AI製造運用

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。

當無法明確規範產品瑕疵檢測標準時，很多企業往往必須藉由老師傅的經驗進行人工檢測以確保出貨品質，也因此面臨檢測速度緩慢、人工缺乏及老師傅凋零的痛點。智能視覺檢測系統是基於視覺檢測監控設備所累積的大量品質檢測圖形及影像進行分析，根據老師傅的經驗自動學習能判斷產品合格與否的視覺特徵，協助製造業建立AI品質檢測模型，自動快速地對產品進行媲美老師傅的檢測，永續確保產品出貨的品質。鼎新電腦的「大人物」部門具備研發整合「大數據、人工智慧、物聯網」各式應用的能力，能夠為企業分析需求並量身打造適合的人工智慧應用。智能視覺檢測系統的核心技術是結合機器視覺與深度學習對大量的圖形影像進行處理及分析，並藉由與客戶的領域專家持續互動找出視覺檢測測熱區及特徵，最後建立可視化之AI品質檢測模型，進而提升整體出貨品質。

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。

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%。

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

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

一般市面上的機械手臂通常只能執行單一物件的取放，在少量多樣或產品變異性高的產線中，不容易實現自動化的需求。本案透過AI演算法和3D成像技術來揀選未知物品，即使它們被緊密的包裝在一起，仍然能夠辨識出個別包裹，系統也能計算出最佳的揀選點，規畫路徑引導手臂避免碰撞。

整合產線運行資料與專業技術人員標記的品質資訊，建立可用於知識理解與語意推論的數據基礎。透過 Embedding 技術，將包含環境感測參數(如:溫溼度)、品質預測（如:LSTM 預測濾網更換等）、設備稼動狀態與製程事件記錄等原始資料轉換為高維語意向量，提供語言模型進行語意匹配與問題解答的依據。 系統搭配 LLAMA 3 語言模型，可接收來自使用者的自然語言提問（User Prompt）與系統提示（System Prompt），並結合語意向量進行推論。為提升回答的實用性與準確度，系統可根據回應結果的品質，動態調整 Embedding 模組的權重參數，使模型更貼近鑄造領域的語境與判斷邏輯，逐步優化回應品質。

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。

本案提供「金屬表面／工程圖面／鋼卷」三類字元辨識方案。 金屬表面字元辨識：面向閥體加工件，運用反光抑制、陰影補償與深度學習 OCR，在油污、刮痕與曲面條件下仍可穩定讀取，支援手持、固定工站與產線相機，序號／料號可即時寫入 MES／ERP。 工程圖面字元辨識：自動解析 2D 圖面中的尺寸、符號、材質牌號與註記，輸出 CAD 欄位、BOM 或標準表單，減少人工判讀。 鋼卷字元辨識：在高速移動與強反光下，以工業相機與邊緣運算快速讀取捲鋼外觀碼與標籤，完成批號、規格與庫存之批次建檔與追溯。

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。

AI刀具智慧壽命監控可以將工廠重要議題浮出檯面並予以解決，透過機器數據收集，大量擷取機台資訊創造原始資料庫，科智企業採用人工智慧深度學習(Deep Learning)，以及演算法，透過平台整合所有資料來源並精密分析運算後，讓工廠最常出現的耗材「刀具」予以控管，並且知悉刀具使用時間、個別磨耗程度、追蹤管理刀具庫，同時也具備磨耗預警功能，讓使用者能快速掌握工廠加工狀況，以確保所製造出的產品品質以及刀具成本控管。 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中小事業群體，以及外銷機聯網產品至海外如：泰國、印度、大陸、歐洲等國家。

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。

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。

齊料管理精靈可以透過預測供應商交貨模式，讓人力集中處理需要跟催或緊急調度的工作安排，提高準確交貨率，並加入廠內的流程運作特徵，放入模型中做為計算參數之一，以期達到如期齊料開工的目標。智炬科技「智慧製造顧問團隊」加入時間序列等機器學習演算法，從企業原有資訊系統中取出預計交貨、實際交貨、預計檢驗、如期檢驗、預計發料、如期發料等資訊，整理數據之後經過演算，得出高度齊料可如期派工的工令順序、以及具高度缺料風險的工令資訊，同時找出可遞補的派工批，讓生管排程更省力化。串聯即時通訊應用技術推播高風險物料狀況，啟動全員關注料況行動，協助企業降低缺料風險，提升生產計劃達成率，減少低價值溝通行為。