AI製造運用

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。

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。

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。

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。

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

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）。

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。

JWII Automated ML Engine 可協助製造業以合理的成本與快速的導入來建立高價值系統，解決工廠設備異常損失與工程品質不穩定的問題，藉此提升產品品質、生產效能、與達交率，最終達到智動化生產與智慧工廠的目標。 JWII Automated ML Engine已於諸多產業的製造環節中應用，目前已成功導入光電產業、石化產業、PCB產業、電子組裝產業、金屬加工業、設備製造業、表面處理產業、傳統產業…等，提供製程參數異常偵測、生產配方最佳化推薦、連續性製程品質預測、設備故障停機預測、異常因子分析預測…等相關製造業所應用。 JWII Automated ML Engine 可單獨使用，同時也可與企業應用系統整合如ERP、PLM、MES、IOT、WMS、BI…等異質系統中，讓這些系統被賦予AI 預測與診斷等特性，讓相關系統達到智能化的目標。

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。

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。

3D空氣極光表面改質系統，使用結構光深度視覺掃瞄，具速度快、精度高，可即時掃瞄生成路徑，進行極光表面改質，適用於各種形狀及材質，無需事先進行任何設定。此應用對於中小企業或傳統產業，非常的重要，雖然多關結式的機器手臂最接近人體的結構，使用上相對靈活，很適合應用在少量多樣的製造。但這種機器人在設定及操作上也相對的複雜，所以一般的中小企業或傳統產業，極少有能力可以設定及撰寫多關結式機器人的程式，加上要收集手臂上的數據完全是難上加難，造成產業升級、彈性製造都淪為空談。 我司自主研發的極光表面改質系統，在異質接合上改善傳統製程上的污染，以鞋業為例：原本橡膠和EVA的接合，需要打磨、酸鹼洗、烘乾、處理劑、膠水等步驟，其中會產水和空氣的污染，造成企業成本上升、居民抗議、環境負擔。但如果使用我司的極光表面改質系統，橡膠與EVA的結合，製程上會改成清水洗、烘乾、極光處理、水膠接合。不但工序減少、產能提升，更重要的是與傳統製程相比，至少減少99%的環境污染，而達成企業、消費者、地球 三贏的局面。

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。

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。

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。