AI製造運用

現今工廠自動化的趨勢，已開始由大量機器人取代人工作業，製造業對機器人的需求及依賴程度越高，企業如何確保機器人的高可靠性呢? 因此，能夠自主性判別設備狀態與減少非計畫性停機更成為企業所需要深入探究的課題。機器學習智能監控系統即是針對各式機械設備的動態監測，使用者透過簡單建立健康規範，系統學習動作依照所累積的數據統計進而做出分析判斷，產業進而可訂立預知保養計畫並有助於設計者優化產線設計流程。 藉由即時偵測動態機械之訊號，可預測判斷機械手臂的健康狀況，及焊接作業品質的線上即時監測，使企業有較餘裕的時間安排設備維護與產線，將導入機器人的初衷發揮到極致，『做得快且做得好』

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。

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）。

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。

隨著電子元件微型化，對檢測設備準確度之要求越來越高，然而現今檢測設備大多仍採取傳統影像處理技術來檢測瑕疵，無法滿足高準確度之需求，為了避免漏檢瑕疵，業者被迫將檢測機台靈敏度調高，其副作用就是造成了大量假瑕疵的產生，使得產線仍須耗費大量人力做二次篩檢，不僅耗費成本，且影響產品品質及生產速度。國內檢測設備業者聯策科技以AI深度學習技術進行真假瑕疵之判定，可協助PCB業者減少一半以上之假瑕疵，促進產線自動化，且以軟帶硬提升設備10倍之價值。

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。

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。

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

(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。

透過人工智慧演算法來實現 (1) 工程師的調校經驗系統化及 (2) 調校結果的量化分析，幫助專業工程師在更短時間找出更佳的參數組合。此工具初期是以人機協作的方式運行，隨著智慧系統在過程中不斷自動學習最終可達到產品模型參數的全自動調校。

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。

MusesAI- 是提供製造業非資訊人員，透過一站式介面指示精靈，可快速、簡單、準確度高方式，在系統介面自動協同標註特徵及自動訓練AI模型，而後即可立即下載佈署使用的一站式AI模型開發平台，其中AI應用模組類別包含影像類及數據類兩大方向，影像類涵蓋物件辨識(數量、標工)、人員行為辨識、工地安全等；而數據類則涵蓋機台閒置預測、設備故障診斷等應用，可大幅降低一般AI模型開發門檻及投入時間。

為了因應未來高爾夫球國際市場競爭力及產能的需求，有別於舊廠以傳統分站式產線代工製造高爾夫球，製程多採人工作業方式進行，致使產能有限、營收受限；新建置”明揚二廠”一條流水式自動高爾夫球產線，進行感測器加裝與機台聯網，導入智慧化之供應鏈整合平台串流上下游廠商的即時資訊回饋，提供供需二端線上詢價採購、維修預知、報價出貨之自動快速回覆的e化流程，並導入供應商管理存貨(VMI)模式，生產製程設備安裝感測器及聯網，以及數據蒐集與分析、參數調機、異況通知、預知保修與AOI智慧品檢等，讓回覆的速度加快、反應的時效縮短、生產更為順暢、訊息完全透通，確保產製過程中供料穩定、交期準確及產品合格，並且在資訊通透下減少了交易成本與流程時間。並於品檢端規劃與導入機器視覺、AI人工智慧及深度學習進行高爾夫球之瑕疵檢測，提升球體表面全檢速度、機器參數設定的最適(佳)化，以利提供一快速流暢的生產流程、提升產能與速度。

受到快時尚及網路購物風潮影響，品牌客戶對即時且準確供貨之要求越趨嚴謹。建構網實智能化製造、生產、銷售系統，以快速反應或預測市場需求，產業供應鏈垂直與水平數位化、智能化，成為全球搶單競爭關鍵。在缺乏即時內外部資訊整合條件下，每次決策都在考驗高層主管的智慧與運氣，常備原料採購時機錯誤就可能導致公司訂單賠錢，生產決策錯誤就可能導致需要空運才能達交，昂貴的空運費即大幅抵銷了訂單利潤。利用基因演算法+資源限制分類，並整合訂單、排程及產能，模擬生產排程資訊提供給廠長決策參考。此一應用可最佳化安排生產，減少瓶頸問題，提高物料供應精準度，減少停工待料的問題。