:::

【110年 應用案例】 以AI補足傳統產業經驗傳承的斷層 塑料再生製程之產量預測分析

當傳統產業仰賴的老師傅越來越少

在台灣,中小企業一直以來扮演著台灣產業的中堅實力,陪著台灣走過各種「經濟奇蹟」的時代。但隨著時間演進,昔日的師傅也逐漸變成了老師傅,再加上台灣社會的少子化現象,以及整體產業結構的變化,越來越少新一代的年輕人願意進入傳統產業,如今也可以發現,大多中小企業內的機具操作現場,已經由「老師傅」搭配「外籍勞工」的組合形成主流,而身為現場經驗活字典的老師傅們,卻也缺少後續者能夠持續傳承經驗,逐漸產生了傳統產業的現場經驗難以持續傳承的現象。

傳統人工作法優化製程的極限已在眼前

位於台南保安工業區的「唐先企業」,於1972年創立,以製造優質的編織機具設備起家,同時具備有製造機具之實力,也因為近年來隨著響應國際間綠能、再生、環保,唐先企業積極研發塑料環保再生設備,最終以簡約高效的機體設計,輔以先進智慧化的核心控制技術,成功研發出低能耗、低廢料、高純度、高產出的回收製粒設備。

▲唐先企業自行研發的塑料回收製粒設備

但在塑料再生的生產作業過程中,當高達數百種的原料種類,對上十幾種的製程溫度、轉速參數,所面臨的是成千上萬種參數組合。以往都是依賴現場員工(老師傅的經驗)去調整各種生產製程條件。因此往往在轉換生產不同來料(如:PET、PP、PE)的過程中,會因為嘗試階段浪費掉不少原料。

傳統產業的專業資訊能力缺口

唐先企業知道數據資料的重要性,因此過去雖然有將製程參數紀錄下來,卻因為當時缺乏數據化的能力,主要以紙本形式,由現場的操作人員以人工操寫紀錄寫下來,累積了大量的紙本數據,但也因此缺乏具科學化且詳實的數據資訊可供即時參考與調整。

製程參數的手抄本,每小時記錄一次十幾種機器狀態與產量數字

▲製程參數的手抄本,每小時記錄一次十幾種機器狀態與產量數字

在品管方面,也因為缺少產出的品質管制與單位時間產量的監控與反饋機制,導致實務上難以預測每一批的生產條件的獲利狀況,生管單位最後只能從結果去估計與平均攤提過程中的各種產能與成本的變化,無法客觀與即時地讓產線以最短的時間恢復合理的生產條件或當面對品質異常作出更明確的調整。

現場實況(左圖為回收碎料;右圖為造粒成品)

▲現場實況(左圖為回收碎料;右圖為造粒成品)

台灣廠商的機具製造能力十分堅強,許多現代化的機具已經具備了數據化功能,能夠將實時的狀態與資訊以物聯網的方式記錄下來。然而在工廠的現場與資訊系統的基礎建設是否已經準備好了呢?

當老師傅遇上AI

唐先企業透過政府相關單位引薦,與台灣資料科學公司媒合,共同攜手將導入AI服務與運用AI優化內部流程的構想與應用情境,先以廠內中型塑料再生產線作為試煉場域,建立成功標竿後,將此模式擴展至工廠內大型塑料回收再生機械設備上,持續驗證與應用。

首先雙方共同將過往之手抄紙本資料,以OCR輔以人工修正方式,將過去的參數資料數據化。唐先企業也與機具之人機介面廠商將操作面板以及參數數據導入之工廠之資料庫,使得能夠即時監控機具狀態,免除人工抄寫的繁複或錯誤性發生。

塑料回收再生造粒之機具面板,顯示當前各製程的溫度、轉速與使用電力的狀態

▲塑料回收再生造粒之機具面板,顯示當前各製程的溫度、轉速與使用電力的狀態

同時台灣資料科學公司再將數十種參數資料進行AI建模,透過情境分析,在環境參數與材料投入下模擬各種的產出可能性,找出關鍵特徵參數,並提供參數調整建議,降低試驗階段所需成本。

將數據分析應用於傳統產業機具製程中

▲將數據分析應用於傳統產業機具製程中

當老師傅取得原物料之後,只需輸入相關料件特性參數,由系統自動生成建議的製程參數,再經由老師傅微調之後進行料件的試作,有效減少了錯誤嘗試所造成的料件、水費、電費以及人力的耗費。並且唐先企業更超前部屬,在塑料再生的製程上導入了「生產履歷」的概念,能夠透過掃描QRCode,取得該批產品的原料、製程等相關參數資料。

塑料再生造粒的產銷履歷

▲塑料再生造粒的產銷履歷

台灣中小企業機具實力堅強,只待「數據」的東風吹起

在工業2.0到3.0,甚至到4.0,許多台灣中小企業在轉型過程所面臨的問題,並非只是在機具升級上,而是把錢用在購入了現代化機具設備之後,產生了數據,卻不知道如何利用這些數據,若要這些廠商們自己培育一個專門的數據分析部門又顯得不太實際;在此同時的另外一面,台灣也有非常多軟體實力堅強的AI或數據分析的創新團隊,空有技術與實力,卻苦無場域與數據。因此若能夠充分的結合台灣傳統產業以及AI數據分析的創新團隊,除了能夠彌補現今傳統產業所面臨之人力與經驗傳承問題之外,也能夠讓台灣的AI發展與應用上往前跨進更大一步。

推薦案例

【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

【導入案例】AI嘛會煮咖啡 無人烘豆機靠AI 精準設點與培養忠實客群
AI嘛會煮咖啡! 無人烘豆機靠AI 精準設點與培養忠實客群

你早上來杯咖啡了嗎 臺灣於過去十年以來,逐漸形成一股喝咖啡的文化風潮,隨著AI技術的精進,無人烘豆機也能靠AI精準設點,同時培養忠實客群,我們來看看,這是如何辦到的 根據國際咖啡組織 ICO 調查,國人一年喝掉約 285 億杯咖啡,臺灣咖啡市場規模上看 800 億元,且每年約有 20 成長。 臺灣近十年來,人手一杯的「喝咖啡」文化,已成為流行的代名詞,而「咖啡」甚至以65的高比例當選為國人平日最常選擇的飲品,其中重度咖啡愛好者的族群更願意花費更高的價錢去選購符合自身口味的咖啡豆來享用咖啡。近兩三年來,越來越多無人飲品販賣店於臺灣飲品市場上問市。 無人咖啡飲品店無法快速展店,主要受到兩大問題困擾,一是客流量與機器設點位置的合適性,往往仍需憑藉人力進行評估分析;二是如何精準打入中高階咖啡愛好者市場 AI解決無人烘豆機設點合適性與培養忠實客群兩大難題 為解決上述兩大問題,協助無人烘豆機能迅速打開市場,昇銳電子擬以透過導入AI 人流計數分析與AI 人臉陌生辨識,來針對無人烘豆機的設置地點進行人潮數量計算,且歸類消費者的性別及年齡,以進行更為精準的商情分析;並提供消費者對於烘焙咖啡生豆的多重選擇,期以給予專業的咖啡愛好者更客製化的服務與貼近其需求和個人口味的一包「高品質烘豆」。 自2018年起,無人販賣店的興起,無非是因為業主想減少不斷上漲的租金與人事成本的費用支出,但在店面設點的初期評估,卻仍需花費鐘點人力費以人眼計算客流量,但人非機器,難免會有計算來店消費者與道路上經過人潮的錯誤率,而無法做到精準的即時客流分析,或甚至經過一段試營運後才進行估算是否達到設點的營運效益,以上皆會造成錯失最佳撤掉設點位置的停損時機。 昇銳電子搭配AI人流計數分析和AI人臉陌生辨識,推出無人烘豆機。 昇銳電子搭配AI人流計數分析和AI人臉陌生辨識,與帶來「黑金」風潮的咖啡進行商機結合,並且抓住臺灣眾多咖啡行家喜歡親自至量販店耐心挑選符合自身口味的咖啡生豆與喜愛去高品質的研磨咖啡廳或連鎖咖啡店之消費習慣與特點,故誕生針對咖啡豆產地、品種、烘焙方式等提供選擇的第一台無人咖啡烘豆機之新創概念。 AI烘豆機提升客戶忠誠度與物料管理效率達20 針對無人烘豆機的精進開發,昇銳電子工程師搭載AI NVIDIA 開發平台於TCNNFacenet 的基礎上進行,透過AI 將關於性別及年齡搜集之數萬張的影像資料進行樣本訓練,以針對首次選購咖啡烘豆的消費者也能利用人臉陌生辨識來簡單地歸類,藉此取得消費者的信任並提升使用意願,並進而進行購買資訊紀錄及未來商品購買推薦以產出消費者購買行為分析,便可使業主參照消費者對於不同咖啡生豆的偏好度高低,作為未來物料準備數量之依據,以降低原物料轉運及庫存問題,並提升物料管理效率達20。 再者,業主可透過放置此無人烘豆機於選定之人流匯聚率高的地段內,便能透過攝影機捕捉人潮,並針對機台擺設位置的客源是否充足,進行對於經過人潮數量的計算,進而評估消費者佇足購買機率的高低,並於短時間內分析出是否需要將機台進行移設,並可更容易地瞄準出中高階咖啡愛好者所在的最佳設點位置。 而關於無人烘豆機有專業烘焙模式介面,其針對咖啡生豆的產地來源、品種、烘焙方式(淺中深焙)、入豆與出豆溫度、轉速溫度與目標溫度等跟溫度、風速和秒數相關之選擇,提供消費者多種選項以烘焙出符合自己愛好的客製化精品咖啡豆。而若過程中業者針對機台有要進行改善的需求,工程師能配合調整韌體參數,也能協助與業主的訂單系統進行整合。 服務人員簡述無人烘豆機的操作方式 「黑金」透過AI 可更深入至咖啡廳、科學園區、商業大樓 此一無人烘豆機針對咖啡行家的客群,不僅能設點於中高階咖啡廳,以烘製相較於在量販店購買更為客製化的咖啡豆,更能在製作完成一包咖啡豆時,即時提供給咖啡廳內專業的技術店員協助進行咖啡研磨與手沖,而剩餘的烘豆也能將其帶回家之後自己沖泡與享用。在這之中也為咖啡廳帶來了附加價值,其可更加了解消費客群對於咖啡豆的偏好程度,並能推出更能吸引顧客的飲品促銷活動與進行合適的備料管理。 而除了咖啡廳,無人烘豆機也能透過AI 人流計數分析,精準設點於科學園區與商業大樓裡或附近店面,以提供其有高度飲用咖啡需求的內部員工,於辦公室也能手工沖泡的優質咖啡豆。另外,更能推出實體會員制以隨時發起選購咖啡豆之促銷活動,或不定時提出支付優惠回饋,進而吸引到新客源與培養既有顧客的忠誠度和黏著度。 智慧無人烘豆機的操作介面

這是一張圖片。 This is a picture.
測試座接觸元件 AI 智能瑕疵檢測

在 5G、AIOT、汽車電子等下游發展迅速,全產業鏈有望受益於此消費市場。在產品需求動能逐漸增加的情況之下,提高生產效率與降低作業成本成為最重要的課題。為符合客戶各封裝產品類型的需求,穎崴科技一直致力於研發高度客製化測試座,但衍伸的作業痛點則是無法大批量與機台全自動化的作業,部分作業仍需依賴人工執行。 在本案 2021 年時測試座探針部分是委外製造,對現行與未來的大量需求下工時、成本、供給、品質是穎崴需面臨的課題。nbsp因探針的體積較小且材質屬於金屬類型,在現行人力目檢下需花上較多的時間調整焦距、亮度等以確保能看得清晰並判斷,而判斷標準會因人而異,容易因主觀意識或人員目檢疲勞產生誤判、作業疏失,導致不良品未檢出、流入客戶端手中,使客戶使用本公司的測試座產生誤判結果,導致客戶產品功能失效等問題,進而影響本公司的商譽。 本公司在接觸元件檢測良率為 9995,看似高良率,但以一個品檢人員平均一天能檢測 1 萬根針,不良品就有 5 根針,在僅 3 公分長寬的測試座上約有 1 千根針,只要有一根不良針可能導致客戶端測試不良。因現有作業模式為人力目檢,當外在因子若為人員疲勞,人員作業疏失,人員非量化判定即有可能造成不良品流出,因此接觸元件的品質必須嚴格把關。 nbsp曾尋求以光學檢測Rule-based進行外觀品質控管,但接觸元件材質為金屬製,對光線會產生射散、背景雜訊干涉、背景刮痕、材質等因素可能造成誤判,因而找到在 AI 技術方面的資服業者來解決我們的檢測難處。 開發 AOI 專用線掃設備 nbsp為了達成本公司 IC 測試座內動輒數千上萬支探針檢測需求,若以傳統面型取像與逐針取像,勢必因取像速度慢無法達到快速檢測以及節約人力的目標。針對此點,資服業者提出可試用 AOI 專用線掃模組方案,以 X 軸 63mm 為面寬,往復掃描測試座上的所有探針,經測試可一次掃描 89 支探針如下圖,大幅提升未來 AOI 機台的檢測效率。nbsp本案將進行上述創新的概念驗證POC,重點於線掃描設備的開發,針對本公司所提供的正常與異常探針進行取像、學習、訓練,先以逐針取像,訓練初步 AI 模型為驗證目標,以達初步認可。 本案客製化開發的線掃描取像模組 未來理想取像結果示意圖 以單一 AI 技術方案解決量檢測需求 nbsp統一以 AI DL CNN 學習方式,取代現行 Rule based 需逐一定義瑕疵,為滿足磨耗的量測需求與缺損異物的外觀瑕疵檢測需求,如機台同時採用採量測檢測兩套技術,除了成本增加外,亦影響檢測速度,則資服業者建議以線掃描設備取像,其解析度足以由 AI 同時判定外觀瑕疵及以大小圓點判斷針頂磨耗狀況,詳如下圖。 以線掃描像素方式,呈現針頂磨耗情形 nbsp依此 AI 檢測技術能符合穎崴的量測與檢測兩項需求,不僅在未來探針檢測上帶來更多的效益,也在 AI 技術方面帶來創新主軸。 改變人檢方式,提升工作效率與產品品質 經以上述硬軟雙劍合璧後線掃描硬體AI 軟體模式訓練,成功挑戰了 AOI 新興檢測應用,經本案 AI 落地 POC 驗證後,包含客製化線掃描模組及初步 AI 模型開發、驗證,計畫明年正式開發 AOI 機台,並導入 IC 測試座生產線。 未來展望 IC 測試座上游探針業者及下游 IC 廠使用者對 AOI 檢測機台均有需求,上游可確保探針出廠品質,下游使用者則可利用本機台定期檢測手中諸多 IC 測試座使用狀況,對未來需求勢必殷切,故本計畫 AOI 機台對 IC 測試產業於可見的未來必將造成極為正面的影響。