異常損壞增加等問題，造成工廠生產效率不佳。鋼珠製造流程從原物料的線材、鍛造到形成鋼珠的粗研磨、熱處理、細研磨、精研磨，最後為成品的洗淨、檢驗和全檢；其中主要的瓶頸為粗研磨至精研磨的關鍵三道研磨製程。其原因為鋼珠在研磨過程無法即時監控磨盤的狀況，容易造成堵溝、尺寸變異，嚴重時將造成磨盤崩裂而傷及鋼珠的完整性，若因人員的疏失造成規值的錯誤，不但造成產能的損失且增加成品久置而生鏽的可能性，增加產品重製的加工成本及工廠的產品產出時間（cycle time）。

奕瑞科技將Deep Learning 演算法極盡所能的在各個領域做出落地的解決方案，除了本身精研的核心演算法之外，還能貼近客戶的需求，與客戶共同討論出最適合的解決方案，並且跟著客戶的SOP，不斷地做滾動式的來回討論，以期用AI 人工智能技術，真正改善客戶在管理上的困難。其解決方案包含解決員工需要監看包商是否違規，交由演算法來判斷，能避免掉人與人之間的摩擦，並且節省了大量的人力監督。另外，AI/AOI 瑕疵檢測也解決了傳統瑕疵檢測過多的誤殺（判）造成現場作業的混亂以及不必要的浪費，AI/AOI能夠制定出容錯空間，讓生產線上的員工（期望篩選標準放寬）以及在辦公室處理客訴的管理或是業務人員（期望篩選標準從嚴）達成最最精準的平衡，並且能夠整合後端自動化生產設備，即時傳送訊號讓機器手臂或是相關設備做出相對應的反應。

因現場操作人員無法兼顧所有機台確認狀況，當織帶編織錯誤時， 需到最後品管包裝才能確認錯誤，現場機台編織織帶60~70碼/時，會造成相當長度的損失。 當織帶會遇到明顯不良包括脫線、預計導入鞋帶工廠織帶良率檢測系統改善品管流程提前修正錯誤降低材料耗損。

基於企業資料的智能客服及聊天機器人

針對生產資料缺漏及衍生之後續產生的分析誤判，我們用 AI 工具來進行資料修補，確保資料完整性之後，再以另一 AI 工具進行快速的異常篩檢。我們將以上兩項功能和資料視覺化工具整合成可擴充功能的系統平台，便於根據使用者需求新增或調整功能。

光學膜製膜裁切時，需由人員針對AOI照片一張一張分類，避開不符規格的瑕疵進行裁切，人員進行瑕疵分類時耗費大量時間與人力。我們設計了一套含有標記、資料前處理、訓練以及模型佈署預測功能的系統平台，人員只需上傳瑕疵資料，並到平台上標記瑕疵類別，系統平台利用卷積神經網路(convolutional neural network, cnn)進行訓練與分類計算。並回饋訓練成果與準確度，提供一鍵式模型佈署，將模型佈署到平台中，人員就可以利用佈署的模型進行預測分析，根據分類結果繪製裁切瑕疵map，人員即可根據瑕疵map建立裁切規格，進行裁切分調，並且有效的將A級率從69%提升至90%。