AI 靈活滲透:打造高效智慧工廠

#smartmanufacturing, powertalk, smartfactory

設想一個人工組裝工站,該站 SOP 共包含 9 個工序,標準週期時間(Cycle time)訂為 45 秒,完成後,WIP 即會交於下一站繼續組裝。但在這 45 秒中,各式問題都有可能發生,要確保所有作業在這期間完成,困難重重。

從實際工廠案例開始,研華紀明傑博士分享 AI 視覺如何融入生產線,協助計算工站 Cycle time 和檢視 SOP,節省管理人力外,也提升品質和作業安全。

訪談精彩要點:

  • AI 視覺主動錯誤偵測,升級人力管理
  • AI 應用工廠實例:產能、良率 & 安全性提升
  • IT 和 OT 的知識鴻溝成為搭建 AI 成功關鍵?
  • 智造趨勢:邊緣 AI 伺服器

紀博士擁有與多家大廠的合作經驗,各家製造商的 AI 應用多元,隨產線、工站、標準作業流程不同,各有自行的導入模式,半導體、汽機車組裝、電子、其他傳統製造等,都已發展出符合各產品特性的專業應用。

Ray: 謝謝 PowerArena 的邀請,也很榮幸來到這裡,有個針對於 AI 趨勢還有產業應用的聊天座談。我本身是在研華擔任 BDM 的工作,我會配合研華的行銷,還有跟客戶的整合,並且推出解決方案。研華本身是做硬體,所以我們會跟很多的 ecopartner 一起合作,提供感測器或者是 AI 算力以及傳輸通訊這一方面的整合提供給客戶做使用。

Ray: 我本身是在影像還有機器視覺上面的在過去有開發的經驗,搭配了研華目前有一個 Nvidia 最好的平台。所以我參與到了這樣 AI 趨勢上面,可以協助客戶作為產業上的應用連結。

Ray: 首先,在疫情之後,其實很多公司因為地緣政治的關係,的確像您所說,開始思考它的生產地點或者是它整個產線是不是要重新部署,包含原物料的關係,還有一些人力資源上面的關係,的確有許多的公司,正在往不一樣的地方做發展。

Ray: 我看到 AI 能夠協助的,第一個當然就是新產線的部署,包含說在建造新廠的時候就要把 AI 放在裡面做思考。比如說我現在在一個新的產線上面,未來要做 AI 應用的時候,一些感測器元件、一些傳輸的裝置,是否就已經要部署在裡面。接下來我在蒐集資料方面,提供 AI 做一些推論運算的時候,就可以快速的去做整合,不用再去思考是否還要再重新部署。這部分是產線轉移或是製造廠在思考要部署新廠的時候,都已經要思考到了。

Ray: 第二個是新功能的增加,很多的公司他在部署產線完,就把舊有的產線搬移到新的市場或製造區域裡面,或著整個流水線或產線是舊有的,他想說我這一次要把 AI 放進去了,但可能在舊有產線上面並沒有那麼的「智慧」,或物聯網的裝置沒那麼多,他就趁機在這一次去部署有關於 AI 的應用,包含所需要的一些資料採集、資訊傳輸的物件。

Ray: 我們可以看到的是,新廠部署的時候,比較朝向說:「現在市面上若是已經有完整的解決方案,就一起導入在新廠上。」比如說 PowerArena 提供人因操作流程上面優化的解決方案,就很容易在佈建新廠時導入。那傳統產業就比較保守嘛,他可能會一步步的進行導入。例如現在看到別人用了質檢升級上面有幫助了,那他就會再思考一下說他要自己做質檢升級,或者是找 AI 團隊做質檢升級。或者是我在新建工廠、物流裡面要去做一些視覺上面的應用,比如說 barcode 的掃描或者是尺寸的量測,我是不是能夠借助 AI ?所以他們跟很多產業一樣比較偏向於局部性思考。但如果是 EMS 廠,它可能就是整條流水線裡面都有 AI 思維。大概是這樣的差異。

Ray: 您提到沒錯,「看到成效」這件事情,其實是製造業在邁向 AI 裡面最想要瞭解的部分。很多的傳統製造業,或是現在的電子 EMS 市場,他們在導入 AI 的時候想要看到就是明確的 ROI。那這一部分我們身為解決方案商,不管是硬體,加上像 PowerArena 這樣的軟體,提供給客戶做選擇的時候,我們要明確告訴他說現在的投資回報率、在幾個月裡面可以看到的成效。或者是我們用既往的經驗,告訴客戶投放到目前的產線上面大概能夠提供他多少效益,這個是明確要告知客戶的。

Ray: 另外是業主他想要看到的是什麼?可能是在產線上面生產的效率提升,這部份 AI 可以協助的部分非常的多。我們在跟客戶討論的時候,要瞭解客戶目前哪裡是他們的最痛點?他們想要增加的產線效能是哪一段?是人工的呢?還是是某一部分工具機上面的實現?或者是在質檢方面,他想要是入料質檢還是出貨質檢,這個都是需要跟客戶直接做討論的。當然這個部分需要經驗的累積,所以像 PowerArena 這樣的團隊,或者是我們研華這樣的團隊,不管在軟硬體上面都可以適配的搭配出好的解決方案給客戶。客戶也許想要邊緣運算,或者是覺得邊緣運算可會被員工碰觸到想要拉到後台。他想要即時性的回報,還是想要在戰情室看到一個視覺化的 dashboard?這些都是我們要跟客戶合作,然後去瞭解客戶需求,進而提供給客戶的部分。

Ray: 首先,其實蠻多的製造業都有不同的 AI 需求,那我舉幾個例子。第一個像半導體,半導體它非常需要毫無瑕疵的品質,才能穩定的讓客戶做晶片、晶圓上面的使用。那他們在過程中,有層層的堆疊、包裝或是不同的處理流程。每一段都必須要有明確且非常高精度的瑕疵檢測,不然壞的東西繼續往下做還是壞的,所以必須要在中間做故障排除。而 AI 有一個好處,就是除了知道它良率不符合或是有瑕疵外,我還可以判斷是哪一種瑕疵?進而做分類來告訴你,在流程中的哪一段是有問題的,並且即時的做排除。不然你可能知道產品有瑕疵,可是他工段工序這麼長,裡面到底是哪一點出狀況,我們並不清楚。那沒有辦法做排除的時候,接下來繼續製造你還是製造錯的,所以我們必須要用 AI 來達到更好的生產品質。除了瑕疵檢測以外,要明確知道在流程中我們要排除什麼問題?那你的整段良率才會提高,效率當然就會提高。

Ray: 第二個是 EMS 廠人因的部分。這是現在很多的製造業都頭痛的問題,不管是勞工更換,或是新產品進來後要做生產流程的導入。其實都對製造業是蠻頭痛的,因為他們要技轉,技轉之後又不確定這一批的勞工是不是符合公司之前的規範。

Ray: 所以人因 AI 的一個介入,其實是蠻符合需求的。首先,我們必須要利用資料來源,其實人的動作行為都必須要靠攝影機收集,那攝影機就跟我們的眼睛一樣。在過往,要看一個工段工序的時間是要靠一個線長拿著碼表拿著簿子一個一個抄,但如果像現在 PowerArena 所提供的解決方案,在固定的位置可以做資料收集。固定位置好處就是,所收集的資料會有效提升準確度。現場在看每一個工作人員的工作過程,有時較不客觀,也無法觀察細節,這些都會造成資料上面的落差,以及線長在評斷工段工序完整度的落差。

Ray: 上述這些都可以利用 AI 輔助來進行完整的資料收集。AI 的好處就是沒有情緒,錯就是錯,對就是對,有問題就發警示。我們就可以很明確的知道工段工序的正確性,以及每一段的工時。當然這不是一觸可及的。就像線長,他是因為有經驗,所以能夠看出每一位員工的工作效率或者是他的工作流程。那麼AI 好處是什麼?AI 好處就是可以挑出員工 A,某一個工端工序做的非常的標準、速度也快,我們把他當做整個AI模組的模範,其他員工就可以跟著他的程序,每一個小細節的縮減,整個流程更有效率,這就是所謂的原子習慣嘛。把所有東西都縮小,其實整個複利下來,是非常具有力量,可以很明顯的優化產線。

Ray: 真的,尤其是 EMS 廠,他是相同東西大幅做。既然要勞工去做,表示那些地方其實是沒有辦法馬上自動化的,但是又非常需要配合自動化來達到高效高產能,所以,能夠有效的去縮短每段的人工時間,對於 EMS 廠來說才可以大幅增加它的產能與良率。

Ray: 我再舉一個不同的例子,除了增加產能、增加良率的 AI 外,最近我們的一個夥伴,他們在產線上面的做法並是為了要避免危險。跟 PowerArena 一樣,他們利用機器視覺架設在一些可以觀看員工跟工具機的地方來排除員工的危險。他們是做自動沖床、洗床那一類的傳統金屬加工業,所以物件可能是不定型的。平常餵料時,可能是依照圖形、圓盤或不同的料件。這種情況下,他沒辦法馬上自動化。尤其又是少量多樣,他們就要一直換不同的料件進去,點選他們要沖床洗床的規則。在傳統產業裡,很容易在餵料的過程中手還沒出來可能就作動了。有些廠可能比較有規模或制度,他需要員工把雙手雙腳放在特定位置才去作動,讓機器工具去對。但是你也知道上有規範,下有對策,有些員工為了增加效率會用某個東西把工具壓住貼住,假裝一隻手一直壓著機器。這個過程中機器他並不知道, 只知道左手按鈕被壓住,右手按鈕被壓住,然後就開始工作了。可事實上,危險就由此產生,可能還在餵料過程中,員工的手就被夾住,是一個非常危險的行為,那為了有效避免工安意外發生,他們就利用機器視覺去看雙手是不是確實離開工具機

Ray: 這個部分讓業主非常的滿意,除此之外,在跟勞工部門討論的時候,這也變成針對沖床洗床實施的工廠規範,那也可以有效的保護勞工的一個安全。另外除了保護勞工之外,還可以在特定範圍內,偵測工具機是不是有異物侵入了,避免料件進去之後,還有一些其他東西,造成壓製過程中機器或是料件的毀損、瑕疵。其他工廠也可以用 AI 機器視覺來完成這件事情,所以我覺得這個 AI 解決方案,其實不只在電子製造業,或者是比較高大上的產業,好像公司一定要製造電子產品、PCB 板或者是電子組裝廠才能用到 AI,而是他可以在傳統產業上面,馬上幫我們做到升級

Ray: 第一個當然就是硬體了。剛才提到的在佈建新廠,或者是導入新的 AI 解決方案的時候,你必須要有相對的硬體裝置,像收集資訊需要感測器,中間可能會需要資料傳輸,這個時候要有一些有線無線的解決方案。跟其他裝置作動也需要額外裝置,假設我的 AI 有一個結果,在有危險的時候需要亮燈,那麼就需要閃光或鳴笛,或者是 AI 要發報到後台去,顯示在大畫面上,然後 dashboard 可以讓你觀看這些資料的串接,這些也都需要事先的規劃。

Ray: 第二個是軟體,AI 軟體。大部分的公司想的是,第一個是覺得自己公司大就找人自己做,第二個是找外部團隊來做。那這兩個選擇都有好有壞。自己做是利用公司內部的資訊資源,讓所有東西都在公司裡面,不會外流出去。但是這樣的做法有一個盲點,就是只能在公司內部去思考 AI,沒有辦法利用外部專業團隊的想法來看你現在的痛點。另外, AI 人才的獵取其實也沒那麼容易,大部分的 AI 人才比較不會想局限在某一個產業或解決方案上面。他們的知識可以符合各種泛用型的 AI 的實際使用,所以現在看到越來越多的大廠,尤其像 PowerArena 的合作夥伴,也算是世界前三大廠,他們為什麼會找外部的 AI 的專業團隊協助,重點在於那些才是他們專業所在,他們知道怎麼樣去看到資料、收集資料,看到對的資料清洗資料,訓練出對的 AI 模組,甚至可以利用不同產業所看到的類似痛點,導入不一樣的思維去解決類似的事情,這些是公司自己在部門裡面去做 AI 比較難達到的部分。當然第二個很重要是外部的 AI 團隊,他們的人員組成裡面有相當多都是 AI 本質學能上面的專業人士,要在工廠裡面去找到這樣的人才本來就很困難,若是要加速 AI 落地,要培養公司內部還是先導入外部團隊的專業能力就值得商榷。

Ray: 就以我的角度來看呢,研華配合很多包含像 PowerArena 這樣的合作夥伴進入到案場之中,可以幫助客戶很快的縮短 AI 落地的時程,也可以快速達到客戶預期。當然我們不可諱言,有些公司會利用專業團隊導入 AI 之後,利用自己的團隊去承接,這也是一種方式。對軟體的部分呢,在公司內部還有另外要考量的就是 OT 跟 IT 的競合關係,很多公司覺得找寫程式的 IT 來做 AI ,但他們不知道 IT 的人員在瞭解 OT 的過程其實有很大的 gap ,除此之外, OT 的人員通常還會有一些有點反抗的心理:「為什麼我的工作流程要由 IT 介入」,那找第三方專業團隊的好處在這裡,他對於兩邊是完全平等的,外部團隊只是為了執行公司的政策,並且達到公司效益的最大化。這個是外部團隊進入到 OT 或進入到 IT 效率上好很多的地方。第三個就是分析,公司內部的思考是局限性的,但是像 PowerArena 看過 EMS 廠、看過傳統製造業、看過比較先進的製造流程像半導體產業,可以廣泛的跟不一樣的人員做相同技術語言的討論,這個是在一間專注於特定產業的公司比較難達到的事情,所以我會覺得說,如果客戶要導入專案,建議以比較泛用型的想法,去做專業型的事情,因此第三方團隊會是比較好的。

Ray: 其實這個是我們在面對客戶的時候,常常被提出來的一些挑戰。導入 AI 要做的是 OT 端的優化,可是實做的是 IT 端的人員,那這兩邊的溝通語言上會有落差,因為一個是在產線上面自己實做,每一段工段工序裡面,實際要做的事情都是由 OT 在負責。那 IT 在看資料的時候,他們一般來說也不會進到產線去,瞄准到每一個物件的組成方式,或是很難看到在工作流程上面,是否有需要優化的點。那只有配合公司由上而下的政策,並且帶領第三方團隊進來,才能避免這樣的問題。第三方團隊跟 IT 有共同的語言,跟 OT 也有共同的語言,那就能夠把兩邊的需求跟協作做融合,提供兩邊都覺得是對的解決方案。譬如說我 OT 端的資料回到 IT 端,到底是什麼要出去做 dashboard,什麼東西要被拉到 dashboard 上面,是 OT 認為很重要的?還是 IT 覺得重要的呢?我看到越來越多AI 的解決方案商,可以提供兩邊同時滿意的解決方案,能夠讓 OT 端覺得這些資訊是重要,那也想要克服的,同時 IT 端也會說這些資訊需要能夠視覺上呈現,或是能夠有日報、月報、周報,或者是即時性掌握產線的目前的稼動率。若希望能兩邊同時符合需求,我的建議說是以專業的 AI 團隊來執行,會比在內部完成更有效率速度還有品質。

Ray: 問得很好,研華主要是硬體的解決方案提供商。我們看到的是,在邊緣運算的需求會非常明確。有些客戶會把資料放到雲端上面去做處理,這是一種策略,但我們發現,邊緣運算可以處理 AI 的推論,可是它的算力是有限的,那你放到雲端上面,第一個它沒有辦法即時,因為你還要傳輸,哦對了,傳輸還有傳輸成本,所以它兩邊都有沒有辦法符合未來的趨勢,就是需要在落地的旁邊實現大幅的 AI 運算。尤其是剛才提到的 LLM,這樣大型的生成式 AI 語言模型會進來,那它就必須要有一個非常強而有力的邊緣運算平台。那我們研華配合 Nvidia,目前正在打造所謂的 Edge AI Server,它會比較偏向於立在邊緣外面一點點,離感測器近一點,然後把所有的資料都匯集到這個 Edge AI 的伺服器裡面,它提供相較於邊緣主機更高的算能與算力在裡面,用 10 倍數以上的成長去做運算,即時地反饋到前面邊緣 AI 所需要的內容,所以它等於是介於雲跟端中間,去做一個邊緣的伺服器,這個是我們在硬體方面的解決方案,接下來會朝向的一個趨勢。那另外一個就是我們會配合剛剛也提到了要在邊緣上面做使用的感測器,我們會有一些有線、無線的通訊模組,包含了需要跟控制的裝置做連接的部分。除了研華本身的硬體底工以外,我們還會配合第三方的合作,然後打造一個完整的生態系,客戶可以從研華裡面直接帶走整個解決方案,在硬體上面完完全全的符合客戶需求,整包就可以進入到案場,也不用再擔心整合上面的問題。我們希望客戶能夠快速讓 AI 可以落地到他們想要的位置,這個是我們研華能保證給客戶的。

Ray: 好,首先在製造業上,人跟機具之間的相關性,會在未來的幾年內會明確由 AI 來協作,不管是機具上面的 AI,或是人本身上面的 AI,或是人機協作的 AI,這三個方向,我們都可以看到有更多的廠商、解決方案商都在投入,我想這是一個明確的市場趨勢。第二部分是我們也非常關心的生成式 AI,研華在過去幾個月跟 Nvidia 的合作上面,發現 Nvidia 在生成式 AI 已經漸漸地從大型的伺服機搬到了邊緣運算主機。那我們目前配合他們,將所有的 SDK,還有所有他們的套件能夠移植到我們的邊緣運算主機上面,讓客戶可以快速實現他們需要的一個生成式 AI 的內容。譬如說,我可以透過語音的反饋,現場即時性的去生成訓練員工的手冊,或者是可以快速的做一個指引,讓他知道路線怎麼走,這一類的 AI 生成是我們目前跟 Nvidia 緊密合作的部分。當然我們的目標是希望,今天有一個規格書放進了生成式 AI 裡面,它就會告訴我 layout 長這樣、機殼長這樣、生產流程長這樣,就可以開始快速生產了,那我們就可以有效的讓 AI 進入到我們的一個製造業裡面,快速提升品質、良率,這是我們希望看到的趨勢,這應該總有一天會出現,希望我們一起合作來完成這件事情。

288