qct
AutoTronics2020
 

【专家观点】AI也懂制程? 调配最佳参数大有可为

透过「人脑」跟「计算机」的双脑合作,当未来资料量越来越充足时,就能减少对人工知识的依赖,更快找出最佳的制程参数组合。李建梁摄

制程是制造业的共通需求,不论是高科技的半导体研发,或是传统产业如石化业的材料组合,又或是生医产业开发新药时的化合物组成,都会面临制程优化的议题。其中,制程里的「参数」就像食谱配方,透过调整不同组合,影响最终的产品规格、产能和良率。制程可说是影响产业创新的关键,考验厂商能否更快推出更具竞争力的产品,拉开与对手的差距。

然而制程参数的调整,极度仰赖深厚的人工经验与知识,这一块过去被认为是神圣不可侵犯的地方,不是机器可以做到的;但当AI技术精进后,就大有可为。建议制造业者可以思考以下两个方向:运用人工智能(AI)找出最佳制程参数、善用小数据克服产业导入AI的瓶颈,加速实现智能制造。

运用AI找出最佳制程参数

以石化业为例,制程复杂,涵盖温度、压力、入料量、触媒溶剂添加比例等近20个重要参数搭配,再加上石化业的参数调整又有高度安全性考量,如果调整错误甚至会引起爆炸,过去只能依赖人员经验,进行保守性调整。像这种多目标的优化过程,需提高生产效率,又要节省制程耗能,还要符合安全顾虑。

在工研院擘画2030技术策略与蓝图中,工研院投入共通基础技术AI创新研发,发展出「制程智能分析与配方参数最佳化」技术,即是以AI算法,协助产业以最快时间,找出最佳制程配方。

工研院研发团队根据几十万笔模拟资料,先建立一个AI模型,再套入现场少量的几百笔资料,修正模拟器误差,最终产出最佳参数建议。这项技术不仅能改善原有制程,更重要的意义是,能帮助业者探索从未接触过的制程配方。「制程智能分析与配方参数最佳化」技术,能为业者节省3%的能源消耗,相当于千万以上的成本。

善用小数据克服产业导入AI的瓶颈

数据是训练AI的最佳养分,有效的数据量越多,分析更精准;然而,数据量不足,是许多制造业者导入AI的瓶颈。例如,过去业界对于制程参数的调整,大多采用经验法则,逐一试验各种参数组合,这个做法不仅耗时费力,也极度垫高研发成本,当人才流失或培育不及时,许多公司也会面临知识断层的状况。

工研院团队在研发「制程智能分析与配方参数最佳化」之初,则选择能有效运用少量资料、数据的「贝氏最佳化算法」,不需完整解析模型全貌,也能就现有资料推论分析最佳操作区域,有效克服产业想导入AI,数据量却相对不足的门槛。

此外,在研发相关制程参数最佳化的同时,研发团队与制程工程师密切互动也很重要,必须深入了解产业中最重要的关键参数为何,或是哪里几个参数存在高度关联性,让AI的判读更加准确;当分析结果出炉时,工程师也能协助以过去经验,初步判断AI的建议结果是否可行。

透过「人脑」跟「计算机」的双脑合作,当未来资料量越来越充足时,就能减少对人工知识的依赖,更快找出最佳的制程参数组合。

AI是提升制造业竞争力的最佳利器,以工研院开发「制程智能分析与配方参数最佳化」技术来说,其应用潜力也相当惊人,可导入有制程概念的相关产业,例如石化业、光电半导体、钢铁业等。

有了AI当助手,各大产业就象是聘请了一位智能主厨,随时都能端出最佳化的参数配方,协助台湾制造业突破转型瓶颈,加速实现智能制造。(本文作者为工研院巨资中心执行长暨AI人工智能应用策略办公室副主任冯文生)


  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 工研院 智能制造 人工智能