AI製造運用

工研院研發產品品質指標預測技術，與軸承製造大廠T公司合作進行軸承加工產線的線上測試，基於機台電力、加工應變力等大數據，透過智慧分析瞭解刀具狀態與工件品質關係，及時偵測NoGo工件，降低損失。並藉由及時調整抽檢頻率，動態配置檢測人力，使傳統離線且需成品完成後的抽檢改為線上即時的全面檢測。

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。

有許多傳統產業之生產機台大都是封閉式系統，依賴資深的”老師傅”經驗進行機台參數調校，以維持生產順利與生產品質。 然而面臨智慧製造之機台聯網需求，既有機台升級汰換的高額成本大幅阻礙了傳統產業升級的規劃。 因此，此案例透過採用非侵入式感測技術取得傳統製粒機台的電氣信號、振動信號，並使用AI機器學習演算法來建立機台 協助廠商傳統產業建立「生產機台徵兆訊號擷取與連網建置」、「即時生產資訊可視化平台」及「有機肥製造廠區生產智慧化模組」，以協助業者進行有機肥料的品質優化及達到提升設備稼動率並降低生產與人力監控成本

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。

(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。

《振海資通股份有限公司》利用AI機器學習搭配AOI技術，已部署於電容器製造業並成功實際運用。由於電解電容器為圓柱形體相關問題，此方案可解決傳統平面檢測較無法檢出的相關問題，檢測出人眼無法看到的瑕疵、測量物件尺寸及辨識物件位置等，是一套非接觸式檢測系統，可在動態製程中檢測。對所須檢測項目進行取樣，樣本進行標註數據化後，將數據透過演算法，進行瑕疵檢測數據分析，歸納出各階段產出不良品之原因，確保品質穩定性，提生良率，實現智能化的生產線。

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。

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%。

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。

Dataset Acquire資料匯入整合管理、Dataset Reprocessing 資料前處理與作業、Dataset Understanding資料理解與分析、Data Labeling資料標記輔助系統、Model Generator模型設計、Auto deployment自動發佈模型

智慧製造+產業AI化的升級已在國人心中醞釀已久，期待一套敏捷且彈性的智能報工系統，為工廠帶來數位化與智能化提升。 3K環境以及八國聯軍設備往往是機械製造業數位化與智能化最大的挑戰，加上廠內同時存在工業1.0-4.0的混動生產情形，報工作業往往需要高度人力介入，因此敏智能報工系統應運而生。 敏捷智能報工系統具備AI即時多報工模式、機聯網、高移動性移動裝置、即時監控生產效益等特點，將第一手現場數據回傳戰情中心，讓Data晉身Information，協助企業做好完善廠區、稼動率或異常等管理。 此外搭配深度學習與視覺辨識服務，有效協助身處3K現場作業人員進行工件辨識計數或不良品辨識，大幅降低人力與重複教育訓練的成本。 零次方科技團隊由人工智慧、軟體工程、工業工程、用戶體驗等專家組成，為製造業不同需求提供高專業度顧問分析服務與客製化服務。目前系統已在台中工業區製造業實際導入與上線使用。

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。

（應用一）該系統提供鑽石磨棒刃面處全景深影像留存並提供鑽石磨棒使用後回廠人工比對功能。由於原先生產過程中含人工操作的步驟，所以效率不高，必須使用大量的人力才能滿足量測速度，且有許多數據因人工作業較久無法逐顆量測，需透過作業員觀察到異常時才進行量測，容易發生漏檢情形。本公司透過人工智慧機器視覺方式進行語義分割及迴歸預測，有效縮短生產量測時間並提供鑽石刃面偏心度、鑽石露出面積…等量化數據，不僅提高生產速度及量測品質，亦降低了客戶的人事成本(設備取代人力)，創造出客戶與本司雙贏的局勢。　　　　　　　（應用二）在客戶的產線中銅箔基板因前製程的不良品或是製程汙染(刮傷、亮點、摺痕、污點、粒銅、氧化…等)，導致在後製程前需人工檢查品質加以剔除，若發現瑕疵則使用麥克筆標記該區域，再用雷射打標機以人工對準標記區域進行雷射標記，本系統使用AI物件分類算法以在線學習方式來識別人工記號，並結合雷射打標完成自動打標功能。　　　　　　　　　　　（應用三）隨著SMD元件尺寸日漸縮小，檢測時每片貼片電阻基板上的電阻元件數量可達上萬顆，傳統人工目檢方法已難滿足生產需求，但市場上目前尚未有能支援到0.201…等小尺寸SMD元件的自動量測修阻痕跡並進行雷射打標的設備。本公司採用大標靶且超高解析度工業相機，再搭配高解析度鏡頭，以單隻相機取照架構滿足應用需求以及使用顯示卡透過批量方式進行AI順向預測，極大化使用顯示卡記憶體滿足速度上的需求，並以AI機器視覺方式進行影像分類及物件偵測來達到高精度的檢測功能。　　　　　　　　　　　　　　　　　　　　　　　　　　　智合科技的研發團隊結合人工智慧(AI)與光學辨識系統(AOI)，在了解客戶的產品、作業流程及需求後，提出最適、最佳的設計及產品，讓客戶以最適預算取得最佳解決方案，產品應用範圍跨越眾多領域。

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。

生產製造公司83％的資訊長認為，設備維護以及總體資產分析最佳化為提升企業競爭力之最主要途徑。「機台故障預診斷」是一套人工智慧（AI）與機器學習的系統，分析機台所產生的製程資料，進行即時監看、預測並以視覺化資料呈現，讓產線管理者可以掌握設備的健康狀態。