:::

【109年 應用案例】 緯霖X華岩科技聯手研發以AI預測性維護機台,提升血液透析機使用率

台灣洗腎率 世界第一!保持洗腎機運作正常是降低風險第一要件

根據美國腎臟登錄系統(USRDS)最新年報公佈全球尿毒症排行,台灣洗腎率是世界第一,2018年急、慢性腎病患者共花掉健保513.78億元,國內洗腎人數更衝破9萬人大關!

當腎臟無功能時,除了換腎或以透析方式取代腎臟功能,約九成患者選擇血液透析(俗稱「洗腎」)方式;大多患者須每周三次,每次4-5小時至特定醫療場所治療(血液透析中心,俗稱「洗腎中心」),是一種高風險的醫療行為。

病患在洗腎中心進行血液透析期間,如發生異常事件,不僅直接影響病人的醫療安全及治療品質,尚要耗費醫療資源、人力解決或排除。減少血液透析期間的異常事件,為血液透析中心的主要需求。其中最容易發生兩類異常事件,一為透析設備出狀況,二為患者的併發症。在透析設備方面,血液透析機是血液透析過程中最重要的設備,大部分的技術性狀況,多可歸屬於血液透析機問題。

血液透析機結構複雜,潛在風險和安全隱患多

血液透析機的結構複雜、精密,集水路、電路交錯,整合電子、機械、流體力學、光學等精密的體外循環系統;由於工作時間長,易受熱力及化學腐蝕的影響,造成部件磨損,影響整個透析系統的操作性能,潛在的風險和安全隱患較多。

由於血液透析機發生「異常事件」時,不論輕重,均被動叫修處理,不僅患者需轉至備用床位,等待維修停機期間(約2至3天)床位無法使用,床位可用量減少,造成已預約患者調度困擾。

只要血液透析機發生「異常事件」,就是目前血液透析中心最大的擔憂,故提高血液透析機設備使用率為當務之急!

以AI預測性維護提升血液透析機使用率

開發作業流程

▲開發作業流程

透過大數據,運用AI預測架構,以主動式「預測維修方式」取代「故障時才維修處理」的被動方式,減少異常事件的發生,提升血液透析機的可用度,期望降低(解決)血液透析機的異常事件,不僅可減少醫療資源、人力及時間耗費,也提高治療品質,保障患者生命安全。

透過AI預測,血液透析機的維護可分為「預測性維護」及「即時故障診斷」兩種 ,其中「預測性維護」是指每日血液透析機暖機時,依照大數據資料及AI預測模型,提供血液透析機的健康狀態,當檢測到設備參數有不健康趨勢時予以警示提醒。而「即時故障診斷」則是指血液透析期間,依據設備實時狀態、相關參數,透過AI預測模型,進行數據分析,判斷設備是否需要預測性維護;當血液透析機有狀況時,即可立即判斷故障因素,並即時排除非重大異常事件。

解決方案圖

▲解決方案圖

以創新服務模式,推廣至全台或亞洲區的血液透析中心

AI預測模型維護能夠降低血液透析期間的異常事件,優化現場資源,提升可用血液透析床數,同時提供患者更進一步的安全保障。對「病患」可減少人為疏失產生的異常事件造成損傷及痛苦;對「醫護同仁」可提升簡易處理異常事件的能力,增加工作滿意度及品質;對「院方」則能提升醫療品質,增加醫療滿意度,節省醫療成本,避免醫療糾紛的產生。

「提高血液透析設備可用度」,對血液透析中心而言非常重要,以AI預測性維護為一創新服務模式,可推廣至全台或亞洲區量多的血液透析中心,也可整合個別血液透析的狀況,包含:後端維修、派工及零件庫存等,規劃雲端服務模式的新營運模式。

推薦案例

【解決方案】連聯合國都買單 悠由數據應用運用農業數據搶攻全球商機
連聯合國都買單! 悠由數據應用運用農業數據搶攻全球商機

近2,000個在田間蹲點的日子,讓悠由數據應用公司成為台灣在農業數據領域的佼佼者,對於農作物產量、產期與價格的全盤掌握,更讓它做到能與聯合國合作,服務農地面積在短短不到3年,從24公頃擴展至超過6000公頃,飆漲250倍。對於悠由數據應用創辦人兼總經理吳君孝而言,因應全球環保趨勢,成為氣候科技X綠色經濟的數據公司,並服務全球市場,是他創業的終極目標。 工程師出身的吳君孝,在2010年進入資策會,成為涵養他深厚技術與資料科學分析實力的重要沃土,讓他練就一身功夫,得以大展拳腳。「當時,我在做資料分析工程的工作,會內幾乎所有的數據相關資料都會匯集到我這邊,加上那時執行過室內栽培箱,要種菜、種香菇,因此,農業結合數據分析就此埋下創業的種子」。 吳君孝自2016年起,就常常到農場內「蹲點」,跟農民、農改場人員聊天、交換情報,系統性地大量交換資訊,讓吳君孝的農業Know-How快速建立。 堅實的數據分析技術能量 連聯合國都買單 2017年,他離開資策會自行創業,並於2019年創立悠由數據應用公司,目前許多農企業皆是他的客戶,服務的栽種面積從24公頃快速攀升至逾6,000公頃, 2022年可望超過7,000公頃。客戶遍及海外,包括日本、中美洲市場,甚至聯合國下轄機構-世界農民組織,都使用悠由數據支持的「悠由農作物演算系統」。 悠由數據應用公司究竟是如何做到連聯合國機構都買單 悠由數據應用建置的「悠由農作物演算系統」,準確預測產期產量與價格。 首先,由於吳君孝對農業數據的精準掌握,悠由數據應用的客戶不見得要用到感測器Sensor等硬體設備,「感測器成本高,若購買便宜的設備,反而蒐集一大堆雜訊或錯誤數據,完全派不上用場」。吳君孝接著說,蒐集數據不一定要使用感測器,透過我們的數據解決方案可以更直接有效的解決問題。 例如,悠由數據應用的產品之一-悠由金錢報農產價格Linebot,係2020年與LINE合作,蒐集產地、批發、終端價格長達10年以上的數據,由悠由數據自主研發AI演算法,讓系統自主學習農產品交易價格,更以大數據與人工智慧分析進行價格預測分析,協助採購商降低交易風險,讓數據不止於生產端,更擴大應用至農產供應鏈。 以香蕉價格來說,預測價格的準確率從原本70拉高至998。吳君孝指出,不管採購商或農民,對於價格都十分敏感,現在透過悠由金錢報服務,無論是採購商或農民,都能很精準了解農產品價格波動情況。悠由數據也能針對預測作物生長情況、產量、價格預估模型等,向客戶做出最佳的決策建議。目前價格預測可達28種農作物。 精準預估產期及價格波動 悠由數據靠數據分析做出差異化服務 悠由數據應用公司所提供的「悠由農作物演算系統」內建「參數庫」,通常會搜集200~300種參數,不光是溫度、濕度等比較直觀的數據,還會依作物生理的特性去切分。透過有效動態數據的演算法,可以精準估算農作物何時會開花、何時能收成,產量是多少等。如青花菜產期預測準確率為0-4天,開花期預測今年實際使用上是0天,與現場開花時間完全吻合。而在動態的計算當中7天內都是合理範圍,悠由數據的誤差值平均在2-4 天,大多數作物產期準確率均在80以上。 透過有效動態數據演算法,全球超過120種作物可精準預估產期產量及價格。 透過有效動態數據的演算法,可以設定預估產量多少,協助在生產端做調整,悠由數據應用的客戶多以外銷的水果作物為主,如鳳梨、香蕉、芭樂、芒果、文旦、鳳梨釋迦、小番茄、洋香瓜、西瓜、玉荷包,荷蘭豆、毛豆等,尤其是毛豆,佔台灣外銷第一,種植面積達400多公頃。全球120多種作物、超過600個品種都可以適用此套系統。 台灣農業生產同質性高,容易造成一窩蜂搶種,導致價格崩跌,悠由數據應用要幫助客戶做出差異化,因此,吳君孝將公司定位在精緻的數位顧問,所採取的策略是慎選客戶,重質不重量。他分析,台灣的農業客戶著重的是如何提升良率,甚至將良率分級,規格品質均佳,走精緻化的高階外銷市場;國外客戶重視的是如何提升單位產量,國內外的操作方式有別。 除了農作水果外,悠由數據應用也將服務觸角延伸至漁業,包括虱目魚、金目鱸、白蝦等,均使用同一套系統,將各種跟魚蝦生長有關的參數建立起來,何時下料、何時收成,產量多少等,藉此預測產期、產量及價格。 悠由數據應用善用數據力量,創造智慧農業奇蹟。 因應公司的高速發展,悠由數據應用於2021年引進創投資金,進行人員擴充與業務推展。吳君孝表示,因應全球2050年淨零碳排趨勢,未來也計畫將協助客戶在土壤中種碳,有效將碳保留在土地上,同時引介客戶對接碳交易平台,與客戶共創環保商機。 吳君孝表示,剛開始創業時就將公司定位為全球化公司,因此,與國際合作的方案將不斷推出。而成為氣候科技X綠色經濟的數據公司服務全球,這是吳君孝對自己的期許及公司的長遠目標。 悠由數據應用創辦人兼總經理吳君孝

這是一張圖片。 This is a picture.
基於人工智慧的PCBA表面瑕疵檢測改善

隨著AOIAI系統的導入,我們將能提高產品良率、降低成本,從業務面來看,更可提高客戶的信任度,增加營業收益。而且AI具有難以被模仿的優勢,並非如其它設備只要花錢就買的到,讓我們的競爭對手難以追上我們。 組弘發展現況 我們致力於IOT智慧製造上,自行開發的系統已有智慧物料系統、環境溫溼度監控系統、防錯料系統、智能採購算料系統、智慧物料盤點系統、錫膏管理系統、生管系統。過去我們曾詢問過其他廠商,有關AI檢驗PCBA表面瑕疵的可能性,每個廠商都希望我們能夠購買其設備,但實際驗證後都無法達到效果,此次與資服業者討論過後,定調為AOIAI的運作模式,方覺得有可行性。 組弘科技投入AOIAI檢測計畫,用於檢查SMT零件上的文字、焊點、極性、缺件hellip等,用AI替代人工來學習AOI檢測後定義為rdquo可能是不良品rdquo的部份,提升人員產值與降低誤判率。 產業痛點 nbspnbspnbsp 台灣缺工情形嚴重,尤其願意從事目視檢查的人更少,而且年齡相對較大,檢查遺漏的狀況越來越嚴重。所以在追求高品質電子產業中,最關鍵的瓶頸已經是生產後的檢查。過去的消費性產品,異常未能被檢出,只要在一定比例下,也可被接受。現在的汽車產業如果有不良未被檢出,即有可能造成人員死亡,所以汽車產業對於品質的要求極高。要想在汽車產業的供應鏈中生存,就必須解決異常無法被檢出的問題。 nbspnbspnbsp 而且隨著台灣工資越來越高,只能設法以AI技術,取代傳統人力,否則就算解決了異常流出,但相對高的人力成本依然無法在此產業中競爭。 應用技術與說明 nbspnbspnbsp 原本過程圖一,PCB從出來Reflow後,會經過AOI檢測,分出「疑似不良品」與良品,這時「疑似不良品」的部分約為20,再由人工針對這20的部分來做複判,再將「疑似不良品」的部分區分為良品與不良品。 nbspnbspnbsp 我們想要藉由AI的技術,將原本由人工複判這20的「疑似不良品」改由AI來做,複判出來一樣會有良品與「疑似不良品」,結果一樣會有「良品」與「疑似不良品」的產生,但此時「疑似不良品」約只剩下3,也就是說組弘作業人員的工作量會從20降到只有3。理論上是AOI檢查完後,再由AI來做複判,但從表面看起來似乎只有經過AOI而已,所以我們才將這個技術稱之為A0IAI檢測圖二。 原本AOI檢測過程 操作員將待測PCB板放入AOI檢測設備,輸出AOI 檢測不良品資訊,再經由人工逐一覆判是否為不良品。 AOIAI檢測過程 操作員將待測PCB板放入AOI檢測設備,輸出AOI檢測不良品資訊後, 進由AI先進行AOI檢測不良品的覆判,輸出AI檢測不良資訊後, 再經由人工逐一覆判是否為不良品。 流程差異 nbspnbspnbsp 藉由AOIAI系統的導入,我們除了能夠提升目視檢查人員的效率與良率外,我們有了這次AI的導入經驗,以後也可將AI與大數據的運用加入到組弘原有的智慧製造系統,使我們的智慧製造系統的效能更提升,更進一步的減輕員工的工作壓力。 導入前後差異說明 推廣策略 1nbspnbspnbspnbspnbspnbsp 同領域擴散:所有SMT製造業皆會遇到檢查瓶頸導致延誤出貨的狀況,導入此系統可解決目前缺工嚴重問題並提升出貨速度與品質,自行向客戶推廣或透過設備商銷售給相關需求者。 2nbspnbspnbspnbspnbspnbsp 異業擴散規劃:與AOI製造商洽談直接將AI系統掛在AOI系統內,增加其市場競爭力。 nbsp 獲利策略 1nbspnbspnbspnbspnbspnbsp 與AOI製造商合作收取授權金。 2nbspnbspnbspnbspnbspnbsp 與SMT製造業直接銷售AI系統。 3nbspnbspnbspnbspnbspnbsp 提供SMT製造業AOIAI系統訂閱制

【導入案例】海量數位工程AOI機器智能手臂檢測系統 大幅提高瑕疵檢測精準度
海量數位工程AOI機器智能手臂檢測系統 大幅提高瑕疵檢測精準度

臺灣堪稱製造業大國,然而,在產線上,品質瑕疵檢測一直是製造業長期痛點,雖然有AOI設備可輔助,但大多採用固定式機器,受限於角度,診斷不夠精準,誤判率也高。海量數位工程公司導入AOI機器智能手臂檢測系統,可有效降低誤判率,提高瑕疵檢測精準度。 一般來說,產品的良率攸關企業的成本與客戶的退貨率,而製造產業品質瑕疵的檢測流程,往往需要編制大量的品質檢測人力。目前製造業檢測工具雖然有AOI設備來輔助進行,但這些設備多半採用固定式的檢測機器,固定式相機容易受限於角度,導致診斷不夠精準,誤判率太高等缺點,因此,人員在後端需要再次篩選檢驗,也就是複檢,通常人工目測檢視的瑕疵漏檢率平均在5上,甚至可高達20。 製造業品質檢測三大痛點 機器手臂AOI之動態多角度品檢協助解決 根據海量數位工程實際了解製造業在檢測產品品質有三大痛點: 痛點一、人力檢測產品品質出錯率高 目前製造業多以人力來檢測產品外觀,但人工判斷多半有誤差,例如:表面刮傷、色差、焊道外觀hellip等,瑕疵判斷出錯率高,且須待成品階段才能一次性檢驗,時常出貨前全檢後依然遭整批退件,導致重製及人力成本大增。 痛點二、品質檢測之數據無法量化與記錄 傳統人力檢測無法保留檢測數據,嗣後發生品質糾紛時,責任難以釐清。而海外品牌高階代工單往往要求溯源與相對應的缺點紀錄,傳統產業原有之人力檢測難以符合更高階代工單之要求。 痛點三、傳統AOI視覺檢測的限制 現有製造業常用的AOI視覺檢測系統,因為視覺軟體技術的限制,都是以固定相機、固定光源及單一角度的方式來進行,這種方式對於平面或形狀由直線組成之產品例如:長方體或正方體的單一檢測點尚可處理,但對於複雜形狀的產品例如:汽車零件多為不規則狀多點、多幅度的檢測,就較難實現。 海量數位工程研發AOI機器智能手臂檢測系統,有效提高瑕疵檢測精準度。 為解決製造業在品質檢測的痛點,海量數位工程決定從研發多角度、可移動式的檢測儀器開始發想,從結合工廠自動化領域中的兩大代表性技術-機器手臂與機器視覺著手。海量數位工程以機器手臂結合AOI之動態多角度AI視覺即時品質檢測方式,改善固定式檢測受限多角度的問題,視覺檢測技術的提升與結合人工智慧,進一步相機取得的影像資訊可由平面取樣提升至多角度、多維度取樣。 選定汽車產業做為實證場域 可快速回應顧客需求 AOI機器智能手臂檢測系統,所運用的AI技術包括無監督學習(unsupervised)、監督式學習Supervised learning、半監督式學習Semi-supervised Learing,使業者在初期樣本不齊全,或是沒有不良樣本的情況下也能使用無監督深度學習技術學習良品,並應用在汽車三角架自動焊接的視覺檢測上。可解決導入前受限於固定式機器的角度、診斷不夠精準、誤判率高的問題。 汽車零組件單價較高,會要求更嚴格的瑕疵檢測正確率。 在導入AI服務的產業中,選定汽車製造業作為實證場域。海量數位工程表示,汽車製造業主要為相關零組件製造商,而且通常元件單價較高,需更多品質檢測品質及良率,會要求更嚴格的正確率,因此選定汽車業做為導入的場域。 機器手臂結合AI之動態多角度AOI視覺即時品質檢測系統,除了可以改善汽車零組件檢測瑕疵品質失誤率外,因為以多角度的機器手臂AOI服務來提升定點式AOI光學檢測,可以符合多數產業之量測需求;最後是建立第三方系統平台,建置共同工作整合平台監測系統,以便在問題發生時,第一時間接收訊息並著手處理。 本系統可針對出廠產品之重要數據進行記錄儲存,為實現未來數位生產線與虛擬生產之基礎。同時於瑕疵發生時,可即時串接海量MES監控系統,迅速反應至相關製造決策部門,嗣後並利用ERP系統進行專案管理與檢討,有效精進其生產效率,降低生產成本。 有助降低溝通成本 期許成為行業標配 就產業上下游整合而言,可以為上下游之數據連貫提供一基礎之標準,降低供應鏈之溝通成本,經由指標代工廠與品牌商的認證,有機會成為該產業之行業標準配置。 透過此一計畫的產出數據資料庫建置,業者進一步透過大數據分析Data Analysis,優化供應鏈管理的解決方案「供應鏈規畫Supply Chain Planning, SCP」,依據數據,建立預測計畫,並運用科技串連供應鏈上下游的數據,精準控制產品品質。未來對接歐美、日,需要品質精細訂單,業者能更快速回應及整合產業供應鏈Supply Chain 。 最後期望透過標竿示範產業之場域驗證,例如:以汽車零組件製造產業標竿示範場域,透過機器手臂結合AI之動態多角度AOI視覺即時品質檢測系統計畫進行驗證,讓汽車代工廠與汽車原廠之間有更優化的供應鏈聯繫,並成為該行業標準。更進一步尋求更多的AI團隊,加入場域協作平台跨產業之開發,帶動整體AI新創與場域結合的生態系。 海量數位工程研發的自走車