AI製造運用

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。

在高速生產的產線中，使用AI方式檢測機能性飲品瓶罐的缺陷，包括瓶口裂紋、瓶蓋破損、字體噴印不良、異物掉入等，提升瑕疵檢出的能力，大幅強化產線溯源管理及紀錄存留的效率。

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。

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

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。

3D空氣極光表面改質系統，使用結構光深度視覺掃瞄，具速度快、精度高，可即時掃瞄生成路徑，進行極光表面改質，適用於各種形狀及材質，無需事先進行任何設定。此應用對於中小企業或傳統產業，非常的重要，雖然多關結式的機器手臂最接近人體的結構，使用上相對靈活，很適合應用在少量多樣的製造。但這種機器人在設定及操作上也相對的複雜，所以一般的中小企業或傳統產業，極少有能力可以設定及撰寫多關結式機器人的程式，加上要收集手臂上的數據完全是難上加難，造成產業升級、彈性製造都淪為空談。 我司自主研發的極光表面改質系統，在異質接合上改善傳統製程上的污染，以鞋業為例：原本橡膠和EVA的接合，需要打磨、酸鹼洗、烘乾、處理劑、膠水等步驟，其中會產水和空氣的污染，造成企業成本上升、居民抗議、環境負擔。但如果使用我司的極光表面改質系統，橡膠與EVA的結合，製程上會改成清水洗、烘乾、極光處理、水膠接合。不但工序減少、產能提升，更重要的是與傳統製程相比，至少減少99%的環境污染，而達成企業、消費者、地球 三贏的局面。

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。

（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。

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。

機器人在製造業的應用已經越來越廣泛，相對的機器人是否能順利運作對生產工作的穩定性也會有相當程度的影響。因此若是有一套系統能針對機器人的健康狀態做線上的監測，並能在機器人發生問題的初期就能發現並及早通知使用者，就能夠及早因應並採取必要的措施，就能有效降低機器人無預警的損壞造成對生產作業的衝擊。機器人自動預知診斷系統能夠7/24線上監測機器人機件運作的細微動作變化，只需要在機器人的基座放置一個震動感應sensor，系統會根據sensor量測到的訊號建立模態，內建的機器學習演算法自動對運作模態做追蹤，無須專家就能夠自動診斷機器人的健康狀態。同時也可以將相關的診斷結果透過內建的IoT Studiio(物聯網通訊軟體)傳送的Internet、雲端、Edge Server。

《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。

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』

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。

因現場操作人員無法兼顧所有機台確認狀況，當織帶編織錯誤時， 需到最後品管包裝才能確認錯誤，現場機台編織織帶60~70碼/時，會造成相當長度的損失。 當織帶會遇到明顯不良包括脫線、預計導入鞋帶工廠織帶良率檢測系統改善品管流程提前修正錯誤降低材料耗損。