AI製造運用

配合變色龍聯網解決方案，資策會亦提供AI分析協助生產執行提升產能之技術支援，根據感測器蒐集機台設備運作的細部動作資訊，找出能評估老化趨勢之關鍵資訊，進而利用機器學習方法建立感測資訊與。實際案例包含砂輪機研磨耗損偵測、截斷機裁斷長度預診、空壓機異常停機特徵偵測等等，以AI技術偵測協助現場生產，提高生產良率。 聯網應用描述：資策會智慧系統所研發Pub/Sub 設備聯網閘道技術，提供低延遲且可自主維護之工廠資訊化軟體，導入後使用者可自主管理，現場設備或感測器擴充不需再外包增加資訊化成本。可涵蓋範圍包含多家PLC、CNC控制器、現場表頭、外掛感測器、通訊介面卡轉接及Barcode Reader、RFID Reader等，設備內或現場環境偵測都可集中處理，大幅提升廠內智慧化程度。

因應少量多樣的訂單複雜性需求，透過建置上下游供應鏈資訊串流平台與外包商空桶管理系統，提升供應鏈串接的能力，並藉由射出機連線與可視化看板、AI 智慧排程系統，提升製造端管理手法，進行智慧化生產現場管理，進而達到指標的改善。

智慧製造+產業AI化的升級已在國人心中醞釀已久，期待一套敏捷且彈性的智能報工系統，為工廠帶來數位化與智能化提升。 3K環境以及八國聯軍設備往往是機械製造業數位化與智能化最大的挑戰，加上廠內同時存在工業1.0-4.0的混動生產情形，報工作業往往需要高度人力介入，因此敏智能報工系統應運而生。 敏捷智能報工系統具備AI即時多報工模式、機聯網、高移動性移動裝置、即時監控生產效益等特點，將第一手現場數據回傳戰情中心，讓Data晉身Information，協助企業做好完善廠區、稼動率或異常等管理。 此外搭配深度學習與視覺辨識服務，有效協助身處3K現場作業人員進行工件辨識計數或不良品辨識，大幅降低人力與重複教育訓練的成本。 零次方科技團隊由人工智慧、軟體工程、工業工程、用戶體驗等專家組成，為製造業不同需求提供高專業度顧問分析服務與客製化服務。目前系統已在台中工業區製造業實際導入與上線使用。

本案例使用視覺辨識銲道的位置和姿態，再驅使機械手臂進行全周銲。同時進行銲接品質之AI檢測，在銲接完成的端板上方架設一台CCD，捕捉銲道的影像，使用訓練好的模型便可立即辨識出端板銲道的各種缺陷和瑕疵，若辨識出有缺陷或瑕疵的端板會發出警示，通知工作人員進行補銲之作業。

生產製造公司83％的資訊長認為，設備維護以及總體資產分析最佳化為提升企業競爭力之最主要途徑。「機台故障預診斷」是一套人工智慧（AI）與機器學習的系統，分析機台所產生的製程資料，進行即時監看、預測並以視覺化資料呈現，讓產線管理者可以掌握設備的健康狀態。

汽車零件再製造工廠每年要生產的型號會跟著二手市場變化，以傳動箱來說，市面上最常見的二手零件不會超過500種，但每年都會淘汰最老的50種，同時增加新的50種。如果將每個零件拿去不同角度和不同背景拍攝，每種傳動箱大約要拍攝1000張訓練張影像，要讓傳統的物件分類AI持續每年學習，每年都要準備50000張訓練影像，透過生成式AI，客戶願意每年針對50種零件掃描建模，訓練出來的辨識器可以幫助再製造工廠辨識現場的原料，協助原料管控同時，也可以降低採購在零售商的溝通成本。

透過提高生產現況回饋的即時性，減少不良產品產出之機會並降低假警報，進而優化生產管制上下限； 在設備上安裝控制器, 負責收集資料並回傳至伺服器, 以利遠端監控執行異常維修預測，當預測可能有異常時，即時通知現場人員處置除了定期維修保養外，還可以預防異常維修的情況，則對於產線生產調度增加靈活與彈性，降低待工風險，並能提供排產即時參考與產線平衡管理

機器人在製造業的應用已經越來越廣泛，相對的機器人是否能順利運作對生產工作的穩定性也會有相當程度的影響。因此若是有一套系統能針對機器人的健康狀態做線上的監測，並能在機器人發生問題的初期就能發現並及早通知使用者，就能夠及早因應並採取必要的措施，就能有效降低機器人無預警的損壞造成對生產作業的衝擊。機器人自動預知診斷系統能夠7/24線上監測機器人機件運作的細微動作變化，只需要在機器人的基座放置一個震動感應sensor，系統會根據sensor量測到的訊號建立模態，內建的機器學習演算法自動對運作模態做追蹤，無須專家就能夠自動診斷機器人的健康狀態。同時也可以將相關的診斷結果透過內建的IoT Studiio(物聯網通訊軟體)傳送的Internet、雲端、Edge Server。

本案AI瑕疵檢測系統採用模組化AI影像辨識架構，能依不同產線或產品特性快速調整應用模組，例如CNC加工瑕疵檢測、安全帽佩戴偵測等場域皆可靈活部署。系統具備參數化模型調控設計，可依產品規格設定辨識閾值與容許範圍，使用者能於後台即時調整以對應不同製程條件。透過邊緣運算技術結合高速工業相機與Jetson模組，系統可在0.3秒內完成瑕疵辨識與信心值判定，並自動回傳訊號至PLC進行不良品標示。此外，系統具備跨場域資料遷移學習能力，能根據既有標註資料快速微調模型，以降低重複建模成本。導入前提供POC原型驗證流程，讓客戶能於實際產線測試辨識成效與操作介面，確保後續開發更貼近實務需求。部署上採低門檻模組化設計，可透過月租或授權模式導入，提升企業導入意願。系統上線後提供模型再訓練、參數微調與遠端維運機制，確保AI辨識能力能隨產線變化持續優化，達成長期穩定運行與智慧製造轉型目標。

受輔導廠商的椰果產品製造流程中，產品封膜完整性是藉由人工抽樣檢查，因人力資源安排與產線速度不慢兩個因素，目前抽檢覆蓋率為2.5%。封膜不良的產品一但出貨，不但造成單罐產品損害，也影響同箱產品、運輸工具的汙損，並招致蚊蠅，對整體造成危害，影響商譽。 另外，本產品是高濃縮加工食品，封膜不良若無檢查出來，且買家也未檢測，可能造成食安風暴，十分危險。 因此廠商想導入AI品管檢測方案，一方面想提高檢測覆蓋率，另一方面也希望AI系統可以準確地挑出封膜不良產品，減少不良品出貨的機會。

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）。

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

為了解決X光影像資料不足、類型不夠多樣的問題，我們開發了一套「影像擴增應用程式」，可以幫助建立更多、更豐富的訓練資料，用來提升AI模型辨識可疑物品的能力。這個程式有操作簡單的圖形介面，只要選好資料夾和影像變化的方式，就能自動批次處理大量X光影像。 整體來說，這項工具不只操作方便、靈活性高，也能有效補強訓練資料的不足，協助海關或安全單位建立更聰明、更有效率的智慧查驗系統。

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。

鋼鐵業係屬高耗能產業，據統計顯示，鋼鐵業的能源消費與二氧化碳排放比例在全國工業部門中排名第1位。尤其煉鋼製程中的數種主要加熱爐如電弧爐(EAF)、電渣重熔精煉爐ESR 、真空電弧精煉爐VAR 和真空感應熔解爐VIM等用電量都極高。 其中最重要的在於煉鋼過程中，若全廠用電設備包含前述煉鋼爐若同時投入生產時將導致用電超約，導致鉅額的超約費，造成生產成本的巨大負擔。因此如何配合煉鋼作業同時避免超約罰款，是業者迫切要克服的難題。