AI製造運用

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

AI 精準決策，即時整合設備效能、警報數據與運行狀況，提供設備校準建議、數據排查方向與通訊優化策略，驅動最佳管理決策。即時分析與建議，快速整合系統內外部數據，協助企業快速應對能源管理決策。能源基線提供了數據支持，使企業能夠制定更科學、合理的進行節能行動方案，精準掌握能源使用的關鍵指標。追蹤節能績效歷史：追蹤並評估歷史能源管理措施的成效，可供做ISO 50001查核。

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。

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。

本系統運用 DeepLabV3 深度學習演算法，建構一套針對保安零件瑕疵辨識的 AI 模型。為提升辨識準確率，開發團隊進行了多種攝影鏡頭與取像環境的測試，共拍攝 1,200 張探傷缺陷影像做為訓練資料，藉此強化模型辨識能力。系統透過筆電連接 RS232 轉 USB 介面，接收啟動指令後，每秒擷取 30 張即時畫面，並對每張影像應用 C1 子項所設計的瑕疵辨識演算法進行判讀，並即時在螢幕上標示出探傷瑕疵部位。整體架構可應用於製造流程的品質控管以及非破壞檢測的磁粉探傷，提升檢測探傷效率化和省人化，協助企業實現智慧缺陷非破壞檢測的探傷解決方案目標精進。

由 Chimes AI 詠鋐智能所開發的無程式碼（No-Code）模型生命週期管理平台 Tukey，作為核心引擎，幫助最熟悉機台狀況的設備保養工程師，彈性的調用Tukey內建或是企業投資開發的演算法，建置設備監診 AI 模型。機台設備可根據AI 模型建立設備性能曲線，設備保養工程師可根據此設備性能曲線，監控全廠設備運行狀況。系統根據性能指標預先反應設備衰退現象，經由系統判斷風險等級，協助保修人員安排計畫性維修，提高設備稼動率，延長設備服務年限，有效的降低工安意外災害。

AI影像識別機器人可以取代原本大量使用人力進行產品外觀品質檢驗的重複性工作，透過攝影機影像進行識別及精準比對，減少人工作業的可能錯誤或是標準不一的情況，進而提升品質檢驗的良率與效率。 五百戶科技結合了資策會創新研究中心及國立中央大學創新AI應用中心的多年研發能量，開發出具有自建學習比對模型的新一代深度學習架構設計的AI影像識別機器人系統，運用CNN技術+TensorFlow框架，整合動態影像識別技術能力，可以快速建立類神經網路模型，用以精準分類並判斷產品外觀尺寸之優劣，達到近乎100%的精準檢驗結果。

智慧導航服務機器人 (iAGV)應用深度攝影智慧影像辨識技術與智動化科技、超音波感測技術，以Edge Computing快速反應為基礎，透過不同深度差找出特徵差異點因應不同工作環境需求之多元化定位，內建數量核對的AI揀貨同時進行數量核對，並具備「動線最適化」及「壅塞避免」的動線運算引擎，大幅提升作業效率，並獲得2018資訊月百大創新產品。工研院服科中心「iAGV智慧導航服務機器人 」突破天花板特徵深度辨識透過不同深度差找出特徵差異點，以導航整合天花板特徵深度辨識定位、導航、避障、定位等功能直接進行優化，以Edge Computing控制導航/定位模式的調整、地圖建立邏輯改良及行走控制等的動作。以低成本為考量採用簡易單晶片控制伺服馬達，並搭配低成本之影像導引裝置，達成符合業界需求價格的產品。並可機器人到貨架取貨，減少人行走道貨物能夠更緊密地存放，同時，省去員工走到貨架、取貨時間，讓出貨更有效率，節省理貨25%工時、減少人員移動距離35%與成本15%，滿足B2B、B2C等多型態發貨中心需求，並成功導入宅配物流業、資訊消費性電子產品發貨中心…等國內業者。

因應全球智慧製造發展趨勢，加速國內高精密光學邁向智慧製造時代，本應用發展能源稼動管理機制依據研拋製程情況，透過遠端監測設備狀態、預知保養，以降低設備人力維護成本需同時收集廠區設備變壓器運轉時之溫度、電壓、電流等諸元，即時提供故障因應對策、變壓器剩餘壽命診斷，從能源資料、設備機台到智慧預警，提出流程改善規劃，以達到整體生產力提升的目的。

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。

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。

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。

MARS 基於關鍵設備的時序數據，自動建立異常識別模型，即時產生健康度/相似度曲線與重建誤差，在設備效能出現偏移的早期（可提前數天至數週）發出預警。系統同時提供關聯測點排序與根因推論、Web 即時監控與知識管理，協助現場快速定位問題、安排維護，降低非計畫停機與產能損失。功能內容包含：★「多變數時序建模與異常偵測」：非線性分析、健康度/相似度曲線、重建誤差監控。★「自動化與少程式化（No-Code）建模」：互動式資料清洗、設備屬性視覺化配置、一鍵部署。★「關聯與根因分析」：關聯測點排序、單點「實測 vs. 預測」對比、事件時間軸比對。★「資料整合與即時監控」：連接 PI/AF、即時 Web 監控面板、告警治理與知識管理。★「MLOps 與模型治理」：版本管理、再訓練與回訓、門檻管理與效能追蹤。

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。

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。