智动化 / 文章 /

图1 : 为了提高现有机体、引擎生产效率4~5倍，同时兼顾稳定品质、降低成本等条件，投入智慧制造也成为台湾航太产业供应链的必经之路。 (摄影／陈念舜)

近年，全球航运需求火热，依Boeing、Airbus估计，未来20年全球商用客机市场将达到35,000~40,000架，创造6.3兆美元产值。且为了提高现有机体、引擎生产效率达4至5倍，同时兼顾稳定品质、降低成本等条件，投入智慧制造也成为台湾航太产业供应链的必经之路，其产值已正式突破千亿大关，期待2020年能达成2,000亿元里程碑。

图2 : 汉翔航空工业公司董事长廖荣鑫强调，该公司透过持续举办论坛，让国内外产学研各界有机会在同一频道中互通讯息，从全球趋势中找到创新契机与价值。 (摄影／陈念舜)

然而，汉翔航空工业公司董事长廖荣鑫在2018年举行的「台湾航太产业与政策论坛」上强调，必须透过持续举办论坛，让国内外产学研各界有机会在同一频道中互通讯息，从全球趋势中找到创新契机与价值；进而促使政府领头积极改善国内投资环境及减轻税赋，以提振台湾航太制造业的国际竞争力。

航太智慧机械制造论坛　链结上下游产业需求

当天应邀亲自来台的美国Eaton公司总裁Nanda Kumar Cheruvatah表示，现今智慧制造并非一夕剧变，或仅止于顾客驱动的智慧工厂。提高产能外，还须不断精进，缩短从接单到出货的前置作业时间OTD(Ordering- To-Delivery)。

趋势科技总经理洪伟?认为，现今智慧制造仍在起步阶段，制造业大概到了近年来才开始真正遭遇资安问题。尤其是2017年问世的新一代电脑蠕虫WannaCry，与传统病毒有别，系利用微软作业系统的漏洞快速感染电脑，经锁定特定工程师窃取帐号密码后加密资料勒索，将导致ERP/CRM系统、设备无法运作，如Honda、Nissan、Boeing、TSMC(台积电)都深受其害。

图3 : 趋势科技总经理洪伟?认为，制造业到了近年来才开始真正遭遇资安问题。尤其是新一代电脑蠕虫WannaCry将导致ERP/CRM系统、设备无法运作，如Honda、Nissan、Boeing、TSMC都深受其害。(摄影／陈念舜)

所以他建议制造业者：「当开始导入智慧制造整合IT+OT之后，系统从隔离到开始连网，首要调整的是面对资安的观念，而非技术问题！」

包含过去因为制程不透明(No Visibility)，每部机台的IT人员通常只管生产顺利，责任不明确(Unclear Responsibility)，且缺乏资安专业知识(Lack of Ability)；甚至有时为了提高资安，还须某种程度牺牲产能(Pursuit Productivity)；以及生产设备毕竟不像PC、OS的生命周期短暂，一旦更新恐影响后续制程稳定(Legacy Liability)等。

汉翔公司研发长吴天胜也展示该公司自2015年起结合内部生产、资讯部门，积极推动智慧制造成果，先主要聚焦于IoT、数位化议题，分为：智慧机台、智慧制造、智慧管理3大主轴，自主开发的iAIDC平台也荣获经济部颁发首届智慧制造金质奖。到了2018年才开始进入大数据分析领域，借提供学研界企业真实场域的大数据，以建立大数据分析和演算模型。

其中，为了让智慧化机台通过IoT连网即时监控，以有效预诊问题、防止错误及预测品质，分别针对以加工复合材料为主的沙鹿厂区、金属材料的台中机工厂、难切削金属(镍、钛)的冈山引擎机匣厂内机台连线，以规划不同加工模式下的工业4.0应用。

图4 : 汉翔公司研发长吴天胜展示该公司自2015年起结合内部生产、资讯部门推动智慧制造成果，2018年正式进入AI大数据分析领域。 (摄影／陈念舜)

智慧制造则用来即时监控、预测制程中的品质及精度，避免生产后报废或重工。吴天胜指出：「尤其是目前于加工航太业大量使用的复合材料时，遭遇到的最大问题就是无法在热压炉成化阶段，即时预测到温度变化曲线。」如今已能透过监控其加温器/风扇马达/冷却泵等设备，及早预测30mins成化趋势，并优化制程参数、发现异常，每炉至少能救下100~200万元损失。

此外，智慧管理系针对厂内整线智慧化指挥排程，再行即时监控/回馈整条生产流水线上不同车间的工作型态和瓶颈，加快生产节拍；进而导入机器人、AGV，协同搬运预浸布、蜂巢等物料，确保其品质、湿度、寿命不受影响，经下料排程节省耗损率，改良热压炉成化良率。

到了后段机制加工阶段，也会先经模拟加工，再导入机器人绕切或钻孔，以确保加工过程不撞机、延长超音波主轴的刀具使用时间；进而使得后续复材检验、分析产出报告，更为自动化。未来也将结合先进智慧决策中心，透过集中视觉化显示，得以多面向看问题、找方法，提高产能和节拍。

同时加速推动人机协作机器人中心，取代高污染、高危险、高疲劳性工作；并分别透过航太复材智慧制造领航计画，推动工具机业者开发国产机械设备；以及航太供应链3D数位协同制造转型计画等，对应Boeing、Airbus需求，现已认证138家以上的合格供应链厂商。

纵观30年来AI演进　产学架桥跨越鸿沟

值得一提的是，随着AI应用越来越重要，汉翔公司今年还首度邀请台湾人工智慧学校执行长陈升玮专题演讲，他回顾这2年来受重视程度还超越摩尔定律(Moore's law)的软体技术，就是机器学习(Machine learning)！其强调能让电脑从人类经验里淬取出规则的演算法，而不必像过去利用电脑找出辨识规则，往往很快就被层出不穷的特例淹没，进而可导入产业AI化。

陈升玮细数人类陆续从1950~1970年、1980~1990年以来，虽然AI目标一致，却几乎每30年便会经历一波关键技术演进。直到2010年开始兴起的「机器学习」技术。与过去最大不同处，在于使用者只须提供长期所需的充份资料(Data)，就能供电脑学习，并逐层(layer)自行衍生规则、特征，来提升分类与检测瑕疵的准确率，使得人脸辨识正确率接近98%~99%。

。

优点是让各行业对于专家的需求递减，而AI工程师的需求越来越多；但缺点就是如此复杂的规则和人类想像不同，而无法解释机器学习所产生的演算法。而近5年来蔚为主流的深度学习技术(Deep learning)，与Machine learning最大差别，就是能从后者自主衍生规则中找出特例(特征值)。

一旦电脑取得资料量不足时，采取较大范围的传统机器学习(Classical Machine learning)方法，会比Deep learning更适合；甚至当资料量为零时，还须回头仰赖专家口耳相传的规则(Rule based System)。惟若资料量大也代表模型将更为复杂，对于AI工程师素质要求越高。导致Machine learning目前虽已普及于各行各业，即将引领IT产业未来10~20年发展，企业若想扩大应用，仍须积极注入新血。

图5 : 台湾人工智慧学校执行长陈升玮借此，由业界出题让学界解决瑕疵检测、预测性维护、自动流程控制、原料组合最佳化等产业共通挑战。 (摄影／陈念舜)

陈升玮认为，如今要实现产业AI化的主要挑战可分为：缺乏资料基础建设、实战人才，少了前者提供足够资料量，就算有先进技术也无用；后者则在业界至今仍找不到具备5年Machine learning经验的专家，只能从学界挖角，却因为资源分配不均，同时存在着产学鸿沟。

「目前只有工程师懂得AI、Machine learning还不够，必须加入中高阶经理人，才能找出真正问题核心(痛点)。」陈升玮强调。

为了扩大能量服务台湾146万家中小企业，现也结合企业与学术伙伴投入成立财团法人科技生态发展公益基金会、台湾资料科学协会，并共同主办台湾人工智慧学校，分为技术领袖培训班、经理人周末研修班，由业界出题让学界解决。

包含于瑕疵检测、预测性维护、自动流程控制、原料组合最佳化等产业共通挑战中，便已透过Deep learning取代人工，协助将过去瑕疵检测的漏检率5%增至1~2%。也期望未来每年能培养出4,800~5,000位AI、Deep learning工程师和经理人，挥军制造及服务产业。