圖1 : 為了提高現有機體、引擎生產效率4~5倍，同時兼顧穩定品質、降低成本等條件，投入智慧製造也成為台灣航太產業供應鏈的必經之路。(攝影／陳念舜)

近年，全球航運需求火熱，依Boeing、Airbus估計，未來20年全球商用客機市場將達到35,000~40,000架，創造6.3兆美元產值。且為了提高現有機體、引擎生產效率達4至5倍，同時兼顧穩定品質、降低成本等條件，投入智慧製造也成為台灣航太產業供應鏈的必經之路，其產值已正式突破千億大關，期待2020年能達成2,000億元里程碑。

圖2 : 漢翔航空工業公司董事長廖榮鑫強調，該公司透過持續舉辦論壇，讓國內外產學研各界有機會在同一頻道中互通訊息，從全球趨勢中找到創新契機與價值。(攝影／陳念舜)

然而，漢翔航空工業公司董事長廖榮鑫在2018年舉行的「台灣航太產業與政策論壇」上強調，必須透過持續舉辦論壇，讓國內外產學研各界有機會在同一頻道中互通訊息，從全球趨勢中找到創新契機與價值；進而促使政府領頭積極改善國內投資環境及減輕稅賦，以提振台灣航太製造業的國際競爭力。

航太智慧機械製造論壇　鏈結上下游產業需求

當天應邀親自來台的美國Eaton公司總裁Nanda Kumar Cheruvatah表示，現今智慧製造並非一夕劇變，或僅止於顧客驅動的智慧工廠。提高產能外，還須不斷精進，縮短從接單到出貨的前置作業時間OTD(Ordering- To-Delivery)。

趨勢科技總經理洪偉?認為，現今智慧製造仍在起步階段，製造業大概到了近年來才開始真正遭遇資安問題。尤其是2017年問世的新一代電腦蠕蟲WannaCry，與傳統病毒有別，係利用微軟作業系統的漏洞快速感染電腦，經鎖定特定工程師竊取帳號密碼後加密資料勒索，將導致ERP/CRM系統、設備無法運作，如Honda、Nissan、Boeing、TSMC(台積電)都深受其害。

圖3 : 趨勢科技總經理洪偉?認為，製造業到了近年來才開始真正遭遇資安問題。尤其是新一代電腦蠕蟲WannaCry將導致ERP/CRM系統、設備無法運作，如Honda、Nissan、Boeing、TSMC都深受其害。(攝影／陳念舜)

所以他建議製造業者：「當開始導入智慧製造整合IT+OT之後，系統從隔離到開始連網，首要調整的是面對資安的觀念，而非技術問題！」

包含過去因為製程不透明(No Visibility)，每部機台的IT人員通常只管生產順利，責任不明確(Unclear Responsibility)，且缺乏資安專業知識(Lack of Ability)；甚至有時為了提高資安，還須某種程度犧牲產能(Pursuit Productivity)；以及生產設備畢竟不像PC、OS的生命週期短暫，一旦更新恐影響後續製程穩定(Legacy Liability)等。

漢翔公司研發長吳天勝也展示該公司自2015年起結合內部生產、資訊部門，積極推動智慧製造成果，先主要聚焦於IoT、數位化議題，分為：智慧機台、智慧製造、智慧管理3大主軸，自主開發的iAIDC平台也榮獲經濟部頒發首屆智慧製造金質獎。到了2018年才開始進入大數據分析領域，藉提供學研界企業真實場域的大數據，以建立大數據分析和演算模型。

其中，為了讓智慧化機台通過IoT連網即時監控，以有效預診問題、防止錯誤及預測品質，分別針對以加工複合材料為主的沙鹿廠區、金屬材料的台中機工廠、難切削金屬(鎳、鈦)的岡山引擎機匣廠內機台連線，以規劃不同加工模式下的工業4.0應用。

圖4 : 漢翔公司研發長吳天勝展示該公司自2015年起結合內部生產、資訊部門推動智慧製造成果，2018年正式進入AI大數據分析領域。(攝影／陳念舜)

智慧製造則用來即時監控、預測製程中的品質及精度，避免生產後報廢或重工。吳天勝指出：「尤其是目前於加工航太業大量使用的複合材料時，遭遇到的最大問題就是無法在熱壓爐成化階段，即時預測到溫度變化曲線。」如今已能透過監控其加溫器/風扇馬達/冷卻泵等設備，及早預測30mins成化趨勢，並優化製程參數、發現異常，每爐至少能救下100~200萬元損失。

此外，智慧管理係針對廠內整線智慧化指揮排程，再行即時監控/回饋整條生產流水線上不同車間的工作型態和瓶頸，加快生產節拍；進而導入機器人、AGV，協同搬運預浸布、蜂巢等物料，確保其品質、濕度、壽命不受影響，經下料排程節省耗損率，改良熱壓爐成化良率。

到了後段機製加工階段，也會先經模擬加工，再導入機器人繞切或鑽孔，以確保加工過程不撞機、延長超音波主軸的刀具使用時間；進而使得後續複材檢驗、分析產出報告，更為自動化。未來也將結合先進智慧決策中心，透過集中視覺化顯示，得以多面向看問題、找方法，提高產能和節拍。

同時加速推動人機協作機器人中心，取代高污染、高危險、高疲勞性工作；並分別透過航太複材智慧製造領航計畫，推動工具機業者開發國產機械設備；以及航太供應鏈3D數位協同製造轉型計畫等，對應Boeing、Airbus需求，現已認證138家以上的合格供應鏈廠商。

縱觀30年來AI演進　產學架橋跨越鴻溝

值得一提的是，隨著AI應用越來越重要，漢翔公司今年還首度邀請台灣人工智慧學校執行長陳昇瑋專題演講，他回顧這2年來受重視程度還超越摩爾定律(Moore's law)的軟體技術，就是機器學習(Machine learning)！其強調能讓電腦從人類經驗裡淬取出規則的演算法，而不必像過去利用電腦找出辨識規則，往往很快就被層出不窮的特例淹沒，進而可導入產業AI化。

陳昇瑋細數人類陸續從1950~1970年、1980~1990年以來，雖然AI目標一致，卻幾乎每30年便會經歷一波關鍵技術演進。直到2010年開始興起的「機器學習」技術。與過去最大不同處，在於使用者只須提供長期所需的充份資料(Data)，就能供電腦學習，並逐層(layer)自行衍生規則、特徵，來提升分類與檢測瑕疵的準確率，使得人臉辨識正確率接近98%~99%。

。

優點是讓各行業對於專家的需求遞減，而AI工程師的需求越來越多；但缺點就是如此複雜的規則和人類想像不同，而無法解釋機器學習所產生的演算法。而近5年來蔚為主流的深度學習技術(Deep learning)，與Machine learning最大差別，就是能從後者自主衍生規則中找出特例(特徵值)。

一旦電腦取得資料量不足時，採取較大範圍的傳統機器學習(Classical Machine learning)方法，會比Deep learning更適合；甚至當資料量為零時，還須回頭仰賴專家口耳相傳的規則(Rule based System)。惟若資料量大也代表模型將更為複雜，對於AI工程師素質要求越高。導致Machine learning目前雖已普及於各行各業，即將引領IT產業未來10~20年發展，企業若想擴大應用，仍須積極注入新血。

圖5 : 台灣人工智慧學校執行長陳昇瑋藉此，由業界出題讓學界解決瑕疵檢測、預測性維護、自動流程控制、原料組合最佳化等產業共通挑戰。(攝影／陳念舜)

陳昇瑋認為，如今要實現產業AI化的主要挑戰可分為：缺乏資料基礎建設、實戰人才，少了前者提供足夠資料量，就算有先進技術也無用；後者則在業界至今仍找不到具備5年Machine learning經驗的專家，只能從學界挖角，卻因為資源分配不均，同時存在著產學鴻溝。

「目前只有工程師懂得AI、Machine learning還不夠，必須加入中高階經理人，才能找出真正問題核心(痛點)。」陳昇瑋強調。

為了擴大能量服務台灣146萬家中小企業，現也結合企業與學術夥伴投入成立財團法人科技生態發展公益基金會、台灣資料科學協會，並共同主辦台灣人工智慧學校，分為技術領袖培訓班、經理人周末研修班，由業界出題讓學界解決。

包含於瑕疵檢測、預測性維護、自動流程控制、原料組合最佳化等產業共通挑戰中，便已透過Deep learning取代人工，協助將過去瑕疵檢測的漏檢率>5%增至1~2%。也期望未來每年能培養出4,800~5,000位AI、Deep learning工程師和經理人，揮軍製造及服務產業。