AI製造運用

Dataset Acquire資料匯入整合管理、Dataset Reprocessing 資料前處理與作業、Dataset Understanding資料理解與分析、Data Labeling資料標記輔助系統、Model Generator模型設計、Auto deployment自動發佈模型

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

本案AI瑕疵檢測系統使用先進的影像處理技術，能夠從不同角度全面檢測工件，並且辨識特徵數量及各種微小的瑕疵或缺陷。相比人工檢查可能因疲勞或視覺限制而漏檢的問題，檢測系統能夠提供更高的一致性和準確度，不受人員情緒和疲勞影響，能夠保持穩定的檢測質量。過去品檢員在使用傳統方法時，需要逐一從多個角度檢查每個工件，每次檢查一個工件需要約15秒。導入AI系統則能在短短4秒內完成相同的檢查任務顯著縮短了每個工件的檢查時間。

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。

為了因應未來高爾夫球國際市場競爭力及產能的需求，有別於舊廠以傳統分站式產線代工製造高爾夫球，製程多採人工作業方式進行，致使產能有限、營收受限；新建置”明揚二廠”一條流水式自動高爾夫球產線，進行感測器加裝與機台聯網，導入智慧化之供應鏈整合平台串流上下游廠商的即時資訊回饋，提供供需二端線上詢價採購、維修預知、報價出貨之自動快速回覆的e化流程，並導入供應商管理存貨(VMI)模式，生產製程設備安裝感測器及聯網，以及數據蒐集與分析、參數調機、異況通知、預知保修與AOI智慧品檢等，讓回覆的速度加快、反應的時效縮短、生產更為順暢、訊息完全透通，確保產製過程中供料穩定、交期準確及產品合格，並且在資訊通透下減少了交易成本與流程時間。並於品檢端規劃與導入機器視覺、AI人工智慧及深度學習進行高爾夫球之瑕疵檢測，提升球體表面全檢速度、機器參數設定的最適(佳)化，以利提供一快速流暢的生產流程、提升產能與速度。

基於企業資料的智能客服及聊天機器人

維曙智能科技(Vizuro)是為企業打造數位轉型戰情室的跨國人工智慧新創公司，總部位於美國波士頓，研發中心在台灣台北。聚焦智慧製造良率管理，醫療影像癌症篩檢，生醫科技通路行銷策略等領域。Vizuro的核心團隊由實戰經驗豐富的多位資料科學家所組成，有別於業界(AI+AOI，人工智慧結合自動光學辨識) 大多只具備標準化的自動瑕疵辨識軟體，Vizuro在瑕疵分類之外，也推出異常偵測、因果推論、製程優化等自主研發的多元人工智慧模型，因應不同客戶的需求，並提供顧問健檢、協作團隊建立、站點模擬與概念性驗證等服務，擅長跨國的客製化專案。

透過AOI人工智慧辨識設備結合機器手臂，改善人工目測檢視產品之誤差，以提升效率。未來將AOI所收集之數據與MES系統所記錄之製造數據對照，可快速發現錯誤數據，改善生產效率。

昱峰以智能大數據科技(AI+BIGData+Technology)的核心能力，引領晶圓製造業進入智能決策新境界。昱峰團隊曾在半導體晶圓廠有24年經驗，橫跨製程，產能，良率，產品設計，IT各個關鍵領域。並投入14年的實戰經驗以智能數據分析能有效定位製程上各類問題，並幫助晶圓廠創造百億以上的績效。 在全球晶圓產能持續升高之下，我們該如何在這波產能擴增中勝出。另一要關注的趨勢是，各大晶圓廠在微縮製程的追逐，暫告一個段落，轉向在利基產品上聚焦。在此趨勢之下，要在原本的產能製程技術上，想要有突破性的成長與改善，投資非常巨大。AI+BIGDATA給我們指引出一條新的路徑。

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。

利用工業鏡頭獲取產品檢測圖像，搭配自主研發的瑕疵檢測系統，以深度學習技術，檢查出產品各種不良項目，並判斷出良品與不良品，因應所需的效能整合NVIDIA終端設備，建構出完整的軟硬體解決方案。

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。

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。

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

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%。