Secutech 2019
活动+
 

结合AI等新科技能量 全速挺进智能制造目标

尽管全球产业景气暂时陷入胶著,但举凡工业4.0、智能制造等题材,无论在台湾或大陆依旧拥有颇高能见度,相关展会的参展热度始终不坠。CGTN

不可讳言,2019年对于全球产业不算是一个值得兴奋的好年头,只因中美贸易纷争、英国脱欧等大环境变量横生,使全球产业景气从2018年下半开始走软;但在市场氛围陷于胶著之际,「智能制造」题材依旧相对热络。

以近期热闹登场的2019台北国际工具机展而论,便将展会主轴设定在「工业4.0、智能制造」,只见众家参展厂商使出浑身解数,呼应智能制造主题展示多项创新方案,其中最引人瞩目的亮点,无疑是全球第三大工具机集团友嘉推动的「5G未来工厂」,这座全亚洲首座无人化创新工厂,预计明年(2020)于新竹湖口正式启用,届时举凡素材检查、CNC自动加工、自动抛光,乃至自动洗净区,都全面采用5G无线联网。

 点击图片放大观看

无论属于半导体、印刷电路板、电子产品、纺织、金属制品...等不同类型的制造业者,都可藉助AI模型取代传统人员目检方式,以提升瑕疵检测的准确率与速度。Applied Materials, Inc.

除5G未来工厂外,2019台北国际工具机展场的其它亮点着实不少。譬如台达电子推出智能制造设备互联监控平台,标榜藉由完善的机联网架构,紧密串接智能加工机台与管理系统,可望协助工具机产业加速接轨智能制造,此项成果获得许多与会人士的关注;透过这次展出,台达电子一举端出多项淬炼许久的智能制造管理软件成果,包含智能制造可视化管理平台DIAMMP、工业图控软件DIAView,及设备联网平台DIALink等等。

工业4.0智能制造,仍是高人气题材

此外工研院展示的智能制造生产管理系统,同样颇具看头。据悉该系统系由工研院集成ERP、MES、APS及自动化集成等能量,结合信息流及工厂内的物流信息,有能力依据订单及工单状态,透过排程引擎产出最佳化生产计画,俾使制造业者有效提升生产线的转换弹性,如此即便面对突如其来的急单或插单需求,也足以从容因应。另一方面,工研院机械所于2017年号召成立的「智能制造联网数据加值联盟」,也端出精采成果,结合工研院研发的公版联网服务平台(NIP)、研华的WISE-PaaS平台,再藉由智能化工具机软件集成标准,有效串连现场展示的工具机控制器。

事实上不只是展会,其余还有诸多迹象,都足以彰显智能制造在台湾的发酵程度。举一个例子,戮力推动产业AI化的台湾人工智能学校,成立至今届满一年,据闻已为产业界培养逾3,000名AI人才,其中来自制造业的学员比例相当高,显见制造业者积极迈进AI转型旅程,力求扎稳工业4.0智能制造的根基。

制造业者群起拥抱AI,是顺理成章的趋向。众所皆知制造业向来是台湾的强项,擅于在一定的成本控制下,极大化提升产品的数量与质量,经年累月已然养成深厚底蕴,如今由原有坚强的底子再加上AI,可谓强上加强,有望带动核心竞争力迅速跃升;虽然不容否认,碍于时局变化,台湾制造业过往自豪的作业模式,不见得能继续适用,但随著积极投入AI,可望藉由全新的探索与发现,带动人员、设备及流程实时调整与适应,促使既有模式进化升级,帮助业者持续在新制造时代展现竞争力。

究竟AI在制造业的主要应用场景有哪里些?台湾人工智能学校提出的观点有四个部分,象征制造业长期未能有效解决的难题,包含瑕疵检测、预测性维护、自动流程控制,及原料组合最佳化。

善用深度学习模型,轻松克服产业共通挑战

毋庸置疑,「瑕疵检测」称得上是多种类型制造业者的共通挑战,只因不论是消费性电子产品、纺织产品、金属产品...等等,皆需执行瑕疵检测,而且长期以来都靠人力来进行此工作。以电子业常见的SMT(Surface-Mount Technology)流程为例,便需安排人员目测检视短路、空焊、极反、缺件、浮高、跪脚、撞件、锡球或墓碑等异象;可惜人非机器、长期从事高重复性质工作,难免产生疲累,因而出现漏网情况。

譬如某家拥有23条产线的制造业,估计人为目测的漏网率为5%,检测的准确率有待提升,且以该公司4位目检人力的编制来推估,每天共计可判别120万张由AOI设备输出的影像,检测速度并不算快。基于上述两个亟待改进的KPI数值,促使这家制造商决定引进深度学习技术,取代传统的人员检测模式,其花费新台币15万元不到购置了中高阶桌上型计算机与Nvidia GPU,再搭配开源软件工具,藉此训练深度学习模型,结果这套模型确实展现投资价值,成功将漏网率压低至0.01%之下,与过往5%水平相比,改善幅度超过499倍,十分惊人;至于检测速度方面,则提升为每日1,440万张影像,亦大增11倍之多。

经由瑕疵检测之例,便不难理解为何制造业如此热衷投入AI;同理,利用AI技术来解决预测性维护、自动流程控制、原料组合最佳化等其它三项难题,亦可轻易展现显著的改善效果。以「原料组合最佳化」为例,染整业须按照客户提出的色样需求,着手调制染料配方,若依传统做法,打色成功率到达70%左右,就算是合格表现,但也意谓失败率至少三成起跳,因而耗费了可观的染料、白色胚布;如今相同场景,改由计算机搭配AI模型来执行打色,结果成功率竟可突破95%大关,足足跃升了25个百分点以上。

惟纵使AI成效诱人,但欲将AI运用到随心所欲、乃至从AI真正推进到智能制造层次,并非一蹴可几,无论实战人才、平台工具、懂得找对问题的能力等等缺口,都必须逐步寻求补强。在此之前,为了加速接轨诸如AI、数据分析等新科技应用,企业务须审视云端策略,在顾及机敏资料保全目的之余,尽可能采取多云、混合云模式,灵活取用外界已完整建构的工具,以争取时效大步迈向工业4.0智动化目标。