AI製造運用

因應彈性化製造之生產趨勢，製造業需要導入AI以快速學習適應不同的生產需求。AI自主學習機器人是未來製造業邁向AI時代的關鍵技術，目前工廠導入視覺機器人必須仰賴演算法工程師針對不同工件調整參數來達成任務，造成換線/任務耗時耗力。工研院以深度增強式學習(Deep Reinforcement Learning，DRL)為基礎，研發自主學習之AI機器人夾取技術， 簡單、易用，補足勞力需求。本技術之特色與創新包含: 1.機器人自主嘗試學習，減少人為介入，讓換線能夠更加快速、有彈性2.以DRL技術提供更快速、更穩定、更精確的訓練機制3.結合機器人模擬軟體，大幅減少整體學習時間與實體嘗試的次數

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。

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%。

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。

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）。

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

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。

AI航燃靜電消散劑添加量優化系統，透過大量感測器資料數據收集創造原始資料庫，科智企業採用人工智慧深度學習(Deep Learning)，以及演算法，透過MusesAI平台整合所有資料來源並精密分析運算後，即時監控工廠油槽靜電穩定度，提升出油槽量導電度之穩定性，協助改善客戶端現有之航燃靜電消散劑添加量優化之依據，讓使用者能快速掌握油槽狀況，以確保運送過程安全。 同時也可以整合科智企業發展的ServCloud，不僅協助自主客戶並能擴大至上下游，整合各個廠域工廠資料，打造智慧供應鏈，也可以將原先廠內的ERP、MES資料進行介接，不浪費企業內部資源。將機台、人員、金流、報工資訊等重要工廠議題，進行整合與使用，讓工廠資訊即時且透明化。 目前已成功導入台灣化學工業事業體群。

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。

利用安裝於工廠產線或各種戶外嚴苛環境的工業等級的 ToF 與stereoscopy 3D相機擷取大量2D與3D影像，經由立普思團隊特殊的AI機器學習演算法與大數據整合，可有效識別並重建各式物體在3D空間中的相關位置資訊，配合立普思獨家的硬體加速與平行處理功能，可實現高禎率即時物件與人形識別，可廣泛應用於工業4.0、智慧零售、智慧農業、健康照護、安全監控等各種不同領域。 立普思的製鞋自動化方案同時整合了2D與3D機器視覺、手臂控制、電漿噴塗、與機台控制等，能有效取代傳統製鞋業的人工步驟，同時藉由單隻或多隻 2D/3D攝影機，透過影像拼接 (image stitch)方式，將物件全方位掃描結果搭配AI深度學習的自動路徑規劃，直接控制機器手臂帶動電漿噴頭，以精準的法向量覆蓋鞋底全表面進行噴塗，相較目前大多數使用線雷射掃描的方案有更快的整體反應速度，同時也更具價格競爭力。立普思的VGR (Vision Guided Robotic) 方案目前已成功導入製鞋生產，此技術同時也可應用在各種相關產業，或是搭配立普思的其他AI應用如人臉辨識 (Facial Recognition)、人流計數 (People Counting) 、身形辨識 (Pose Estimation)等。

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

輔導客戶運用AI、深度學習結合客戶Domain Know-how，進行資料收集、資料前處理、轉換與分析並建立AI訓練與驗證模型，提供完整AI之解決方案，並協助客戶導入AI正循環。透過IoT(Internet of Things)或工業相機將資料彙整並AI、深度學習訓練，隨後可達AI之預測。應用：AOI(Automated Optical Inspection)、工業自動化、智慧工廠、客製化服務

機器人流程自動化（RPA）是一套軟體自動化機器人程式，可以用來模擬人類在電腦上辦公的作業流程和行為，且不需經由特殊的硬體設備，即能將這些重複且枯燥的電腦桌面作業程序自動化。 RPA可以全天24小時待命，不僅可節省作業時間，讓企業將人力投資在更高價值的工作上，並降低人為出錯率

客製化程度高的製造業極難採用全自動化製程的工具，因此主要的生產資源往往是可以因應產品變化的「人力」並輔以高效率工具以提升生產力因此形成以人力為核心的「工作站」生產模式，從而形成本案例所稱之工作站式製造環境，透過產品種類、生產製程、訂單需求、生產力等資料確立利用AI最佳化模型及技術尋求最佳生產排程結果。

AI布料花色檢索系統透過數位留樣系統拍照，以AI分類識別，定義不同布料材質、顏色與圖樣款式，在將數種物理特性轉化為數位化資料保存下，開發出數位化織品色彩及花色管理平台，這樣的概念類似於搜索引擎，紡織廠可以透過平台快速檢核庫存及過往記錄中最接近的色樣，以顏色及花紋識別，結合光照系統及色彩管理技術，制定紡織產業在庫存管理、數位資料庫、及產品 QC 的檢核標準，減少在打樣及確認上的時間及人力成本，同時減少人因誤差。