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

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。

智合科技的研發團隊 採用最新人工智慧深度學習(Deep Learning) 並結合 AOI 技術, 可進行 不規則形狀物件的品質評估：使用 AI 物件偵測, 然後再透過 AOI 進行 2D 資訊計算, 產生評估數據 例如：農業產品 / 不易數據化的物件 / 非標準品的測量 / 2D 與 3D 的數據呈現 不易測量的物件：使用 AI 的技術, 針對邊緣影像的準確度進行推估, 確保整體的檢測數據的信賴性 例如：高精密度金屬加工物件的邊緣值 另外可透過 嵌入式邊緣計算平台, 進行上述技術的整合, 有效降低整體系統的建置成本

智慧製造、工業4.0的概念已經對製造業帶來了一個新的概念，人工智能、5G、物聯網已經帶來了技術上的可行性，智能化 MES、CPS IoT/AIoT、智能控制系統、運用機器人的自動化，將帶來工業 4.0所強調的互聯、整合、數據、創新與轉型，並結合公司整體 ERP 與 CRM 系統，帶來更低成本、高品質、顧客高滿意度、符合市場快速更迭的製造服務與產品。 廣宣科技智能製造團隊，運用特殊 AI 深度特徵解析技術，將連續或離散生產數據，加以智能化處理，將所有產線效能指標做相依度之計算，並運用當前人工智慧解析特徵黑盒子的最新技術，將產線數據找出關鍵特徵，並配合製造專家顧問團隊進行產線問題解讀、並進一步透過各樣規則建模，並控制各項變因進行製程優化。不但可達到數據可視化、提升產線透明度，更能透過智能控制系統，達到互聯、集成，甚至反饋控制的效果。廣宣科技智能團隊由人工智慧資料科學家、工業工程專家、資深廠長級顧問團隊、控制系統專家、資訊系統整合專家組成，為不同工業需求提供客製化與具深度的顧問分析服務與智能資訊平台。已與多家兩岸三地製造業、化工業、電商物流業進行系統客製與智能化諮詢。

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

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。

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。

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』

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

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。

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。

需確保雞隻完整性，以利分切人員能分切較完整的雞隻部位，避免浪費。原先需仰賴人工作業，每日檢查雞隻空掛、斷翅、斷頭、半斷等狀況，檢查完後仍需仰賴人力滕打工時，紀錄分切多少雞隻與各雞隻部位，相當耗時。該客戶因此委請緯謙利用AI訓練辨識雞隻照片，能快速過濾掉不完整的雞隻，並能進行統計與分析，以期能節省人力付出時間。

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。

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。

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。