AI神助攻 瑕疵檢測、預防維護效率大躍進

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。

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。