文／林裕洋 本刊特約記者 圖／Shutterstock
面對消費市場需求快速轉變，多年前全球製造業積極邁向智慧製造，不過早期多著重於自動化與設備升級，以便能快速回應市場需求。隨著AI技術成熟，現今製造業轉型的重點不僅是「讓機器更聰明」，而是對整體製造流程的重構，每個環節都將因AI而重新定義，以便能強化在市場上的競爭力。
自2021年起，行政院積極推動「智慧機械2.0」，透過持續強化基礎工藝與專注系統智慧化技術提升，將產業從硬體研發創新，轉型為提供軟硬體整合解決方案的服務。此外，藉由雲端應用服務平台，提供業者所需的應用服務模組，並協助開發相關應用，同時投入前瞻科技研究與關鍵技術，引導業界邁向智慧製造發展。
智慧機械2.0上路
AI驅動工廠全面升級
相較於過去單純提升單機設備性能的做法，行政院積極推動的智慧機械2.0，更強調整體生產線的數位化串接能力，使設備、系統、資料與決策之間能即時互通。簡單來說，即是藉由AI演算法與即時感測資料的整合，讓工廠不再僅僅是被動執行生產指令，而是能夠主動分析、預測並即時調整製程狀態，進而提高良率、生產效率以及能源使用效益。
長期投入機械、機電系統、工具機等領域的工研院機械所，因應產業對工業4.0的強烈渴望，多年前即成立工研院智慧機械科技中心，致力於整合AI、工業物聯網（IIoT）、5G通訊、數位雙生（Digital Twin）與邊緣運算等關鍵技術，協助台灣製造業從以硬體設備製造為核心的模式，逐步轉型為具備軟硬體整合解決方案的智慧製造服務提供者。該單位至今已累積相當豐碩成果，自然也扮演著推動智慧機械2.0落地的重要角色。
為使技術能走出實驗室，工研院於台中精密機械園區以及南投中興新村等地，建立智慧製造技術驗證場域，提供工具機、精密機械與零組件業者進行實際測試與驗證。這些場域不僅作為展示中心，更扮演產業共同測試驗證平台的角色，讓中小型製造業者能以較低的成本接觸AI智慧製造技術，驗證導入效益並降低轉型風險。
AI串聯接單到售服
打造智慧製造閉環
融合AI技術的智慧機械2.0，有望為製造業帶來六大核心效益，構成從接單、設計、生產、加工、監控至服務的完整智慧製造閉環，六個面向彼此緊密結合並強化，共同支撐智慧工廠的整體架構。
首先，在智慧接單方面，AI系統整合歷史訂單、產能利用率、設備狀態與原物料庫存等多重資料，使業者能即時評估特定訂單的可行性、預估完工日期，並自動生成報價建議。
這讓接單決策從以往「憑感覺」轉變為「有依據」，有效降低超額承接造成的延遲交貨風險。其次，在AI設計方面，生成式AI大幅縮短了從需求分析到原型製作的設計流程，工程師的角色也從「從零開始設計」轉為「從AI產生的方案中挑選並微調」，更有助於突破人類在複雜多變數最佳化上的限制。
第三，在「效能生產」部分，AI動態排程系統能在察覺設備異常或訂單變動時，於數分鐘內重新計算全局最佳排程，遠優於人工重排通常需半天至一天的時間，大幅提升製造業者對市場即時波動的應對能力。第四，在「智慧加工」方面，AI透過分析主軸馬達的電流、振動與聲音訊號，實現刀具剩餘壽命的動態預測，使精準維護—即在刀具真正需要更換時才進行—成為可能，同時持續優化切削參數，在確保產品品質的前提下最大化加工效率。
第五，在「智能監控」部分，整合振動分析、熱影像偵測、電流分析等多元感測手段，AI能對工廠內的數十至上百台設備進行24小時全天候的健康狀態監控，並根據異常嚴重程度自動分級預警，告別傳統定期巡檢的低效模式。最後，在「精準服務」方面，透過於客戶設備上部署遠端監控模組，製造商得以在設備停機前主動聯繫客戶安排預防性維護，實現從「壞了才修」到「快壞前就修好」的服務典範轉移，並為設備製造商開創服務型商業模式奠定基礎。
打破資訊孤島
資料治理成AI轉型關鍵
製造業在推動人工智慧專案時，通常不僅僅是單一技術的突破，而是涉及多部門、多系統、多元資料來源的整合工程。其中，「資訊孤島」問題往往是最具挑戰性的瓶頸。關鍵在於生產資料可能儲存在製造執行系統（MES）中，品質資料則在品質管理系統（QMS）中，設備資料分散在各廠商的私有平台，財務資料位於企業資源規劃（ERP）系統中，而供應鏈資料又存在於另一套系統中。由於前述系統通常各自獨立運作，每次需要取得完整的經營概況時，往往需要不同部門分別匯出報表再進行人工彙整，不僅耗時且充滿誤差風險。
因此，工研院機械所在輔導廠商過程中，都會強調人工智慧轉型的成敗關鍵，在於是否建立完善的資料治理架構。這部分包含統一的資料採集標準、跨系統的資料傳輸整合平台、明確的資料所有權與存取權限管理，以及確保資料品質的自動化驗證機制。唯有這些基礎設施到位，人工智慧應用才能充分發揮其效益。
以專注於高精密金屬零組件與汽車關鍵零件製造的知名精密加工廠為例，過去面臨四大營運瓶頸。首先為「加工狀態不透明」，在CNC與精密切削產線中，設備長時間高速運轉，但刀具磨耗、微小震動變化或加工異常，難以即時透過人工察覺；其次是「設備停機成本高昂，且缺乏預警能力」，以往多半依賴固定保養或師傅經驗判斷，但此法無法應對不同批次、不同材料所造成的差異，易導致「過度維護」或「維護不足」的落差；第三點為「良率波動大且高度仰賴經驗」，如切削參數調整與刀具壽命判斷，多倚賴人工紀錄與經驗累積，數據未系統化整合，造成不同人員或不同班次間生產品質一致性難以穩定；最後則是「少量多樣化生產的壓力」，由於車用及工業零件客製化需求增加，換線頻率提高，每次換刀、換參數皆增加不確定性，進而提升生產管理難度。
在工研院的協助下，該公司智慧製造專案從「刀具壽命管理」與「加工品質監控」等兩大痛點切入，導入振動訊號分析與機器學習模型，建立刀具磨耗動態預測機制，實施後刀具使用效率顯著提升，不良品率也同步下降；並改以AI視覺線上檢測系統取代原有的抽樣人工目視檢查，使製程異常能被快速偵測並追溯根本原因。
隨著生成式AI、邊緣運算與工業物聯網持續成熟，智慧製造的發展已不再只是大型企業的專利，而是逐漸成為台灣製造業提升競爭力的必要選項。未來，當AI逐步深入工廠每一個環節，製造業的競爭關鍵，也將從過往的成本與產能，轉向資料運用能力、即時決策效率以及持續優化能力，智慧製造時代也將正式全面展開。
閱讀詳細資料
