AWS
活動+
 

結合AI等新科技能量 全速挺進智慧製造目標

儘管全球產業景氣暫時陷入膠著,但舉凡工業4.0、智慧製造等題材,無論在台灣或大陸依舊擁有頗高能見度,相關展會的參展熱度始終不墜。CGTN

不可諱言,2019年對於全球產業不算是一個值得興奮的好年頭,只因中美貿易紛爭、英國脫歐等大環境變數橫生,使全球產業景氣從2018年下半開始走軟;但在市場氛圍陷於膠著之際,「智慧製造」題材依舊相對熱絡。

以近期熱鬧登場的2019台北國際工具機展而論,便將展會主軸設定在「工業4.0、智慧製造」,只見眾家參展廠商使出渾身解數,呼應智慧製造主題展示多項創新方案,其中最引人矚目的亮點,無疑是全球第三大工具機集團友嘉推動的「5G未來工廠」,這座全亞洲首座無人化創新工廠,預計明年(2020)於新竹湖口正式啟用,屆時舉凡素材檢查、CNC自動加工、自動拋光,乃至自動洗淨區,都全面採用5G無線聯網。

 點擊圖片放大觀看

無論屬於半導體、印刷電路板、電子產品、紡織、金屬製品...等不同類型的製造業者,都可藉助AI模型取代傳統人員目檢方式,以提升瑕疵檢測的準確率與速度。Applied Materials, Inc.

除5G未來工廠外,2019台北國際工具機展場的其他亮點著實不少。譬如台達電子推出智慧製造設備互聯監控平台,標榜藉由完善的機聯網架構,緊密串接智慧加工機台與管理系統,可望協助工具機產業加速接軌智慧製造,此項成果獲得許多與會人士的關注;透過這次展出,台達電子一舉端出多項淬煉許久的智慧製造管理軟體成果,包含智慧製造可視化管理平台DIAMMP、工業圖控軟體DIAView,及設備聯網平台DIALink等等。

工業4.0智慧製造,仍是高人氣題材

此外工研院展示的智慧製造生產管理系統,同樣頗具看頭。據悉該系統係由工研院整合ERP、MES、APS及自動化整合等能量,結合資訊流及工廠內的物流資訊,有能力依據訂單及工單狀態,透過排程引擎產出最佳化生產計畫,俾使製造業者有效提升生產線的轉換彈性,如此即便面對突如其來的急單或插單需求,也足以從容因應。另一方面,工研院機械所於2017年號召成立的「智慧製造聯網數據加值聯盟」,也端出精采成果,結合工研院研發的公版聯網服務平台(NIP)、研華的WISE-PaaS平台,再藉由智能化工具機軟體整合標準,有效串連現場展示的工具機控制器。

事實上不只是展會,其餘還有諸多跡象,都足以彰顯智慧製造在台灣的發酵程度。舉一個例子,戮力推動產業AI化的台灣人工智慧學校,成立至今屆滿一年,據聞已為產業界培養逾3,000名AI人才,其中來自製造業的學員比例相當高,顯見製造業者積極邁進AI轉型旅程,力求扎穩工業4.0智慧製造的根基。

製造業者群起擁抱AI,是順理成章的趨向。眾所皆知製造業向來是台灣的強項,擅於在一定的成本控制下,極大化提升產品的數量與品質,經年累月已然養成深厚底蘊,如今由原有堅強的底子再加上AI,可謂強上加強,有望帶動核心競爭力迅速躍升;雖然不容否認,礙於時局變化,台灣製造業過往自豪的作業模式,不見得能繼續適用,但隨著積極投入AI,可望藉由全新的探索與發現,帶動人員、設備及流程即時調整與適應,促使既有模式進化升級,幫助業者持續在新製造時代展現競爭力。

究竟AI在製造業的主要應用場景有哪些?台灣人工智慧學校提出的觀點有四個部分,象徵製造業長期未能有效解決的難題,包含瑕疵檢測、預測性維護、自動流程控制,及原料組合最佳化。

善用深度學習模型,輕鬆克服產業共通挑戰

毋庸置疑,「瑕疵檢測」稱得上是多種類型製造業者的共通挑戰,只因不論是消費性電子產品、紡織產品、金屬產品...等等,皆需執行瑕疵檢測,而且長期以來都靠人力來進行此工作。以電子業常見的SMT(Surface-Mount Technology)流程為例,便需安排人員目測檢視短路、空焊、極反、缺件、浮高、跪腳、撞件、錫球或墓碑等異象;可惜人非機器、長期從事高重複性質工作,難免產生疲累,因而出現漏網情況。

譬如某家擁有23條產線的製造業,估計人為目測的漏網率為5%,檢測的準確率有待提升,且以該公司4位目檢人力的編制來推估,每天共計可判別120萬張由AOI設備輸出的影像,檢測速度並不算快。基於上述兩個亟待改進的KPI數值,促使這家製造商決定引進深度學習技術,取代傳統的人員檢測模式,其花費新台幣15萬元不到購置了中高階桌上型電腦與Nvidia GPU,再搭配開源軟體工具,藉此訓練深度學習模型,結果這套模型確實展現投資價值,成功將漏網率壓低至0.01%之下,與過往5%水準相比,改善幅度超過499倍,十分驚人;至於檢測速度方面,則提升為每日1,440萬張影像,亦大增11倍之多。

經由瑕疵檢測之例,便不難理解為何製造業如此熱衷投入AI;同理,利用AI技術來解決預測性維護、自動流程控制、原料組合最佳化等其他三項難題,亦可輕易展現顯著的改善效果。以「原料組合最佳化」為例,染整業須按照客戶提出的色樣需求,著手調製染料配方,若依傳統做法,打色成功率到達70%左右,就算是合格表現,但也意謂失敗率至少三成起跳,因而耗費了可觀的染料、白色胚布;如今相同場景,改由電腦搭配AI模型來執行打色,結果成功率竟可突破95%大關,足足躍升了25個百分點以上。

惟縱使AI成效誘人,但欲將AI運用到隨心所欲、乃至從AI真正推進到智慧製造層次,並非一蹴可幾,無論實戰人才、平台工具、懂得找對問題的能力等等缺口,都必須逐步尋求補強。在此之前,為了加速接軌諸如AI、數據分析等新科技應用,企業務須審視雲端策略,在顧及機敏資料保全目的之餘,儘可能採取多雲、混合雲模式,靈活取用外界已完整建構的工具,以爭取時效大步邁向工業4.0智動化目標。


  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 智慧工廠 智慧製造 人工智慧