工研院发表AI智慧工厂服务一条龙服务，来克服传统工厂转型三大痛点

“传统工厂转型智慧制造时，经常遇到感测器、传输协定和资料质量等三大挑战。”工研院资通所智能制造服务系统组技术副组长李坤敏指出，落脚于台南的工研院智能制造组多年来协助不少中、南部制造业转型，但他观察发现，制造业感测器种类繁多、输出入界面标准不一，导致导入智慧智造系统时，需大量时间整合；再加上制造设备生命周期长，可达50、60年，老旧系统世代相容性低，使资料收集、整合过程繁琐。

而且，“虽然许多传产已做到生产自动化，但资料收集仍仰赖人工手抄或输入，收集资料的时间也未同步。”李坤敏认为，这样的资料质与量，难以进行大数据分析、改善生产流程。

有鉴于此，工研院也开发了一条龙智慧制造服务，要助制造业从接单到生产、售后阶段都能更智慧。这些服务，包括了改善资料传输的移动式纪录系统、接单智慧排程、实验设计、产品检验、良率管理、设备保养和作业优化等7类系统。

就移动式纪录系统来说，工研院以低功号无线蓝牙传输方式结合数位量测工具，来取代手动纪录，并利用RFID来统整工单的制造资讯（比如人员、机台、产品），来制作电子生产履历。目前已运用于纺织业、塑胶业和金属加工业。

而在实验设计部分，工研院资通所智能制造服务系统组资料应用部副经理林顺杰指出，工厂实验室一般配有制程模拟软件，但工厂常发生模拟结果与现场生产数据有落差。因此，工研院结合制程模拟软件数据和现场实验数据，建立替代反应曲面AI模型，可建议如何选择实验参数，来降低软件模拟与现场实作的差距。这套系统，也已用于纺织业用料排版最佳化，以及医疗制鞋业的客制鞋垫参数最佳化，甚至还有半导体散热鳍片设计参数最佳化。

至于产品检验，工研院研发了一套虚拟检测员（VQI）来把关产品品质。VQI可分为两部分，第一是外观瑕疵检测，“对AI来说，要辨识已知缺陷不难，但要辨识现场未知缺陷，就是个挑战。”因此，工研院采正常辨识方法，利用个别企业累积的正常品影像作为训练资料，建立深度学习模型，来检测与正常影像差异过大的影像（即未知缺陷）。

此外，该模型还可整合多种分类器，来降低已知缺陷的错杀率，另也可搭配现场作业KPI动态调整模组，来达到零漏检目标。目前，该系统已用于纺织业验布机瑕疵检测、PCB电路板瑕疵检测等。

VQI的第二部分，则是生产指标预测。林顺杰指出，一般进行即时虚拟全检（AVM）时，只要产品品质发生即时改变，就会产生剧烈转折点，可能影响之后的品质预测。而工研院利用最适区域匹配和非线性回归算法，来改善这个预测误差，依目标预测时间来动态取样，并结合检测信心度来评估。当信心度不足时，系统会建议现场人员人工补测品质，再将结果回馈给系统模型，来调整模型准确率。

另一方面，在良率提升部分，工研院祭出了制程医生（Dr. M）来把脉生产制程。Dr. M涉及了两个关键，一是关键因子分析，利用分类器来推导检测不合格的原因。这些分类器包括了决策树、回归、向量等，并结合权重分类排序方法，来归纳原因。接着，再利用这些因子来进行参数调校策略分析，以视觉化方式来呈现参数调校建议模组

除了产线监测，工研院也提出了设备管家服务，来预防设备故障。林顺杰表示，在设计这个服务时，由于设备异常资料收集不易，所以以正常辨识为原理，收集设备正常资料，来建立非监督式AI模型，以历史资料来自动决定最佳模型参数，最后再以绿、黄、红灯指标来表示设备的健康状态。

最后，工研院还提出了肢体动作识别服务，来优化作业人员动线安排。“这是近1年市场常探讨的议题，”工研院除了利用人体骨干分析来辨识作业员是否熟练，也进一步将作业员动作与成效数据进行关联分析，进一步计算出特定工序的最佳动作组合，或是最省时的物料摆放位置、最佳人机协调的工法等。

林顺杰也表示，导入智慧制造系统并不会一夕奏效，而是循序渐进。他建议，企业应先分析智慧制造的需求，再来建置基础架构，比如盘点资料、建置IoT平台，最后才导入垂直应用场域。“最重要的是，必须获得老板和现场作业员的支持。”文◎王若朴