SMC 資料庫
台灣工業人工智慧的實踐
欲知更多細節或採訪，請聯繫：賴玉惠小姐
email：timsfcu@gmail.com
電話：(04) 24517250 ext. 2885
地址：台中市西屯區文華路100號文華創意中心2樓 (逢甲大學台灣智慧製造創新營運中心)
執行機構：逢甲大學、東海大學
計畫名稱：新興科技創新營運模式-台灣智慧製造創新營運中心
台灣製造(Made in Taiwan, MIT)在全世界佔有舉足輕重的地位，以2015年為例，GDP約為15.6兆元，其中來自製造業的約為4.6兆元，約佔GDP的29.5%（行政院主計處, 2016）。台灣是全世界資通訊領域(Information Technology and Communication, ICT)產品的設計製造大國，亦有完整的產業鏈與充裕的人才。如何善用台灣獨特的優勢「製造+資通訊」提升台灣在智慧製造的能力，並結合人工智慧技術，發展適合自身產業結構與核心競爭力的智慧化組織轉型能力，是台灣面向疫情過後產業發展的一大挑戰。2020年新型冠狀病毒(COVID-19)的疫情，對全世界許多產業增加不少挑戰，尤其是製造業也將面臨汰弱留強之轉型，台灣若能趁此時機調整體質，去蕪存菁，淬鍊強化更高層次的技術，對台灣的產業升級是一個明顯的好機會。
Industrial Ai 官方網站(https://www.iaicenter.com/)
台灣的製造業如何能夠提升智慧製造的技術能力，答案在於由李傑教授所提出的「工業人工智慧(Industrial AI) 」。「Industrial AI」 一詞源自於李傑教授在2018年在紐約IBM TJ Watson Research Center舉辦IMS Center的年度會員研討會(Planning Meeting)，會中揭露了工業人工智慧的架構與知識體系；為協助台灣產業導入工業人工智慧，台灣智慧製造創新營運中心計畫(TIMS)自2017年開始便與李傑教授合作，並與多家各領域領導廠商共同開始相關產學研究，例如：財團法人精密機械研究發展中心(PMC)、盈錫精密、寶成工業、友達光電、芳德鑄鋁、天工精密等，期待藉由Industrial AI的導入，協助提升產業本身的智慧製造能力，以掌握智慧轉型的契機。逢甲大學佘日新院長在TIMS計畫中，提出了「數據驅動智慧製造架構」，總計畫以分項計畫4-4串接4-3為技術核心銜接子計畫四(智慧價值分析)之其他分項，子計畫五(綠色價值分析)透過環境、能源與永續管理之數位化，匯入企業智慧製造系統，提升企業智慧製造之綜合決策力。持續向外進行組織與人力資源（子計畫三與七）、廠商層級商業模式（子計畫一）、產業生態（子計畫六）與社會人文（子計畫二）的整合。計畫持續加強橫向與縱向之整合，以漣漪狀擴散計畫研究成果之管理與政策意涵。
然以工業人工智慧知識體系為基礎，我們提出了產業邁向工業4.0的核心技術，協助產業從自動化工廠邁向無人工廠。分項4-4計畫主持人張淵仁教授自建資料庫並採用預測與健康管理技術（Prognostics and Health Management，PHM）為技術核心，創建這套智慧預測維護系統（PDMS）。PHM技術習自李傑IMS中心，是透過採集機器的振動、電流、溫度等機台運作資訊，從訊號擷取、資料前處理、特徵提取、模型訓練、預測與診斷以及資料可視化等一系列完整流程，當下就可判斷機台是不是有異常，以及預測機台何時該保養，提早排定維修時間，避免「無預警停機」，影響產線運行。
PDMS主動偵測機台異常，發出警訊，取代「定期維修」
問題1：PDMS所偵測到的訊息無法上達決策端，產線無法順利生產，對產品交期和生產排程勢必會產生影響。
問題2：目前的ERP系統沒有整合機台故障的資訊，一般都是以機台的固定維修工時推估時間，進行生產排程計算，導致對於非預期的機台故障或保養時程延長情況無法掌握。
張淵仁教授認為PDMS還不夠smart，就進一步的把PDMS結合鉅茂科技ERP。當機台發出警訊時，工程師檢查後依機台狀況決定停機維修或繼續生產，成為第一階段的決策者，而機台決策結果也同時回傳到ERP，再由生產排程的管理師進行第二階段確認，檢視ERP自動調整的排程是不是最佳的安排。PDMS+ERP這一套智慧生產模組降低整個生產流程中，機台故障的不確定因素，更讓人力升級為「決策者」，增加生產效率、也提升產能。
關於傳統人工智慧與工業人工智慧之異同就從下表來說明，除了應用領域的差異之外，對於模型實際應用之正確率與速度的要求則是有明顯的不同。傳統人工智慧由於主要應用對象為個人，對於其模型實際應用之正確率與速度的要求並不高，只要普遍可以接受的情況下便可推出應用於產品上。但工業人工智慧因主要應用於產線製程上，對於模型正確率的要求則需要達到更高的水準才能應用於產線上。且由於產線的即時性要求，對於模型計算的速度要求也較傳統人工智慧更高。例如手機的人臉辨識或是指紋辨識，其正確率一般都在95 % – 98 %左右。但如此水準的模型正確率若應用於生產線上則是不合格的。另外，傳統人工智慧對於計算結果則著重於可達到統計上的顯著性，對於結果的成因則不重視。而工業人工智慧對於模型的可解釋性則非常重視，尤其對於模型可藉由何種關鍵特徵達成判斷機台故障，必須要有合理的解釋，以便回推應用於機台設備維護與改善，這就是所謂的「可解釋的人工智慧」。除此之外，傳統人工智慧對於資料品質的容忍度較高，但工業人工智慧對於資料品質與真實性的要求則是非常嚴格，因為高品質資料來源所訓練出來的模型，決定了模型的能力的極限。最後，傳統人工智慧對於資料的數量要求較高，以便獲得較高的模型正確率，但工業人工智慧則是對於資料收集則是要求完整的工況，完整操作工況的資料決定訓練模型所能適用的極限。
以上便是傳統人工智慧與工業人工智慧的異同比較，最後我們從需求面來做一個總結，工業人工智慧是從問題導向來尋求人工智慧解決方案的一種知識體系，因此，產業入想要導入工業人工智慧，應先從自己本身的問題著手，在思考應採用何種人工智慧方案，再思考如何擷取所需要的資料，並提取可用的關鍵特徵進行模型訓練，所獲得的訓練模型應採用何種測試數據進行線上驗證，最後，再將此模型部署於生產線上進行即時的應用。這樣的流程就是以工業人工智慧進行生產線賦能，藉此解決生產線的問題。
工業人工智慧的殺手級應用有下列幾項：
- 設備預知保養：針對產線上的設備進行性能衰退曲線預測，或是進行故障診斷，以便得知最適保養時間，降低非預期停機風險，減少額外成本損失。
- 生產與維護排程最佳化：藉由預知保養時程的預測，以及生產排程的優化，兩者之間的衝突，可以藉由歷史數據的分析，將維護保養進行的時間，儘量不要干擾生產排程或是對生產影響最小化，可以有效降低維護成本以及提升生產效能。
- 能源管理與最佳化：工廠節能一直是產線持續改善的重點，傳統廠房內，空壓機與冷氣設備佔整體廠務系統耗電的60%以上，利用能源需求預測進行能源需求管理，可以讓能源滿足使用者需求，又能降低能源浪費，讓能源的利用最佳化，進而降低能源使用的成本。
- 材料缺陷偵測：針對產線上的組件使用機器視覺進行缺陷檢測，藉由產線製程參數大數據分析與材料品質問題分析管理，有效提升製程過程的材料品質，以及提升產線的品質穩定性與可靠性。
- 製程最佳化：某些產品的完成需要經過數千道的製程，利用工業人工智慧的虛擬量測技術，利用多維度的製程參數與最終關鍵品質進行迴歸分析，以便用來做品質最佳化。
- 剩餘可用壽命預測(Remaining Useful Life prediction)：利用機台或刀具切削的歷史資料進行分析，並建置其健康指標的衰退模型，可以用來預測何時該進行零件或刀具的更換，以達成無憂刀具或避免斷刀造成工件毀損的問題。
2019年5月李傑教授在逢甲大學舉辦工業人工智慧新書發表會，將其工業人工智慧的定義、應用與如何建立工業人工智慧的技術與能力以繁體中文呈獻給台灣。李傑教授認為，傳統人工智慧是一種認知科學，而工業人工智慧則是一種系統性的知識體系。傳統人工智慧著重於特定領域的應用，如社群網絡、財經領域、醫療領域等領域的影像辨識、機器視覺、自然語言處理、演算法等，在這些領域追求的是模型正確率(accuracy)，回收率(recall rate)與敏感度(sensitivity)等指標。但工業人工智慧重點則是著重在工業領域上，如產線機台、設備，發電廠、風力發電機、渦輪引擎等，如何開發、驗證與部署這些不同形式機器學習演算法於這些工業設備上，且能夠讓生產線藉由這些演算法的部署持續不斷提升生產線效能。
未來，希望在最短的時間內，能看到台灣工業人工智慧在各產業的實踐，展開全球供應鏈的新格局。
