前言

       随着大数据、云计算、互联网、物联网等信息技术的发展，人工智能技术也实现了重大的技术突破，在各分支领域都有了蓬勃的发展。然而，技术发展得再精尖，如果不能带来实际的落地价值，也终究只能成为实验室里的一堆数据稿纸或深埋在计算机里的一堆不会被打开的文件，最终被人们遗忘。近年来，友达公司积极探寻AI在制造行业中研发、供应链、生产、销售等各业务环节的潜在应用价值。通过持续投入AI跨域人才的培养和专项项目的实施，友达已成功将AI技术全面融入生产运营的各个环节，构建了一种基于智能决策的新型智能制造运营模式。

       AI导入初期并不容易，经历了大量探索与试错，但在公司上下一致的数字化转型愿景带领下，随着各个工作场景越来越多的成功案例涌现，AI研发应用开始进入发展快车道，至今公司内部实时运作的智能决策AI模型就超过2,000支。相关落地应用涵盖制造各个环节，包含需求预测、设计研发、生产排程、品质预测、设备管理、安全管理、智能物流等方面。此篇文章将从两个AI特征出发，以一个个源于制造现场的案例，深入探讨人工智能技术在制造业中的实际落地价值，为业界提供最新的AI赋能智能制造的见解和资讯。

1 AI数据科学

       现行制造行业设备自动化程度越来越高，实时上传数以万计、百万计的数据，随着数据量快速倍数增加，基于统计学的BI商业智能已不足以充分释放数据价值，须进一步引入AI技术分析探索高维度，甚至超高维度数据，进行数据价值变现与分析技术边界突破。

       1.1 AI能够精准快速识别影响因子

       大量的优质数据可以利用AI快速找出问题中的影响因子，改善过往产线的沉疴问题，加速改善瓶颈的突破。通过AI技术的持续挖掘，有机会完全掌握制造过程中的所有影响因子，大幅降低无预警异常带来的损失。

       例如，在食品业尤其是乳制品行业的堵管问题，源自运送乳制品的管道温度不稳定，当温度过高，乳制品内的蛋白质与脂肪会凝固起来，堵塞了管道就会导致停线、拆管道、洗管道，这往往意味着巨大的时间损耗与成本浪费。问题的关键就在于要找到管道温度过高的影响因子，AI分析能助一臂之力。在实地案例中，AI识别出原料配比以及制程中特定阶段的温度温差设定问题是导致堵管的主要原因，企业从而可以确定具体的堵管温度阈值，从而有效避免了堵管现象的发生，并同步提升了乳制品的整体质量。

       1.2 AI能够实现最佳参数的高效推荐

       除此之外，当数据品质与数量足够完善时，AI还能实现最佳参数推荐，取代过往繁复耗时的DOE实验，大大提升问题改善效率，并将宝贵知识固化于模型中持续迭代。

       例如，在工厂PCB板制程中，当镀铜工艺遇到产品的迭代、更新、换线时，测试工程师都会都要重新寻找镀铜参数，经常调整四五次才能合规，导致后面负责量产的工程师们抱怨测试时间太长，压缩了他们的生产进度。但是，如果加速测试，品质又会不稳定。这个矛盾解决的关键就在于需要加速找到最佳参数的时间。AI可以通过系统整理历史数据，包括PCB板规格、电镀面积等关键参数，深入剖析这些资料背后的逻辑与相关性。基于这些分析，精准识别出各参数之间的内在联系，并据此构建出高度可靠的模型。该模型若具备自动推荐最佳镀铜参数的能力，就能使得测试工程师仅需输入PCB板规格等信息，系统便能迅速、准确地提供出最优的镀铜参数。在实际的实验项目中，采用该镀铜模型后，测试次数从原先的4次显著减少至2次，极大地缩短了测试周期，显著提升了生产效率。

       AI在寻找最佳参数方面的应用不仅限于PCB板制程，还可广泛应用于PHM（故障预测与健康管理）领域。PHM是一种综合利用传感器数据、运算模型和统计方法来预测设备、系统或组件未来故障的技术。在PHM中，AI技术能够分析海量数据，精准预测设备故障的可能性。

       例如在面板切割装备中，相较于机械手臂、电机、齿轮这类装备的使用寿命，刀轮的寿命非常短，大概一隔月要换3把，更换频率非常快速，是生产中的关键部件。当切割刀轮随使用时间拉长，就会开始出现刀轮损坏，从而造成产品切割异常，过往仅能通过设定刀轮使用时间提早更换，但却会造成刀轮耗损成本快速提高。

       现在，则可以通过AI技术基于次品发生率，找出最佳使用里程数。目前已能有效识别出刀轮健康状况与最佳更换时点，在成本与品质间找出最佳平衡点。而此做法可同比应用于关键生产设备的管理，通过提前预测设备故障时间节点，提升生产效率也避免关键设备突发异常造成产能与产品巨大损失。

2 AI深度学习

       深度学习通过模拟人脑的神经网络结构，实现了对数据深层次特征的学习和理解。深度学习在工业中的应用场景非常广泛，几乎涵盖了所有需要处理和分析复杂数据的领域。例如，自动化检测、预测性维护、安全管理、供应链管理、智能化决策等等。

       2.1 自动化检测

       深度学习可用于自动化生产线上的缺陷检测和质量控制。例如，通过训练深度学习模型来识别产品表面的缺陷或瑕疵，可以实现高效的自动化质检，提高生产效率和产品质量。此外，深度学习还可以用于机器视觉中，通过图像识别和处理技术来检测产品的质量和合规性。

       2.2 预测性维护

       深度学习可以用于预测设备的故障和维护需求。通过分析设备运行的历史数据，深度学习模型可以预测设备的寿命和可能发生故障的时间，从而提前进行维护和更换，避免生产中断和损失。

       2.3 智能决策

       深度学习可以应用于智能制造领域，实现生产过程的智能化和优化。例如，通过深度学习模型对生产数据进行分析和预测，可以实现生产计划的优化、资源的合理配置和能耗的降低等。

       2.4 供应链管理

       深度学习可用于供应链管理中，通过对历史销售数据、库存数据等进行分析和预测，实现库存的优化管理和供应链的智能化调度。

       2.5 安全监控

       深度学习在工业安全监控中也有广泛的应用。例如，通过深度学习模型对监控视频进行分析，可以自动识别异常行为和安全隐患，从而及时采取措施保障生产安全。

       以智能摄像头为例，在各制造环节中均存在诸多随时可能发生的不可控因素，造成生产、品质甚至是工安类重大异常。这些问题以往通常无法管理或是需大费周章派人紧盯现场监控，现在通过AI技术，我们可以快速将摄像机中的视频数据进行实时分析，一旦AI程式侦测到异常就会即时报警。如此可大幅提升管理效能，从被动式事后管理快速升级为主动式24小时全时管理。

       例如，在生产领域，热陶瓷行业中对滚烫股流偏移及断流的监测，或是面板行业中对Plasma火焰熄灭导致的清洁不良等问题的检测，智能摄像头均能提供及时且精准的反馈，有效解决了传统人工巡检难以迅速发现和处理的问题，极大地减少了人员疏忽带来的品质风险。

       在厂区安全管理上，智能摄像头同样发挥了巨大作用。通过智能识别技术，它能够准确检测绿灯的亮起、行人的通行，及时警告违规提前发车的车辆，并提醒低头玩手机的员工注意四周来车与走斑马线，成为保障厂区安全的得力助手。

       不仅如此，在品质把控方面，智能摄像头也展现出了其独特的优势。它能够监测产品是否存在缺陷，同时精确记录作业员的作业步骤，确保每一个生产环节都符合标准，为品质控制提供了强有力的技术支撑。

       智能摄像头凭借其多元化的应用场景和卓越的性能，已经成为现代工业生产、安全管理和品质控制中不可或缺的重要工具。

3 总结与展望

       综上所述，AI能为制造企业带来的能力边界突破与业务创新赋能是显而易见、潜力巨大的。随着数字经济的持续发展，诸多数字化技术，包含人工智能技术已成企业转型必选题。而企业领导人在此过程中担任关键角色，需建立持续拥抱新技术、拥抱AI的创新文化，从单点探索逐步走向全民AI，并于过程中帮助员工同步提升个人数字化能力，利用新技术改善每个业务单位的工作效率与工作流程，通过研供产销各业务的全面优化，继而实现降本增效、提质转型的目标，创建AI赋能的新型智造运营体系。