【AI60問】Q58人工智慧在製造的應用?

by 提拔我園丁

當AI來臨的時候,很多人會擔心:「是不是製造業中的勞動力要被取代?」

而AI介入的「智慧化」過程,與過往製造業追求的「自動化」過程,其實有本質上的差異。

  • 自動化:機器自動生産,本質是「機器換人」,強調在完全不需要人的情況下,進行不間斷的大規模機器生産
  • 智慧化:機器柔性生産,本質是「人機協同」,強調機器能夠自主配合要素變化和人的工作

因此,「AI+製造」未來所追求的,不只是簡單的「機器替人」,而逝將工業革命以來,極度細化的工人流水線工作,重新轉為「以人為本」的組織模式,讓機器承擔更多簡單、重複、甚至危險的工作,而人類則是承擔更多管理、創造的工作。

*智慧製造
目標在於提升現有生產力製造的能力,
透過物聯網與自動化技術導入,
解決工資上漲和缺工問題,
並滿足客製化、個性化的需求。

智慧製造已是每個具生產製造項目的企業難以抵抗的潮流,
必須藉此樹立生產系統的新價值,
發展出優化、聯結、大量客製化生產的情境。

情境的建置流程包含:
生產數據與良率資訊的掌握;
機器人導入與高效使用;
物聯網的建置及利用AI優化製程。

而AI 作用於製造業的應用場景,我們能大致分成以下三類:

第⼀類:實現從軟體到硬體的智慧升級

AI演算法將以能⼒封裝和開放方式嵌入到産品中,從而幫助製造業生産出新⼀代的智慧産品。

第二類:提高行銷和售後的精準水準

  • 售前行銷:以AI進行用戶端需求數據的多維分析,能實現更即時、精準的資訊傳遞
  • 售後維護:AI將有機會和物聯網、大數據⼀起,實現對製造業産品的即時監測、管理和風險預警

第三類:增強機器自主生產能⼒

AI技術可以使得機器在更多複雜情況下實現「自主生産」,進而全面提升生産效率。

應用場景包含:

(1)工藝優化:透過機器學習建立産品的健康模型,識別各製造環節參數對最終産品品質的影響,最終找到最佳生産工藝參數

(2)智慧質檢:借助機器視覺識別,快速掃描産品品質,提高質檢效率

而其中,尤以如視覺缺陷檢測、機器人視覺定位分揀和設備故障預測報警…等應用場景,讓AI加速成熟,已在製造現場實踐。

例如:透過集成3D掃描器和協作機器人、視覺系統、吸盤/智能夾爪,實現對目標物品的視覺定位、抓取、搬運、旋轉、擺放等操作,並對自動化流水生產線中無序或任意擺放的物品進行抓取和分揀。

這不只應用於機床無序上下料、鐳射標刻無序上下料,也可用於物品檢測、物品分揀和產品分揀包裝…等。目前在應用場景案例中,已能實現規則條形工件100%的拾取成功率。

在設備故障語境應用場景中,基於人工智慧和IOT技術,透過在工廠各個設備加裝感測器,對設備運行狀態進行監測,並利用神經網路建立設備故障的模型,從而在故障發生前,提前預測故障,並將可能發生故障的工件替換,從而保障設備的持續無故障運行。這樣的應用可以將產線停工時間從幾10分鐘壓縮至幾分鐘。

另外,人工智慧從學理三個面向為製造業帶來重大突破:

1、視覺(Vision System)

就算最高階的3D工業相機,仍無法跟人的眼睛一樣,可以精準判斷深度距離,又可以辨識透明包裝、反射表面或是可變形物體。很難找到一款相機,可以提供準確深度、又能夠辨識多數包裝及物品,但未來AI可以改變這件事。

過去這幾年機器視覺取得很大進展,來自矽谷與波士頓的新創(包含OSARO和Covariant),利用深度學習、語意分割、場景理解來提高低階相機的深度及影像辨識,製造商不需要再使用貴的相機,也能得到足夠準確的影像訊息,成功辨識透明或反射物體包裝。

2、可擴充性(Scalability)

深度學習也不用像傳統機器視覺一樣,需要事先建構每個物品的3D模型。只需要輸入圖片,經過訓練,人工神經網路就能自己辨識影像中物體,甚至能使用非監督或監督學習,降低人工標籤數據或特徵的需要,讓機器更近接近人一樣的學習,除去人為干擾,機器人面對新零件也不需要工程師重新寫程序。

而隨著機台運作,收集到的數據越多,機器學習模型的準確度也會再次提升。

目前一般生產線通常有振動台、送料器、輸送帶…等週邊設備,確保機器人能夠正確拿取需要的部件。由於深度學習模型一般儲存在雲端,這也讓機器人能夠互相學習、共享知識。

舉例:如果有台機器手臂經過一個晚上的嘗試,學會如何組合兩個零件,就能夠很輕易地將這個新的模型更新到雲端,並分享給其他同樣也連結到雲端的機器手臂。不只省去其他機器的學習時間,也確保品質的一致性。

3、智慧放置(Intelligent Placement)

對人類來說不難的指令:請小心輕放,或把物品排列整齊,對機器手臂卻是巨大的技術挑戰。

什麼是「小心輕放」?是在物體碰到桌面的瞬間不要施力?移動到距離桌面6公分處,放手讓物體自然落下?越靠近桌面就降低速度?不同的定義會怎樣影響物品放置速度和精準度?

物品「排列整齊」?每個人對於整齊的定義都不同,要讓物品能準確地放在想要的位置和角度,首先要在正確的位置拿取物品,但機械手臂不如人的手靈巧,目前一般機器手臂大多使用吸盤或是夾子,要做到人類關節及手指的靈活度,還有很大的距離。

其次,要能即時判斷夾取物體的角度位置、形狀、大小,以杯子為例,需要知道杯口朝上或朝下,要側放、直放,也要知道放置的地方有無其他物品或障礙物,才能判斷將杯子放在哪裡最省空間。

人類因為從出生開始就在學習各種取放物品的任務,這些複雜的作業可以簡單完成,但機器並沒有這樣的經驗,必須重新學習。

推動製造業發展,及導入智慧製造應用方案的核心價值,需要藉由新的市場競爭與客戶服務工具,多元化提高企業獲利能力,逐漸改善產業生態結構,形成永續發展動能。

想成為爬蟲工程師 、資料分析師 、資料工程師 、資料分析領域專家 、人工智慧產品經理嗎?還是你的公司正需要培養此領域人才呢?

點我了解 AI資料科學家-三階段全方位學程班 👉 https://www.tibame.com/eventpage/ai_datascientist 

每日5分鐘, 提拔我園丁陪你快速添補AI/資料科學知識與技能。

若想了解更多AI/資料科學的小知識、及各產業的相關應用,歡迎訂閱TibaMe FB及部落格,或有其他想了解的主題歡迎在下方留言讓我們知道唷!

參考資料

分享這篇文章:
0 comment
3

您也許會喜歡

Leave a Comment

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料