工研院發表AI智慧工廠服務一條龍服務，來克服傳統工廠轉型三大痛點

「傳統工廠轉型智慧製造時，經常遇到感測器、傳輸協定和資料質量等三大挑戰。」工研院資通所智能製造服務系統組技術副組長李坤敏指出，落腳於臺南的工研院智能製造組多年來協助不少中、南部製造業轉型，但他觀察發現，製造業感測器種類繁多、輸出入介面標準不一，導致導入智慧智造系統時，需大量時間整合；再加上製造設備生命周期長，可達50、60年，老舊系統世代相容性低，使資料收集、整合過程繁瑣。

而且，「雖然許多傳產已做到生產自動化，但資料收集仍仰賴人工手抄或輸入，收集資料的時間也未同步。」李坤敏認為，這樣的資料質與量，難以進行大數據分析、改善生產流程。

有鑑於此，工研院也開發了一條龍智慧製造服務，要助製造業從接單到生產、售後階段都能更智慧。這些服務，包括了改善資料傳輸的移動式紀錄系統、接單智慧排程、實驗設計、產品檢驗、良率管理、設備保養和作業優化等7類系統。

就移動式紀錄系統來說，工研院以低功號無線藍芽傳輸方式結合數位量測工具，來取代手動紀錄，並利用RFID來統整工單的製造資訊（比如人員、機臺、產品），來製作電子生產履歷。目前已運用於紡織業、塑膠業和金屬加工業。

而在實驗設計部分，工研院資通所智能製造服務系統組資料應用部副經理林順傑指出，工廠實驗室一般配有製程模擬軟體，但工廠常發生模擬結果與現場生產數據有落差。因此，工研院結合製程模擬軟體數據和現場實驗數據，建立替代反應曲面AI模型，可建議如何選擇實驗參數，來降低軟體模擬與現場實作的差距。這套系統，也已用於紡織業用料排版最佳化，以及醫療製鞋業的客製鞋墊參數最佳化，甚至還有半導體散熱鰭片設計參數最佳化。

至於產品檢驗，工研院研發了一套虛擬檢測員（VQI）來把關產品品質。VQI可分為兩部分，第一是外觀瑕疵檢測，「對AI來說，要辨識已知缺陷不難，但要辨識現場未知缺陷，就是個挑戰。」因此，工研院採正常辨識方法，利用個別企業累積的正常品影像作為訓練資料，建立深度學習模型，來檢測與正常影像差異過大的影像（即未知缺陷）。

此外，該模型還可整合多種分類器，來降低已知缺陷的錯殺率，另也可搭配現場作業KPI動態調整模組，來達到零漏檢目標。目前，該系統已用於紡織業驗布機瑕疵檢測、PCB電路板瑕疵檢測等。

VQI的第二部分，則是生產指標預測。林順傑指出，一般進行即時虛擬全檢（AVM）時，只要產品品質發生即時改變，就會產生劇烈轉折點，可能影響之後的品質預測。而工研院利用最適區域匹配和非線性迴歸演算法，來改善這個預測誤差，依目標預測時間來動態取樣，並結合檢測信心度來評估。當信心度不足時，系統會建議現場人員人工補測品質，再將結果回饋給系統模型，來調整模型準確率。

另一方面，在良率提升部分，工研院祭出了製程醫生（Dr. M）來把脈生產製程。Dr. M涉及了兩個關鍵，一是關鍵因子分析，利用分類器來推導檢測不合格的原因。這些分類器包括了決策樹、迴歸、向量等，並結合權重分類排序方法，來歸納原因。接著，再利用這些因子來進行參數調校策略分析，以視覺化方式來呈現參數調校建議模組

除了產線監測，工研院也提出了設備管家服務，來預防設備故障。林順傑表示，在設計這個服務時，由於設備異常資料收集不易，所以以正常辨識為原理，收集設備正常資料，來建立非監督式AI模型，以歷史資料來自動決定最佳模型參數，最後再以綠、黃、紅燈指標來表示設備的健康狀態。

最後，工研院還提出了肢體動作識別服務，來優化作業人員動線安排。「這是近1年市場常探討的議題，」工研院除了利用人體骨幹分析來辨識作業員是否熟練，也進一步將作業員動作與成效數據進行關聯分析，進一步計算出特定工序的最佳動作組合，或是最省時的物料擺放位置、最佳人機協調的工法等。

林順傑也表示，導入智慧製造系統並不會一夕奏效，而是循序漸進。他建議，企業應先分析智慧製造的需求，再來建置基礎架構，比如盤點資料、建置IoT平臺，最後才導入垂直應用場域。「最重要的是，必須獲得老闆和現場作業員的支持。」文◎王若樸