实战 | 智能制造与生产线工艺参数优化
AI在生产制程中的应用:
在数据智能和AI的大趋势下,生产制程中的一些环节,比如调配最佳工艺参数,可以借助AI技术得到很大程度的效率和效果提升。
智能生成制造与工艺参数优化背景
透过「人脑」跟「计算机」的双脑合作,当未来数据量越来越充足时,就能减少对人工知识的依赖,更快找出最佳的制程参数组合。
制程是制造业的共通需求,不论是高科技的半导体研发,或是传统产业如石化业的材料组合,又或是生医产业开发新药时的化合物组成,都会面临过程优化的问题。其中,制造过程里的“参数”就像食谱配方,通过调整不同组合,影响最终的产品规格、产能和良率。制程可说是影响产业创新的关键,考验厂商能否更快推出更具竞争力的产品,拉开与对手的差距。
然而过程参数的调整,极度依赖人工经验与知识,这一块过去被认为是神圣不可侵犯的地方,不是机器可以做到的;但当AI技术精进后,就大有可为。在以下两个方向可以用AI提高效率:运用人工智能找出最佳制程参数、善用小数据克服产业导入AI的瓶颈,加速实现智能制造。
运用AI找出最佳制造过程参数
以石化业为例,制程复杂,涵盖温度、压力、入料量、触媒溶剂添加比例等近20个重要参数搭配,再加上石化业的参数调整又有高度安全性考虑,如果调整错误甚至会引起爆炸,过去只能依赖人员经验,进行保守性调整。像这种多目标的优化过程,需提高生产效率,又要节省制程耗能,还要符合安全顾虑。
现在高效的企业研发团队可以根据几十万个仿真样本,先建立一个AI模型,再加入实际生产中少量的几百个样本数据,修正仿真误差,最终产出最佳参数建议。这类技术不仅能改善原有制程,更重要的意义是,能帮助业者探索从未接触过的制程参数组合。以某生物医药公司为例,运用这项技术后,能为企业节省3%的能源消耗,相当于千万以上的成本。
善用小数据克服产业导入AI的瓶颈
数据是训练AI的核心支撑,有效的数据量越多,分析和模式挖掘更精准;然而,数据量不足,是许多制造业者导入AI的瓶颈。例如,过去业界对于制程参数的调整,大多采用经验法则,逐一试验各种参数组合,这个做法不仅耗时费力,也极大程度提升了研发成本,当人才流失或培育不及时,许多公司也会面临知识断层的状况。
此外,在研发相关制程参数优化的同时,研发团队与制程工程师密切互动也很重要,必须深入了解产业中最重要的关键参数为何,或是哪几个参数存在高度关联性,让AI的判读更加准确;当分析结果出炉时,工程师也能协助以过去经验,初步判断AI的建议结果是否可行。
透过“人脑”跟“电脑”的双脑合作,当未来数据量越来越充足时,就能减少对人工知识的依赖,更快找出最佳的制程参数组合。
AI是提升制造业竞争力的最佳利器,在很多相关产业都可以有应用,例如石油化工行业、光电半导体行业、钢铁业、生物医药行业等。
有了AI当助手,各大产业就像是聘请了一位智慧主厨,随时都能端出优化的参数配方,加速实现智能制造。
扫下方二维码学习数字化转型项目: