report
活動+

AI神助攻 瑕疵檢測、預防維護效率大躍進

  • DIGITIMES企劃
多數製造業者急欲打造高效率的自動瑕疵檢測機制。一旦引進AI系統,即可透過大量影像分辨良品、不良品各自特徵,不斷學習並優化,達到遠優於人力的檢測效率與品質。來源:Pickert & Partner GmbH

所謂智慧製造,係指具有資訊自感知、自決策、自執行等完整機能的先進製造流程、系統與模式之總稱;意欲實現上述的自主感知、決策與執行能力,必須倚靠完全數位化的智慧製造生產系統,箇中需要融入諸多新一代資訊科技,除了雲端、物聯網、大數據等項目外,當然也包含了當前最炙手可熱的人工智慧(AI),尤其像是機器視覺、深度學習等以演算法分析為主的AI技術。

持平而論,AI風潮在近幾年火速蔓延,影響力已伸展至各個垂直應用領域,例如零售、金融、醫療等等,也包括製造業,儘管AI已呈百花齊放格局,但有專家認為,製造業應是AI在台灣最具發展潛力的產業領域。

 點擊圖片放大觀看

透過AI演算法直接對加速規採集的原始時間波形數據執行分析,可望實現比「快速傅立葉轉換」(FTT)更佳的高頻分辨率,捕捉到過去難以辨識的振動噪音。來源:Reality AI

主要是因為,製造業一向是支撐台灣經濟發展的大宗產業,發展歷程久遠,也從中孕育了許多在全球獨樹一幟的商業模式,連帶累積大量的獨特資料,可望為AI應用的發展,供應豐沛的養分,另一方面,由於製造業產值很大,所以若能藉助AI力量帶動產業升級轉型,開創更上層樓的競爭力,後續效益十分可觀。

至於AI適用於哪些製造業應用場景?其實選項相當多,不過如果以解決產業的痛點為前提,則有四種應用場景較為熱門,分別是瑕疵檢測(檢測範圍含括短路、空焊、極反、缺件、浮高、跪腳、撞件、錫球、墓碑等等)、預測性維護、自動流程控制,以及原料組合優化,而這些不同的應用面向,個個都蘊含莫大的AI發揮空間。

靠AI執行瑕疵檢測  使漏檢率應聲大降

一個真實的例子。某製造型企業擁有23條產線,原本走傳統人工的瑕疵檢測模式,配置4位目檢人員,搭配AOI設備每小時影像輸出量計算,每人每日可檢視30萬張影像,推算該企業每天的目檢總產能為120萬張影響,平均漏檢率為5%上下。

為了增進視覺檢測速度,同時壓低漏檢率,該企業決定導入AI技術,花了新台幣10餘萬元引進中高階桌上型電腦與NVIDIA GPU等硬體配備,另採用開源軟體工具、及具有高度調校性的深度學習模型,藉此取代人力執行自動化視覺檢測。

導入AI後,過去每天得看30萬張圖片的目檢人員,如今只需要看1.5萬張不到,工作負擔大減95%,但更值得欣喜的,漏檢率從原本的5%左右驟降至0.01%以下微乎其微水準,且以AI系統每秒判讀166.67張影像的速度來推估,每日的視覺檢測產能高達1,440萬張,足足比過去激增12倍。藉由此例,理當不難體悟到AI確實威力無窮。

同樣關於瑕疵檢測情境,另一個實例所展現出來的成效,雖不如前例來得壯觀,但也有可觀之處。某公司擁有近10名目檢人員,共計每天約可檢查300萬張圖片,漏網率高達12.9%以上,後來也開始採用AI深度學習技術,結果讓漏網率減少至不到1%,而每天合計的檢測總產量達864萬張影像,增幅達到1.88倍之多。

此外某製造商原先透過傳統人工模式,賴以控制設備參數,就長期來看,大致能將良率維持在61%左右水準,雖然跟同業相比不算是太差,但仍有相當大的改進空間;該公司認為倘若繼續沿用人工處理方式,良率已頂到天花板,提升的空間有限,假使要尋求突破,只能求助於AI,於是決定導入深度學習技術,建立以AI為核心的自動控制系統,成功將良率大幅推升到98%,足足比過去高出37個百分點,增幅至為驚人。

做好預防維護  遏阻停機風險

論及預防性維護,堪稱是驅動製造業者投資AI的最大誘因之一。業者透露,幾乎所有製造型企業都一樣,都很怕生產設備因失效緣故而無預警停機,一旦出現這類情事,輕則產出不良的加工件、墊高生產成本與時間,甚至影響訂單達交的準時性,重則任由不良品流入客戶端,使得商譽與商機嚴重受損。

對業者來說,任一種後果都是難以承受之重;所以必須透過某些方式來遏止這般悲劇發生,要嘛透過定期性的人工巡檢,要嘛就是靠經驗值(譬如某類型CNC機床的刀具,只要加工達一定次數,就可能出現磨耗或斷刀),設定為告警條件,兩種方法的目的,皆在於抓到最佳的保養時機點,無奈現實的情況是,兩種傳統方法都有過猶不及的缺陷,甚難有效消弭生產設備無預警停機之憾事。

然而若能有效運用AI,即可巧妙建立持續運轉的振動監測分析機制,隨時診斷機器健康狀態;凡是生產設備因失衡、共振或不對齊等各種因素,導致振動值逾越正常範圍,則這個監測分析機制不僅會適時發出告警,還會採取降低轉速、或停止運轉等必要處置措施,而非像過去等機器真的壞了才叫修處理,能夠及早挽救後續可能發生的巨大損失;單看此例,即能輕易體會AI之於製造產業的價值著實巨大。

由此可見,機械學習(含深度學習)未來在製造業場域的發揮空間相當大,如同前例,可讓控制系統在發出告警報之同時,也順勢採取因應對策,某種程度上,若能做到這一步,即可呼應政府積極推動的智慧機械政策,催生可觀的產業價值。

更有甚者,企業亦可搭配運用諸如IBM IoT Equipment Advisor之類的自然語言問答系統,讓它能經由日積月累的大量資料分析、判斷,針對機器的修復或維護提出最佳建議。

此外談到原料組合的優化調整,AI也有助上一臂之力的空間,最明顯的施作場景,就在染整業。據悉,染整業對於核心的調色、打色作業,已長期累積許多Know-how,過去相關的配方都存在老師傅的腦海裡或隨身的記事本上,很難用系統性的方式推動經驗傳承;時至今日,染整業者可以把過去未能善用處理的寶貴資產,通通予以數位化,接著結合AI演算法,形成一套可供長遠運作的專家系統。

有了AI專家系統當靠山,業者不管執行任何的打色工作,都可輕易藉助光譜分析儀,自動剖析顏色,再交由AI演算法調優參數,就能快速產生新配方,致使打色成功率大幅提升,也讓整個顯色流程的進行速度提高不少,如此一來,業者根本不必擔心客戶會不耐久候(等待顯色結果)而跑單。總括而論,人工智慧正在顛覆全球製造業作業生態,相關業者務須審慎關注此一趨勢脈絡。