首頁 > 產業知識庫
塑膠產業電子報
重要議題評析
2020.06.23

人工智慧技術導入塑膠產業應用概述

李沛晴 資策會數位服務創新研究所分析師

產業痛點

根據 Global Trade Atlas 2018 年統計,全球橡塑膠機械總出口額約為 335 億美元,與2017 年無顯著差異維持在固定水準,其中,台灣為全球第5大出國口,可見台灣企業競爭力強。然而,台灣塑膠產業為勞力密集產業,面對台灣少子化趨勢及廠商人口外移現象所產生的人力不足、工廠勞動力老化使技術無法傳承危機等內在能量不足,再加上低人力成本國家興起、市場變化快速、客戶需求多樣化,少量多樣及縮短產品生命周期漸漸成為趨勢等外部威脅,都使得台灣在地企業困境重重。

近幾年,在政府的積極推廣下,導入SMB(Smart Machine Box)技術,進行IoM (Internet of Molding)自動化升級,串聯起部分流程自動化,但仍有部分痛點未解決,區分四大痛點,如下:

‧品牌多規格雜:產業上中下游系統封閉,通訊控制系統封閉,使得規格複雜,增加數據整合難度提高及分析困難性。

‧整體稼動率低:隨著市場變化快速,對生產管理應對能力提高,人工排程設備利用率無法極大化,再加上修護多憑人工經驗,普遍使得業界稼動率低於50%。

‧參數調整困難:成型機少量多樣生產造成換模頻繁,使人員處理複雜度提高,不同經驗人員處理時間及品質將會不同,使產出品質不穩定。

‧瑕疵檢測效率低:仰賴大量作業員人工檢測及挑選不良品,易產生檢測疏漏,且無法有效發現機台問題,造成原料上的浪費。

人工智慧技術應用

隨著雲端科技、物聯網、大數據分析、人工智慧一波一波科技浪潮來襲,新科技應用落地成為業界關注議題,也成為企業轉型的關鍵點。隨著軟體技術上的突破及硬體運算成熟,使得人工智慧技術一詞再次出現在世人面前,並帶起革命化的變化。CB Insight 2020公佈全球最有潛力的100家AI新創,相比2019年公佈資料,2020年新增多個AI新創技術應用領域,「智慧製造」就是AI新創應用的新領域之一,換句話說,人工智慧技術應用於工業製造流程上,已非電影科幻般的想像,而是真正可落實的技術。

智慧製造的目標不只是提高製造端的效率,更加不是用來取代工作,更多的是將重複性、日常性、無聊的事務轉由電腦機器處理,透過人工智慧技術導入,輔助製造業更敏捷的面對市場變化,使人力能應用在更大價值與重要的事務上,像是:新製品設計、創新服務等。

傳統工廠轉型至智慧化工廠是一條漫長道路,所需投入資源高且需要時間布局,在轉型過程中常需面臨反覆修正狀況,因此在導入人工智慧技術前,應該先從企業現有流程中進行兩個面向思考,分別是:第一,重複性且人為介入程度高流程;第二,複雜程度高但仍有部分規則可循的流程,透過這兩面向的反思,決定企業智慧化的優先順序,有效提高轉型的成功。

塑膠射出成型廠的生產設備主要由射出機、模具、塑料組成,約有90%以上的射出廠於生產過程中,採用機上機器手臂進行射出件取出自動化,換句話說,已有自動化概念,在設備上也有初步的導入與應用。但是從自動化蒐集的數據進入智慧化這一步,還有很大的進展空間,舉例來說,影響塑膠射出成品品質參數眾多,包含:壓力、射出速度、料管溫度等等,為了達成成品品質一致性,如何使眾多參數最佳化便成為產製過程中關鍵一環。

然而,參數之間的關係缺乏一致性,過往主要仰賴經驗豐富的技師及統計建模方式建立不同成品的參數模型,在少樣大量化需求下,還算可以使用,但隨著市場少量多樣化趨勢下,仰賴傳統人為經驗計算方式將不符合效率與效益,如何運用人工智慧中機器學習技術,根據成品產製原則,即時且自動計算不同成品的產製參數組合,將有利於塑膠產業面對變化迅速市場需求迎刃有餘。

機器學習為人工智慧技術下的一個分支,機器學習演算法一般用來處理非靜態下可執行的任務,簡單來說,無法用過往統計解決的問題,機器學習都有很大的機會能夠處理。透過蒐集歷史數據及領域知識的介入,能使電腦讀懂過往參數的設定與調整方式,並在複雜且打量的數據中進行預測,這也是為什麼當面對少量多樣這樣複雜情境下,運用機器學習將能輔助人們快速處理並建議可行的參數設定,輔助射出成品製作決策。

除了提高塑料產的生產率及提能源效率外,品質檢測也是維持塑膠成品出過品質的一道重要關卡,傳統上採用人工或自動檢測方式進行品質檢測,當檢測出瑕疵品時,產製上也已經完成一定數量的成品,使得時效率性不即時,製品最終不良率高。藉由電腦視覺技術導入,建立良品與不良品的數據,讓電腦透過訓練能夠自動找尋良品與不良品的特徵,不仰賴過往被確認的不良品特徵,而是能夠智慧化判斷不良品,達到品質檢測即時性,減少不良製品產出。

綜合上述,智慧製造應用最多可區分為四大類,分別是:瑕疵檢測、能源/物料管理、預測性維護、自動排程,定義說明如下:

‧瑕疵檢測

傳統上仰賴具豐富經驗的人員建立檢測規則,再搭配數位檢測人員,隨著製品類型進行不同比例的抽檢,使產品檢測不完全且人員時間成本高、檢測技術經驗難以有效傳承下來,更重要的是,由於時效性不即時,當檢測人員發現瑕疵時,製品已產製一定數量,導致不良率上升。

部分製造業開始引進人工智慧技術輔助傳統AOI (Automated Optical Inspection),解決傳統AOI技術需要有明確的瑕疵規則,透過蒐集不同類型產品正確與瑕疵影像資訊,再輔以人工智慧技(AI)術進行學習正確與瑕疵影像特徵以建立各種類型產品瑕疵模型,隨著生產端製品產製,可運用鏡頭即時將影像資料傳回瑕疵模型進行瑕疵辨識,提升製品品質穩定度、減少不同檢測人員檢測標準不同、降低不良率。

‧能源/物料管理+自動排程

面對市場變化快速、客戶需求多樣化,少量多樣及縮短產品生命周期現象,傳統人為進行排程計算恐將不敷使用,透過整合各類型產品的庫存物料及製造端所需要的物料數量及各製造程序所需的之時間、溫度、黏度、流速、壓力及設備機器使用數據模型,再輔以人工智慧技術進行特徵學習及建模,隨著產品類型生產設定,電腦將會自動進行物料管理及排程設計,提高設備稼動率、降低人為計算及人力巡廠成本。

以2019年杜塞道夫橡塑膠展上德國知名射出大廠Arburg為例,透過整合生產線上所需的相關程序/設備及物料,隨著設定產品類型,像是:日用品、光學產品、電子用品、醫療實驗室用品,由電腦自動計算生產中每個環節所需要的物料及時間,從射出到產品各部件的自動化組裝、傳送及出貨都在一個製造單元(work cell)內完成。

‧預測性維護

透過蒐集設備機器上數據蒐集,且以自動化及即時方式蒐集,再輔人工智慧模型運算出設備機器的運作模式(pattern),預測警示提醒設備機器進行維護,而非傳統固定時間進行維護,而是以設備機器產生出的數據進行判讀,以提高生產稼動率、減緩停工造成的損失及延長設備機器壽命。

以2019年杜塞道夫橡塑膠展上奧地利射出機大廠Engel為例,透過自動化蒐集生產過程中的塑膠原料射出之流量、壓力及流速數據,導入人工智慧技術建立生產模型,進行預防性維護,增加機械設備稼動率,再輔以視覺化介面,即時呈現數據變化狀態,協助生產端對產品與設備機器管理。

未來發展

國際塑橡膠行業正大舉導入人工智慧技術,不論是機器學習或是電腦視覺應用。隨著驗證過程中,也意識到人工智慧技術能有效降低成本面對快速變化的市場需求,同時也能將人工重新配置至更有效益的位置。隨著驗證 (prove of concept, Poc) 結束,企業將會有兩種選擇,一為建立企業內部的數據科學部門,二為與外部數據技術公司合作,兩種所需投入的資源與時間皆不相同,視企業文化與需求而有所不同。

反觀台灣智慧製造案例看起來不多,其實不盡然,部分企業已開始著手投入資源與人力導入人工智慧技術,但卻希望以低調的方式進行超前部屬。部分企業還未踏出第一步POC階段,企業內部缺乏相關的導入概念、找尋應用外部資源合作的資訊,這也是近幾年政府推動方向,透過政府資源能夠協助人工智慧技術公司及應用企業兩造的驗證與媒合,讓更多的產業導入案例遍地開花,使得有更多可能性被發掘,進而加速台灣企業智慧化轉型。企業可向公協會、政府探詢人工智慧技術導入相關資源,包含驗證資源、提案補助等,透過外部資源,協助應用企業踏出第一步,完成第一個POC驗證,穩定企業智慧化轉型方針。

綜合而言,製造業導入人工智慧技術勢在必行也是未來趨勢,但在導入人工智慧技術之前,應用領域企業需先思考三個部份:

‧企業端人工智慧導入思維及相關人才準備

人工智慧技術並非標準化的服務,導入也並非一次到位,企業要擁抱新科技導入可能帶來的損失和風險,同時更應著重在相關能力的培養及面對變化的心態。

導入人工智慧技術及相關設備都只是轉型的開始,企業內部是否有具有相關的IT/AI人才,或者是長期配合的人工智慧技術團隊,隨著數據蒐集與變化協助優化AI演算法模型,並解讀過程中數據變化所產生的洞見,才能使人工智慧技術應用規模化。

‧明確的問題點及目標

根據CB Insights的首席分析師Deepashri Varadharajan受訪提到,每年入選AI 100的新創團隊,最重要的一項評估指標就是他們能滿足特定產業的需求,並且在各種情況下協助產業突破瓶頸。

換句話說,人工智慧技術是一項很棒的工具,可以解決很多問題,但卻非無所不能,更重要的是,人工智慧技術需聚焦在特定領域的特定問題上,才能發揮其最大的效益,也才能帶來價值。

‧已蒐集數據及進行標記

人工智慧技術的關鍵是透過訓練資料進行學習,使人工智慧技術能讀/看/聽懂人們的行為與準則,讓機器設備學會辨識正確與錯誤,進而輔助人們進行例行性、重複性工作處理,才能有效地進行正確的判讀及解決問題。

故企業在導入人工智慧技術前,是否已蒐集工作流程或產品資料?蒐集的資料品質如何?唯有運用高品質的資料教會人工智慧,他們才能真正輔助人們處理任務,反之,則可能引起更多的確認成本。

如上所述,塑膠製品企業導入人工智慧技術前須先內省企業資源及目標,才能有效推動企業智慧化這一條漫長道路,達到工廠智慧化競爭力提高優勢以應對市場變化