AI製造運用

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

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%。

憶象智能影像辨識系統可以協助客戶三大方向:一提升營業額：為提高生產品質,將人工辨識的產品不良率, 藉由AI智能辨識提升產品的良率；二,降低成本：從需要大量人工的目檢辨識工作，轉由AI辨識降低錯誤節省人力, 提高生產效能，三,企業專業知識管理：縮減教育訓練時程/預防專業知識的斷層(師傅退休/跳槽)。憶象智能影像辨識系統採用最先進的深度學習之捲積神經網路(convolutional neural networks, CNNs)與電腦視覺技術，團隊具備開發AI模型設計與系統開發能力，設計出符合應用單位的AI模型，產出最符合應用客戶之檢測模型, 讓使用者可明顯獲得差異性的產品成效新體驗。 憶象智能影像辨識系統整合客戶檢測產品之圖像管理與標記，ＡＩ模型，即時統計，一站式的服務幫助企業檢視各生產鏈的問題點, 及優化備料與生產裝置設定。憶象智能影像辨識系統可以應用於各種產業的生產線應用，目前已成功導入電子業、傳統製造業、健康醫療…等，提供工廠與生產線之智慧視覺辨識應用。

(1)初始透過訪談產業專家確定預測需求及影響產品銷售預測之關鍵變數(例如季節，品項大類，淡旺季..等) 。 (2)進行資料擷取、資料清洗、資料整理與資料整理等前置程序。 (3)而後基於數量分析流程，進行描述性統計分析、相關性分析等步驟，以確認變數及其關聯性。 (4)透過銷售預測的模型建立，直接成效反映在備料精確度及人員溝通效率提升，並提升初次合作的高質量客戶滿意度，達成高需求量判斷兌現率。 (5)模型曲線置入缺料預警戰情，提早指示/警示/預警，以報表/移動平台/戰情看板/即時通訊軟體…等呈現，拉動供應商，降低無效追料損耗。 (6)資料來源為ERP/MES，銷售預測與排程系統整合，動態模擬調整庫存水位，因應少量多樣需求，降低庫存呆料， 滿足達交，體現企業提升毛利。 (7)數據歸納出模型後，不需大量，也具參考，只須持續數據量與驗證，提高精準度，強化企業體質，降低人為干預，以數據智能面向市場。 (8)數位優化/世代交替/新冠疫情過後，客戶及供應商重新洗牌，產業高值轉型，跨足新市場，爭取新客人，都須仰賴數據驅動思考變革的方向。 (9) AI 銷售預測可以應用於ODM/OBM/自有品牌製造業。

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。

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。

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。

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。

我們瞭解在零件清洗的製程當中，去離子水的潔淨度至關重要， 就讓 FlowVIEW 協助您掌握最精準的微粒子監控數據！ FlowVIEW 使用最新的雷射感測技術，搭配超精密的多通流道， 用心研發出專為可靠性設計的<全自動多通道粒子檢測系統>。 可完美整合到您的設備當中，是為汙染管控的理想產品。 以1µm的靈敏度搭配每分鐘30ml的流速， <全自動多通道粒子檢測系統>可24小時不間斷地分析水質並即時回傳數據。 使用者可輕鬆判讀微粒子數量的變化，有效監控水質與處理槽系統狀態， 大幅提升零件清洗製程的效率。

慧演智能專注於為製造業提供 AI 影像辨識解決方案，已成功應用於半導體、電子周邊及食品製造。 我們自主研發的 BailAI 平台，讓企業無需撰寫程式，即可完成從資料標註、模型訓練到部署推論的全流程管理。1.免寫程式、操作簡便：專為非工程背景用戶設計，一站式導入 AI 檢測。 2.快速建模、少量多樣：內建多種優化演算法，可用極少影像資料完成高效訓練。 3.靈活場域應用：模型可快速切換，適應不同工廠、產品線及檢測條件。 4.推論即時、自動監控：整合邊緣端 AI BOX，能即時判斷並記錄現場影像。 5.大幅節省成本與時程：縮短驗證週期、降低導入成本，加速 AI 成果落地。

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。

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。

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

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。

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。