AI神助攻 瑕疵检测、预防维护效率大跃进

多数制造业者急欲打造高效率的自动瑕疵检测机制。一旦引进AI系统，即可透过大量影像分辨良品、不良品各自特徵，不断学习并优化，达到远优于人力的检测效率与品质。来源：Pickert & Partner GmbH

所谓智能制造，系指具有信息自感知、自决策、自执行等完整机能的先进制造流程、系统与模式之总称；意欲实现上述的自主感知、决策与执行能力，必须倚靠完全数码化的智能制造生产系统，个中需要融入诸多新一代信息科技，除了云端、物联网、大数据等项目外，当然也包含了当前最炙手可热的人工智能(AI)，尤其像是机器视觉、深度学习等以演算法分析为主的AI技术。

持平而论，AI风潮在近几年火速蔓延，影响力已伸展至各个垂直应用领域，例如零售、金融、医疗等等，也包括制造业，尽管AI已呈百花齐放格局，但有专家认为，制造业应是AI在台湾最具发展潜力的产业领域。

主要是因为，制造业一向是支撑台湾经济发展的大宗产业，发展历程久远，也从中孕育了许多在全球独树一帜的商业模式，连带累积大量的独特数据，可望为AI应用的发展，供应丰沛的养分，另一方面，由于制造业产值很大，所以若能藉助AI力量带动产业升级转型，开创更上层楼的竞争力，后续效益十分可观。

至于AI适用于哪些制造业应用场景？其实选项相当多，不过如果以解决产业的痛点为前提，则有四种应用场景较为热门，分别是瑕疵检测(检测范围含括短路、空焊、极反、缺件、浮高、跪脚、撞件、锡球、墓碑等等)、预测性维护、自动流程控制，以及原料组合优化，而这些不同的应用面向，个个都蕴含莫大的AI发挥空间。

靠AI执行瑕疵检测  使漏检率应声大降

一个真实的例子。某制造型企业拥有23条产线，原本走传统人工的瑕疵检测模式，配置4位目检人员，搭配AOI设备每小时影像输出量计算，每人每日可检视30万张影像，推算该企业每天的目检总产能为120万张影响，平均漏检率为5%上下。

为了增进视觉检测速度，同时压低漏检率，该企业决定导入AI技术，花了新台币10余万元引进中高端桌上型电脑与NVIDIA GPU等硬件配备，另采用开源软件工具、及具有高度调校性的深度学习模型，借此取代人力执行自动化视觉检测。

导入AI后，过去每天得看30万张图片的目检人员，如今只需要看1.5万张不到，工作负担大减95%，但更值得欣喜的，漏检率从原本的5%左右骤降至0.01%以下微乎其微水准，且以AI系统每秒判读166.67张影像的速度来推估，每日的视觉检测产能高达1,440万张，足足比过去激增12倍。藉由此例，理当不难体悟到AI确实威力无穷。

同样关于瑕疵检测情境，另一个实例所展现出来的成效，虽不如前例来得壮观，但也有可观之处。某公司拥有近10名目检人员，共计每天约可检查300万张图片，漏网率高达12.9%以上，后来也开始采用AI深度学习技术，结果让漏网率减少至不到1%，而每天合计的检测总产量达864万张影像，增幅达到1.88倍之多。

此外某制造商原先透过传统人工模式，赖以控制设备参数，就长期来看，大致能将良率维持在61%左右水准，虽然跟同业相比不算是太差，但仍有相当大的改进空间；该公司认为倘若继续沿用人工处理方式，良率已顶到天花板，提升的空间有限，假使要寻求突破，只能求助于AI，于是决定导入深度学习技术，建立以AI为核心的自动控制系统，成功将良率大幅推升到98%，足足比过去高出37个百分点，增幅至为惊人。

做好预防维护  遏阻停机风险

论及预防性维护，堪称是驱动制造业者投资AI的最大诱因之一。业者透露，几乎所有制造型企业都一样，都很怕生产设备因失效缘故而无预警停机，一旦出现这类情事，轻则产出不良的加工件、垫高生产成本与时间，甚至影响订单达交的准时性，重则任由不良品流入客户端，使得商誉与商机严重受损。

对业者来说，任一种后果都是难以承受之重；所以必须透过某些方式来遏止这般悲剧发生，要嘛透过定期性的人工巡检，要嘛就是靠经验值(譬如某类型CNC机床的刀具，只要加工达一定次数，就可能出现磨耗或断刀)，设定为告警条件，两种方法的目的，皆在于抓到最佳的保养时机点，无奈现实的情况是，两种传统方法都有过犹不及的缺陷，甚难有效消弭生产设备无预警停机之憾事。

然而若能有效运用AI，即可巧妙建立持续运转的振动监测分析机制，随时诊断机器健康状态；凡是生产设备因失衡、共振或不对齐等各种因素，导致振动值逾越正常范围，则这个监测分析机制不仅会适时发出告警，还会采取降低转速、或停止运转等必要处置措施，而非像过去等机器真的坏了才叫修处理，能够及早挽救后续可能发生的巨大损失；单看此例，即能轻易体会AI之于制造产业的价值着实巨大。

由此可见，机械学习(含深度学习)未来在制造业场域的发挥空间相当大，如同前例，可让控制系统在发出告警报之同时，也顺势采取因应对策，某种程度上，若能做到这一步，即可呼应政府积极推动的智能机械政策，催生可观的产业价值。

更有甚者，企业亦可搭配运用诸如IBM IoT Equipment Advisor之类的自然语言问答系统，让它能经由日积月累的大量数据分析、判断，针对机器的修复或维护提出最佳建议。

此外谈到原料组合的优化调整，AI也有助上一臂之力的空间，最明显的施作场景，就在染整业。据悉，染整业对于核心的调色、打色作业，已长期累积许多Know-how，过去相关的配方都存在老师傅的脑海里或随身的记事本上，很难用系统性的方式推动经验传承；时至今日，染整业者可以把过去未能善用处理的宝贵资产，通通予以数码化，接着结合AI演算法，形成一套可供长远运作的专家系统。

有了AI专家系统当靠山，业者不管执行任何的打色工作，都可轻易藉助光谱分析仪，自动剖析颜色，再交由AI演算法调优参数，就能快速产生新配方，致使打色成功率大幅提升，也让整个显色流程的进行速度提高不少，如此一来，业者根本不必担心客户会不耐久候(等待显色结果)而跑单。总括而论，人工智能正在颠覆全球制造业作业生态，相关业者务须审慎关注此一趋势脉络。