帳號:
密碼:
最新動態
產業快訊
CTIMES/SmartAuto / 新聞 /
導入AI 解決少量多樣製程檢測難題
 

【CTIMES/SmartAuto 王明德 報導】   2018年11月28日 星期三

瀏覽人次:【3852】

過去消費性市場的產品生產型態是少樣多量,由於產品的樣式不多,加上大量且長時間生產,不但可以讓製造系統每一環節都針對單一產品調整,讓產能最大化,也可以讓品質穩定在一定程度,在此狀況下,產品的質量俱佳。不過近年來市場的消費者行為改變,多樣化成為市場的主流競爭模式,由於整體消費量不變,產品樣式一多,每一樣的單一需求量勢必就會減少,因此少量多樣化成為現在的製造模式。

凌華科技產品經理陳帥名指出,在AI技術的導入下,產線檢測的效能將可進一步提升。
凌華科技產品經理陳帥名指出,在AI技術的導入下,產線檢測的效能將可進一步提升。

少樣多量可以將製程長期設定為單一生產模式,少量多樣則必須頻頻更動產線,這也讓製程中的檢測環節帶來挑戰,過去由於產量大,產線都以調製最佳化,因此良率也非常高,檢測作業只要在製程的最後一環檢測少樣種類的產品即可,無論是設備或人員,需要具備的技能種類都不多。現在的產品種類一多,非但良率提升困難,而且對設備與人員來說,要精確檢測眾多種類的產品,人員技能與設備功能都要同步提升。

對此狀況,凌華科技產品經理陳帥名指出,近年來因應工業4.0興起的智慧化趨勢,不但可解決現在製造業者的問題,同時在AI技術的導入下,產線的效能將可進一步提升。

目前會應用在產線上的AI演算法主要是機器學習(Machine Learning)與其分支出來的深度學習(Deep Learning),這機器學習演算法解決了製造系統過去需要長期訓練的問題,過去製造系統必須先在內部建立大量資料庫,讓前端的檢視設備可依資料庫的樣本判別產品良窳,不過一來要龐大樣本數建立有難度,二來新品不斷出現,產線工程師必須也必須不斷調整前端設備的識別設定,對整體產線來說,都不是最佳做法。

機器學習則是讓機器可以學習演進,根據一次又一次的設定,建立不良品的篩選邏輯,之後系統就會依此邏輯自我進化,之後有未曾出現的瑕疵,就會以過去建立的邏輯判斷是否為不良品,讓辨識能力持續接近最佳化。

機器學習演算法並非始於今日,在1950年代那一波AI熱潮中就被提出,不過當時硬體效能有限,因此並沒有能力被落實應用。後來半導體技術快速成長,摩爾定律不斷提升系統的運算能力,如今機器學習在IT系統上運作已不是問題,而產線檢測就是目前的應用環節之一。在具有機器學習演算法能力的生產系統中,只要建立少數樣本的資料庫,系統就會開始自主學習判別,將智慧製造願景落實在產品檢測端。

相關新聞
安立知以全方位無線通訊方案引領探索6G時代
再生能源成長創新高 但發展程度並不平均
意法半導體突破20奈米技術屏障 提升新一代微控制器成本競爭力
Pure Storage攜手NVIDIA加快企業AI導入 以滿足日益成長的需求
ROHM推SOT23封裝小型節能DC-DC轉換器IC 助電源小型化
comments powered by Disqus
相關討論
  相關文章
» 落實馬達節能維運服務
» IPC的8個趨勢與5個挑戰
» 加入AI更帶勁!IPC助益邊緣運算新動能
» [新聞十日談#39]四月漲聲響起 提高能效刻不容緩
» 使用黏合對乙太網路纜線在惡劣環境中維持連接


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 遠播資訊股份有限公司版權所有 Powered by O3  v3.20.2048.3.215.183.194
地址:台北數位產業園區(digiBlock Taipei) 103台北市大同區承德路三段287-2號A棟204室
電話 (02)2585-5526 #0 轉接至總機 /  E-Mail: webmaster@ctimes.com.tw