智慧應用 影音
科技產業報訂閱
event

【專家觀點】AI也懂製程? 調配最佳參數大有可為

透過「人腦」跟「電腦」的雙腦合作,當未來資料量越來越充足時,就能減少對人工知識的依賴,更快找出最佳的製程參數組合。李建樑

製程是製造業的共通需求,不論是高科技的半導體研發,或是傳統產業如石化業的材料組合,又或是生醫產業開發新藥時的化合物組成,都會面臨製程優化的議題。其中,製程裡的「參數」就像食譜配方,透過調整不同組合,影響最終的產品規格、產能和良率。製程可說是影響產業創新的關鍵,考驗廠商能否更快推出更具競爭力的產品,拉開與對手的差距。

然而製程參數的調整,極度仰賴深厚的人工經驗與知識,這一塊過去被認為是神聖不可侵犯的地方,不是機器可以做到的;但當AI技術精進後,就大有可為。建議製造業者可以思考以下兩個方向:運用人工智慧(AI)找出最佳製程參數、善用小數據克服產業導入AI的瓶頸,加速實現智慧製造。

運用AI找出最佳製程參數

以石化業為例,製程複雜,涵蓋溫度、壓力、入料量、觸媒溶劑添加比例等近20個重要參數搭配,再加上石化業的參數調整又有高度安全性考量,如果調整錯誤甚至會引起爆炸,過去只能依賴人員經驗,進行保守性調整。像這種多目標的優化過程,需提高生產效率,又要節省製程耗能,還要符合安全顧慮。

在工研院擘畫2030技術策略與藍圖中,工研院投入共通基礎技術AI創新研發,發展出「製程智慧分析與配方參數最佳化」技術,即是以AI演算法,協助產業以最快時間,找出最佳製程配方。

工研院研發團隊根據幾十萬筆模擬資料,先建立一個AI模型,再套入現場少量的幾百筆資料,修正模擬器誤差,最終產出最佳參數建議。這項技術不僅能改善原有製程,更重要的意義是,能幫助業者探索從未接觸過的製程配方。「製程智慧分析與配方參數最佳化」技術,能為業者節省3%的能源消耗,相當於千萬以上的成本。

善用小數據克服產業導入AI的瓶頸

數據是訓練AI的最佳養分,有效的數據量越多,分析更精準;然而,數據量不足,是許多製造業者導入AI的瓶頸。例如,過去業界對於製程參數的調整,大多採用經驗法則,逐一試驗各種參數組合,這個做法不僅耗時費力,也極度墊高研發成本,當人才流失或培育不及時,許多公司也會面臨知識斷層的狀況。

工研院團隊在研發「製程智慧分析與配方參數最佳化」之初,則選擇能有效運用少量資料、數據的「貝氏最佳化演算法」,不需完整解析模型全貌,也能就現有資料推論分析最佳操作區域,有效克服產業想導入AI,數據量卻相對不足的門檻。

此外,在研發相關製程參數最佳化的同時,研發團隊與製程工程師密切互動也很重要,必須深入了解產業中最重要的關鍵參數為何,或是哪幾個參數存在高度關聯性,讓AI的判讀更加準確;當分析結果出爐時,工程師也能協助以過去經驗,初步判斷AI的建議結果是否可行。

透過「人腦」跟「電腦」的雙腦合作,當未來資料量越來越充足時,就能減少對人工知識的依賴,更快找出最佳的製程參數組合。

AI是提升製造業競爭力的最佳利器,以工研院開發「製程智慧分析與配方參數最佳化」技術來說,其應用潛力也相當驚人,可導入有製程概念的相關產業,例如石化業、光電半導體、鋼鐵業等。

有了AI當助手,各大產業就像是聘請了一位智慧主廚,隨時都能端出最佳化的參數配方,協助台灣製造業突破轉型瓶頸,加速實現智慧製造。(本文作者為工研院巨資中心執行長暨AI人工智慧應用策略辦公室副主任馮文生)

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 工研院 AI 智慧製造