關於 水平整合舉例 ，我們在網路上蒐集到這些相關的討論、資訊與評價

《教練的大腦》

這一本書其實是一本關於大腦結構與功能的科普書

教練“Coach” 的定義是協助客戶找到內在價值, 賦能激勵, 以及打造新行為, 並協助客戶解決自身的問題. 但是由於很多時候我們的思維深受大腦活躍狀況的影響, 因此本書的前面一半 (也是我讀的最痛苦的一半), 作者為我們介紹了大腦不同區塊的功能, 因此在與客戶的互動過程中, 對於他的一些反應, 思路, 與情緒, 就可以有更深一層的理解, 同時也讓教練本身可以更高效地利用特定的溝通技巧來協助對方. 例如, 在與客戶討論如何建構一個新習慣時, 如果預先知道大腦哪一些部位會對於新習觀產生影響之後, 就可以基於這些信息來確認制定課程的方向

我們很快地認識一下大腦的區域與其功能：

1. 前額葉皮層：是腦部的命令與控制中心, 負責注意, 處理外部信息, 是大腦最高層級的認知部位. 在進化過程中, 屬於最後發展出來的部分 (靈長腦). 這個部位涉及： 執行, 計畫, 決策, 串連思想與行為的一至性與調節社會行為. 而在壓力之下, 這個區域的運作會大打折扣
2. 基底核： 負責認知與情感, 多巴胺是這個部位最重要的訊息傳導物質. 正向的行為成功以及健康的生活 (飲食與睡眠) 有利於多巴胺水平的提高, 對於行為改變有正向的效果
3. 紋狀體和伏隔核： 紋狀體可以說是大腦皮質與基底核的中繼站, 將皮質接收到的訊息往內傳導到基底核, 而伏隔核則是與快樂, 獎賞, 衝動與安慰的效果有關. 教練可以在與客戶溝通的過程中, 給予適當的回饋, 激發他的動機, 並且瞭解他的價值觀, 透過正確的目標建立方式 (SMART) 讓他維持鬥志
4. 島葉皮層： 左右腦各有一個島葉, 負責控制內臟與軀幹的感覺. 島葉又與杏仁和緊密連結, 負責影響人類的情感, 知覺, 意識, 管理認知功能與人際關係. 根據科學研究發現, 有冥想習慣的人右島葉會較厚, 專注力也更強.
5. 杏仁核： 為邊緣系統的一部分, 與情緒的產生有著重要的關係, 在面對”戰或逃” 的威脅時會特別活躍, 而在極度專注時會穩定的運作. 因此教練對於客戶創建積極體驗, 與克服對某件事的恐懼感方面需要特別的注意
6. 前扣帶皮層： 負責處理衝突與檢測錯誤. 前扣帶皮層會將錯誤與獎勵結合, 並開發出有價值的選項. 在人們極度疲勞時, 前扣帶皮層功能會下降. 因此教練應該要不斷觀察客戶的疲勞程度與壓力控管技巧, 以幫助他們可以在正確的時機做出正確的判斷
7. 下丘腦： 下丘腦是人體內分泌的中央控制塔台, 在動物的實驗中, 激活了白老鼠的下丘腦, 令牠們的平均壽命增加了20%. 反過來說, 假如焦慮, 壓力, 不良習慣, 與睡眠障礙都會抑制下丘腦的運作. 因此客戶在生活中的其他層面也是教練需要關注的重點
8. 海馬體： 整合信息, 儲存短期記憶. 與杏仁和共同為邊緣系統的一部分. 在憂鬱症與老年癡呆症患者的大腦中發現海馬體嫉妒的萎縮, 而近年發現, 學習, 有氧運動與冥想都可以有效地增強海馬體的功能與體積 (反之, 過高的血清皮質醇的濃度則對海馬體有害)

接下來是相關的賀爾蒙：

1. 皮質醇： 又稱可體松, 大家應該對他耳熟能詳了. 皮質醇在面對威脅時會釋放, 其功能在利用血糖, 提升血壓與心率, 降低疼痛感. 一般來說, 皮質醇水平在清晨接進清醒時會逐漸升高, 在晚上睡眠時會降到最低. 但是假如客戶長期處於高壓的狀態之下, 則會導致皮質醇高居不下, 近一步產生心理與生理的傷害. 教練應該需要與客戶仔細討論壓力源, 以漸少皮質醇的反應. 有新研究發現, “笑” 是一項降低皮質醇最有效的武器
2. 多巴胺： 主導思維與行為, 情感, 與獎賞. 而一般對於某件事物的成癮, 也與多巴胺有關. 由於多巴胺的釋放會讓人在即刻體驗到愉悅感, 因此在面對某些決定時, 大腦會驅使人們做出短期就可以立即獲得好處的決定. 而打造一項新習慣時, 可以將客戶喜歡的行為放在要建構的新習慣之後, 當作一個獎勵, 那麼這個新習慣的執行就會讓客戶更加的有動力, 這一點在 “原子習慣” 一書裡面也有提到
3. 催產素： 會讓人產生幸福感與信任感. 由腦下垂體分泌, 可以降低血壓與焦慮, 增加積極的社交行為 (與皮質醇是反向效果). 催產素有抑制杏仁核活躍的效果, 並可以預測威脅, 調節恐懼. 在和諧的人際關係中, 可以提高催產素的水平, 近而提升彼此的信任感 (反之亦然). 所以創造一次令人愉悅的交談, 可以大大提升彼此的合作默契, 我們也可以與客戶思考, 如何實際應用在工作與家庭之中
4. 腎上腺素： “戰鬥與逃跑”反應的主導者, 與皮質醇不同的是, 腎上腺素是速效激素, 強烈影響交感神經的運作. 腎上腺上的釋放會讓人產生鬥志, 燃起動機, 與皮質醇不同. 我們應當與客戶討論, 如何看待一的壓力, 如果把它視為一個挑戰, 那麼腎上腺素水平會提升, 但是假如把它視為一個威脅, 皮質醇水平則會變高
5. 血清素： 由色胺酸組成的神經傳導物質, 是讓人類產生幸福感的最主要賀爾蒙. “感恩”是一個提升血清素最好的方式, 而教練可以帶著客戶來探討未來理想的生活場景, 以增強他們對於幸福的渴望
6. γ-氨基丁酸與谷氨酸：γ-氨基丁酸可以使人平靜, 幫助睡眠; 而谷氨酸則會讓人產生興奮, 並參與記憶與學習的過程. 研究發現, 在壓力極大的人們大腦中, 由於高濃度的皮質醇水平, 谷氨酸也會跟著提升, 而γ-氨基丁酸跟著下降, γ-氨基丁酸不足也與物質濫用和憂鬱症的形成有關

我們的大腦細胞神經元具有可塑性, 根據我們的思考, 決策與行為, 會強化或是弱化某一些神經連結. 例如, 有些讓你不順心的事情, 越是放在心裡, 越會揮之不去, 因為反覆回想這一件事會強化跟這一件事相關的神經連結, 連帶讓大腦相關的區域與賀爾蒙開始運作; 反過來說, 如果我們可以對一件正面的事物不斷地重複思考, 也會提升我們對於這一件事情的主導. 王導電影 “一代宗師”的台詞：念念不忘, 必有迴響就是最好的說明. 除了思考模式, 舉止, 習慣,以及環境都會影響神經通路與突觸的變化. 所以我們對於客戶的行為改變, 不能只停留在口頭上的曉以大義, 必須要與他外在面對的整體一起考慮

在1960年, 腦科學家米勒提出了“工作記憶”的概念： 人類的大哪只能同時控制7個加減2的任務同時執行, 因為海馬體的短期記憶容量有限. 因此假如在學習新事物/行為時, 給予太多任務, 不但會讓人記不住, 反而會引發客戶的過度焦慮與分心, 另一方面, 如果我們無法專注, 近一步會影響我們的工作記憶. 也就是說如果我們急於求成, 一下子跟客戶訂定太多計劃, 或是給予過多的指導, 反而容易導致他們不擔心的沒學到, 舊的也忘光光. 所以計畫的擬定與執行的節奏非常重要

在本書中, 作者提及關於教練技術 “Coaching Skill”方面提出了幾個最重要的部分, 我也覺得很受用：

意志力： 意志力雖然會因為客觀因素所影響, 但是可以被增強的. 我們可以在客戶狀況好的時候給他一個挑戰, 有效提升他的自信心, 有助於強化意志力
習慣： 請客戶分享覺得過去阻礙他們成長的幾個習慣, 以了解困擾他們行為改變的障礙在哪裡？ 然後, 利用可行的方法逐步打造新的習慣, 並且妥善利用刺激控制的技巧
樂觀： 鼓勵客戶以積極視角自我的改變, 但是提醒他們有可能因為過度樂觀所忽略的細節
目標：探索價值觀, 建立具體的目標, 透過GROW溝通技巧, 以打造SMART的步驟
正念： 關注當下, 以第三者的視角來看待自己的問題, 客觀的分析狀況. 正念引導可以提升專注力, 減輕壓力, 並獲得更好情緒掌控能力 (練習冥想)
心流： 幫助客戶認識 ”心流”, 並探索他們可以觸發心流狀態的事物
動機： 在TTM模型裡面, 一在強調了動機的重要性, 而科學家也發現, 激發客戶的動機可以大大提升他們多巴胺的釋放. 因此在建立任何新習慣之前, 花時間探索動機是一件非常必要的課題

這本書裡其他的章節, 討論了如何將上述一些重要概念串聯運用, 同時也說明了大腦不同的區塊是如何的相互合作會是對抗.. 這本書好的地方是把大腦的功能性解剖與教練工作連結在一起, 讓我可以有另一個層面的了解. 缺點是裡面舉例的很多心理學實驗, 要不是只是提到名字, 要不是只有簡單的描述, 讓我沒辦法100%的知道這些實驗的全貌, 比起理論,這些實驗才是最有意思的！ 算是我認為這本書美中不足的一點

【中鋼AI現場2：如何靠微米級控制力年省成本千萬？】熱浸鍍鋅AI應用大解密

微米級鍍鋅厚薄如何控制的恰到好處？既要賦予足夠耐蝕性，又要不超量用鋅降成本，秘訣是用AI達成精準生產控制，再用影像辨識找瑕疵，維持鋅層表面品質

文/翁芊儒 | 2021-03-04發表

攝影／洪政偉

生活中隨處可見鍍鋅類產品，凡是有耐腐蝕需求的鋼鐵加工製品，包括作為建材使用的浪板、擔當汽車門面的汽車鈑金、每天都要打開的電冰箱，還有高階電腦伺服器外殼、傢俱、彩色底板、滑軌、風管等等，都可能是運用中鋼的熱浸鍍鋅鋼捲，加工製作而成。

熱浸鍍鋅鋼捲，是中鋼的塗鍍產品中的其中一項，年產量約有87.5萬噸。中鋼軋鋼三廠第二熱浸鍍鋅課課長羅萬福就指出，每一批出產的鋼捲，都需根據中下游客戶需求，客製化調整鍍鋅膜厚，或是進行化成處理，在鋼捲表面進行鉻酸鹽、耐指紋處理等動作，來因應不同加工製品所需的特性。

比如說，部分高階電腦、伺服器的外殼，不會再進行烤漆，而是直接裸用鍍鋅後的鋼片，對這些廠商來說，就會要求鍍較薄的鋅層，才能維持產品表面品質美觀。相對來說，生產建材浪板的廠商，對鋼捲表面品質的要求就較低，而且考量到浪板恐架設在環境不佳的地方，反而要用越厚的鋅層，來製造高耐蝕性的產品。

由於不同客戶要求的鍍鋅模厚都不同（內行說法會用鍍鋅模重，以「公克／每平方公尺」來計），如何精準控制鋅層厚薄，就成為中鋼熱浸鍍鋅廠的一大挑戰。

中鋼技術部門代理副總經理鄭際昭指出，不同產品有不同規格的鍍鋅膜厚，若鍍的太多、高於客戶需求的厚度，由於鋅是高成本的原料之一，就會造成成本的浪費；若鍍鋅層不符合產品規格，又將導致客戶無法使用或加工後續問題，造成品質客訴。「如何控制的剛剛好，讓客戶審核過關，又能省成本，這是我們的目標。」

開發控制鍍鋅膜厚的自動調參AI，年省成本1,600萬元

為了更精準控制鍍鋅膜厚，來減少生產浪費，中鋼用AI開發了控制鍍鋅膜厚的製程調參AI，試圖解決製程中的大量複雜參數，如何影響鍍鋅膜厚的問題。這類製程調參AI，也正是製造業最典型的AI應用之一。

鄭際昭解釋，要將鍍鋅厚度控制的恰如其分，並不容易，因為鍍鋅層厚薄的生產參數，包括氣刀開口大小、與鋼帶的距離、氣刀的氣壓、鋼帶厚度、鋼帶溫度、產線速度等多重變因，都會影響鍍鋅膜厚。

過去，這些複雜參數的調整，都靠老師傅的經驗來人工調參，羅萬福表示，由於不同老師傅之間又有不同的經驗法則，雖然留存了一本本抄滿生產參數的筆記，但後人看不懂也難以吸收，造成經驗傳承的斷層，「這對於面臨員工退休潮的中鋼來說，是很大的問題。」

而且，過去調整完參數後，需要等鋼帶經過100～200公尺的冷卻，才有辦法進行線上鋅層厚度量測，若量測當下發現鋅層過厚或過薄，回頭調整生產參數時，中間就已經多生產了上百公尺的鋼捲，換句話說，從參數調整到成品量測之間，存在冷卻的時間差，「中間多鍍的鋼帶，就會造成浪費。」鄭際昭說。

為了克服這兩大問題，中鋼約從2年前開始投入製程調參AI的研發，先自動化蒐集生產參數，累積上萬筆大數據資料後，建立了一個AI模型，來歸納在不同參數組合下，所造成的鍍鋅膜厚變化。

去年初上線這項應用後，將參數帶入AI模型中，就能即時預測出鍍鋅膜厚，雖然比不上直接量測的數據精準，但是，以此來即時修正生產參數，能避免冷卻期間造成的鋅層浪費，對於鍍鋅膜厚的控制，也比人為設定更準確。

羅萬福指出，傳統人工調參仍然有約20%會失準，但投入AI後，約只有3%結果失準，準確率達到97%左右，更能減少約4.5%的鋅層的浪費。換算下來，一年就能省下1,600萬元的成本，帶來上千萬元的效益。

建立檢驗區瑕疵辨識AI，降低人工目檢負擔

除了鍍鋅膜厚的生產控制面臨挑戰，熱浸鍍鋅廠的另一大難題，則位於檢驗室中，以人工檢測鍍鋅鋼捲的表面缺陷時，具有一定程度的漏檢率。

實際走訪檢驗室，可以了解到員工過去要查驗鋼捲，需要在快速傳輸的鋼帶上，識別出鋼捲表面的缺陷，而且，不只要識別鋼捲單面的缺面，更要透過鏡面反射，同步識別雙面的缺陷，格外考驗員工眼力，「所以我們都找年輕人來看，眼力比較好。」羅萬福笑著說。

但是，人力識別缺陷的方法，仍有其侷限，除了不是所有缺陷都能肉眼識別，人也一定會眨眼，無法不間斷盯著鋼捲檢驗，加上鋼帶一直在動態傳輸，都提升了識別缺陷的難度。羅萬福舉例：「以前比較誇張的狀況，檢驗員還會因為沒有檢查完全，把鋼捲送到處理線慢慢看，但這樣會增加出貨的時間，造成產線的負擔。」

為此，中鋼導入了另一個同為製造業的典型AI應用，訓練出瑕疵檢測模型，透過影像辨識技術，在即時的鋼帶影像畫面中自動標記缺陷的位置、形狀、大小、嚴重程度，抓出缺陷後，再經由人工複查是否確實。換句話說，過去要由人工全檢所有鋼捲的查驗流程，現在能以AI自動辨識來取代，人工只需複查經AI標示出缺陷的鋼帶區域即可，不僅大幅省下查驗人力，更提升了缺陷識別的的準確率。

羅萬福指出：「過去用人工檢驗，會有一定的漏檢率，可能5%～10%，真的很難每一個缺陷都看到。」但在加入AI後，幾乎不再發生漏檢，瑕疵辨識準確率提升到95%以上，進一步提升了鋼捲品質。

人工查驗除了有漏檢的風險，更大的問題，則是在於沒有一套記錄的機制，將鋼帶表面的查驗記錄保存下來。

「以前遇到客戶說，在100公尺的地方有一個缺陷，你們怎麼沒看到？我們就只能認了，因為沒有記錄。」羅萬福指出，沒有記錄機制，就無法得知缺陷到底是發生在自家工廠，還是客戶的工廠中。

但現在，透過AI檢查鋼捲表面，自動標示出缺陷位置與種類後，將這些紀錄留存下來，未來遇到客戶反應類似情形，就能提供當初查驗留存的缺陷地圖（Defect Map），來證明工廠出貨時的品質無虞。

「所以我們不只是導入AI，還把整套記錄建立起來。」羅萬福說。

目前，檢驗區的瑕疵辨識AI已經在去年正式上線，但這項技術，還不足以完全取代人工查驗，除了缺陷處需人工複查，部分非表面瑕疵的缺陷，比如鋼片側面成波狀等形狀缺陷，還是需要靠人眼來識別。

進料區也設瑕疵辨識AI，找出上游廠缺陷鋼捲

除了在後段的檢驗區導入瑕疵辨識AI，中鋼也正在將該技術導入前段進料區。這是因為，部分在後段檢驗到的鋼捲表面瑕疵，可能不是在熱浸鍍鋅廠造成，而是在前一廠區製成鋼捲時，就已經生成。

羅萬福指出，一般來說，鋼品表面的缺陷可能是在傳送鋼帶的過程中，因下方滾輪沾附不明物體，而在鋼帶表面殘留印跡，「不外乎是壓痕、刮痕、或是一些污染，」當發現這些缺陷，就得去找出造成缺陷的來源，並確實清除乾淨，確保下一捲鋼捲的生產過程不會留下缺陷。

然而，在後段檢驗區查驗出缺陷，回頭在製程中查找缺陷來源時，若缺陷並不是在熱浸鍍鋅廠區生成，可能需要花費更多時間來判定缺陷來源。不只如此，熱浸鍍鋅產線從頭到尾大約要經歷2,000公尺的加工運送，若是在前一廠就已經產生嚴重缺陷，原本就不合格的鋼捲，又多進行了近2,000公尺的製程，對鍍鋅原料來說也是種浪費。

「如果可以在進料區就先檢測出來，就能馬上可以判斷，這一捲鋼捲還要不要繼續生產。」羅萬福說。

而且，越早發現缺陷，也能越快通知上游工廠找出生產流程的問題，不只能避免產出更多有瑕疵的鋼捲，快速撤查出同一批生產的瑕疵品，也能減少其他下游廠誤用瑕疵品的可能性。

因此，中鋼正在開發前段進料的瑕疵辨識AI系統，但不是只用於找出缺陷而已，而是要與後段檢驗區瑕疵辨識系統所拍到的畫面，進行整合比對，來檢視前端所發現的缺陷，是否就是造成後段缺陷的原因，藉此建立缺陷演化分析的AI模型。

這個AI模型，能用來判斷進料時不同類型的瑕疵，經鍍鋅製程後是否還會留存下來，當模型越準確，就能判斷前段缺陷的危害程度，來節省更多的浪費。

「這就是我們的產業專業知識，去定義出這個缺陷類型是不是刮痕、這道刮痕鍍鋅後還能不能看得見、這捲鋼捲能不能繼續生產？」羅萬福說。

羅萬福表示，若在後段檢驗區發現鋼捲瑕疵，一噸鋼捲就要損失200美元以上，一捲鋼捲約20噸重，換算成臺幣，就會損失12萬元以上，「能即時找出缺陷，預先判斷要不要繼續生產，就是成本控管的關鍵。」

若用一句話來解釋熱浸鍍鋅方法，就是將鋼捲放入鋅槽，使其雙面都沾附鋅液，讓鋼片表面附著一層薄薄的鋅，能耐腐蝕。不過，實際上要生產出一捲捲數噸的熱浸鍍鋅鋼捲，需要經過一連串複雜的處理流程，先後進入進料區、退火區、鍍鋅區、調質整平區、塗覆區、檢驗區、出料區，才能完成熱浸鍍鋅的作業。

中鋼開發的AI應用，位於生產流程中的進料區、鍍鋅區與檢驗區。在進料區與檢驗區，運用了AI瑕疵檢測技術，來取代部分人工查驗作業，在鍍鋅區，則運用了AI製程調參的技術，找出不同生產條件下的最佳化製程調參作法。

１ 進料區：進行的解捲、剪裁、焊接的步驟，先運用解捲機，將入料的鋼捲攤開，剪裁後，再利用焊接機，把兩個鋼捲接在一起，形成一個連續鋼捲，類似於將兩個捲筒式衛生紙的紙面連起來的樣子。

2 退火區：透過溫度變化，達成特定產品所需的機械性質，比如高強度鋼，需要在特定製程條件下才能生產而成。

3 鍍鋅區：鍍鋅區主要配備一個鋅槽，並透過氣刀來將多餘的鋅液刮除，藉此來控制鋅的膜厚（公克／每平方公尺），中鋼可生產單面每平方公尺40～200公克的熱浸鍍鋅鋼捲，越薄的鍍鋅層，用於越高階的產品，也越考驗鍍鋅的技術。

4 調質整平區：運用調質軋延機將剛鍍完鋅的光滑鋼板，依據客戶的需求，加上特定的表面紋路，比如部分要求高粗糙度的鋼板，就會以調質軋延機賦予特殊的表面。

5 塗覆區：在鋼品表面進行特殊處理，比如在用於家電外殼的鋼板上，進行耐指紋處理；又或是在用於抽屜滑軌的鋼板上，塗上高潤滑塗劑，確保鋼板能承受超過一萬次的拖拉。

6 檢驗區：查驗每一捲鋼捲表面是否有瑕疵。檢驗室內設置了鋼捲的垂直檢驗區及水平檢驗區，前者需透過鏡面反射，同步識別鋼捲雙面缺陷，後者則能從不同角度發掘瑕疵。

7 出料區：依據客戶對鋼捲寬度與重量的需求，將鋼捲裁邊修改成特定尺寸，再分捲成不同噸數的鋼捲，或是將鋼捲焊接成超過原尺寸的鋼捲來出貨。

AI瑕疵辨識如何取代人工目檢

作業流程？

實際走訪檢驗室，可以了解到員工過去要查驗鋼捲，需要在快速傳輸的鋼帶上，識別出鋼捲雙面的缺陷。但是，過去的作業流程，存在一定漏檢率，更可能因為沒有檢查完全，把鋼捲送到處理線重複檢驗，而延遲出貨時間，造成產線負擔。（如圖示：人工目檢1、2）

導入AI後，透過影像辨識技術，員工現在已經可以坐在控制室，看系統自動抓出鋼捲表面缺陷，再進行人工複查。如此一來，不僅大幅省下查驗人力，更降低了缺陷識別的漏檢率。（如圖示：AI作法1、2）

除了在檢驗區導入，中鋼也正在開發進料區的瑕疵檢測AI，要提前檢驗出上游鋼廠造成的瑕疵，攔截瑕疵品進入產線加工，來減少鍍鋅原料浪費。（如圖示：AI作法3）

人工目檢１

人工垂直檢驗鋼捲

人工目檢２

人工水平檢驗鋼捲

AI作法１

以攝影機蒐集鋼帶表面影像

AI作法２

系統自動標示缺陷位置與種類

AI作法３

訓練進料區瑕疵辨識AI

附圖：過去得靠老師傅依據經驗法則來人工調參的作法，現在已經看不到了。以前，老師傅需將每一次的參數設定抄寫到筆記中（如圖所示），但現在透過AI，能更精準掌控特定生產參數下的鍍鋅膜厚。（攝影／洪政偉）
圖解熱浸鍍鋅生產流程
攝影-洪政偉
過去要查驗鋼捲，員工需要在快速傳輸的鋼帶上，識別出鋼捲表面的缺陷，且不只要檢查單面，透過鏡面反射，還得同步識別鋼捲另一面的缺陷。圖為垂直檢驗區的實際檢查流程。（攝影／洪政偉）
除了垂直檢驗，查驗人員也需水平檢驗鋼捲，從不同角度發掘鋼捲表面缺陷，比如沖模過程中，可能產生類似於污點的缺陷，即可在此檢驗出來。（攝影／洪政偉）
為了取代人工目檢，中鋼將攝影機裝設在垂直檢驗區的鋼帶底部，也就是圖中綠色雷射光點的位置；拍攝到的鋼帶表面影像，則會顯示到控制室的螢幕畫面中，同步進行影像辨識來查找瑕疵。（攝影／洪政偉）
在控制室內，員工可以直接從螢幕看見鋼捲表面檢查情形，若AI偵測到任何瑕疵，系統會同步標註出缺陷位置、形狀、大小、嚴重程度，提供明確的缺陷資訊，節省人力目檢的負擔。（攝影／洪政偉）
左邊螢幕是檢驗區瑕疵檢測系統，右邊螢幕則是進料區瑕疵檢測系統。目前，中鋼正在開發進料區瑕疵辨識AI，更要藉由與後段瑕疵辨識所拍攝畫面的比對，來建立缺陷演化AI分析模型。（攝影／洪政偉）

資料來源：https://www.ithome.com.tw/news/142941

打造垂直貫穿OT、IT層的AIoT智能工廠

2021-03-10 11:55 聯合新聞網 / CTimes零組件

【作者： 台達機電事業群】

提到AIoT，多數人最先想到的就是AI運算與物聯網（IoT）。台達以多年豐富的「智」造經驗和深厚的軟、硬體實力，從不同的角度切入AIoT的應用，深度剖析如何從設備的控制、感測導入AI和IIoT技術，真正打造貫穿設備層（OT）和資訊層（IT）的AIoT整合方案，並透過自身成功經驗，協助客戶落實AIoT的建置升級。

在各行業數位轉型的時代，設備、製程、產線正在不斷的進步，各種過去可度量的、不可度量的資料和記錄，都在快速地轉化成數位資訊，進而產生大量的數據。為了收集這些數據資料，物聯網的需求也日益提高。

此外，除了收集數據，後續還需進行逐一分析、歸納、解析，產生有效的系統化資訊提供給執行單位做為決策判斷。然而現代設備日益精密，資訊量的成長速度遠超出人類可以學習判斷的能力，因此造就人工智慧（AI）的發展應用。當AI與物聯網（IoT）結合，即形成謂的AIoT（AI + IoT）。

隨著近年智能製造潮流引領工廠、產線、設備升級，AIoT已從概念開始落地應用。台達已針對設備聯網推出許多軟硬體產品，也將相關技術和設備導入自家產線，打造數位化、可視化的機台與產線。在AI方面，台達也已成功將AI技術應用在外觀檢測、馬達異音辨別和檢測，大幅將漏檢率降至趨近於零。透過聯網，可將AI檢測know-how快速複製到不同產線、廠區，後續亦持續推廣至其他的應用需求。

但要真正落實AIoT，必須從工廠中最小的單位 – 設備的控制、感測元件開始導入。而其中AI、IIoT（Industrial IoT；工業物聯網）分別扮演不同的角色、發揮各自功能，並串連、整合成一體化的方案。

串連數位及物理世界 打造虛實整合的工業物聯網

IoT可說是AIoT的基礎。在智慧工廠的應用領域中，整體系統的可靠度及響應速度要求較高，所應用的物聯網平台需加上工業應用規範，因而被稱為工業物聯網、即所謂的IIoT。

不論是1989年的CIM（Computer Integrated Manufacturing）參考模式，還是2011年工業4.0 （Reference Architecture Model for Industrial 4.0；RAMI 4.0），要完成工廠數位轉型，最基礎的仍是車間的數位化。經由各種IT技術將生產及檢量測設備所輸出的資訊收集與分析，產生有效的決策資訊，提高工廠的管理能力，減少不必要的人力、物料成本浪費，將投資效益最大化。

製造型企業的數位轉型，需要將資訊流貫穿車間的垂直及水平二個面向：在垂直面向，包含最基礎的工控元件、製程設備、數據收集、向上串接製造執行系統（MES）；而水平面向則涵蓋整個製造流程，由ERP訂單轉工單至最終的成品出貨。要整合這垂直及水平的資訊，IIoT是最重要的關鍵。

在工廠製造產品的過程中，設備層（Operation Technology；OT）會大量產生各式的資訊，最主要的包括：製程的動態資料（Process Data），例如生產過程履歷、機台工程參數（Engineering Data），以及資產的靜態資料（Asset Data），例如機台設定參數、在製品的檢量測結果等。

至於串連IT與OT層，需要由工控元件的連線能力（Connectivity）開始探討，包含感測元件、驅動元件、運動控制、工業用通訊模組等。將這些具有連線能力的工控元件，透過自動化整合的流程實現標準化、規範化，並連結至工業物聯網平台，才能為實現智慧工廠的打下基礎，進一步走向工業4.0虛實整合。

IIoT與AI加值 打造智慧工廠

眾所周知，在AI應用領域需要大量的資料收集、運算分析。各大IT公司，如Microsoft、Amazon、Google等都投入大量的資源，在自家的雲端平台上打造AI解決方案，希望可以在IoT平台提供更多的加值服務，建構自己的AIoT生態圈。

台達亦導入AI和IoT在許多工廠製程，真正實現先進智能製造。舉例來說，台達將AI運算建構在IIoT平台上，成功應用在被動元件的AOI六面檢測，加上即時的在線AI影像識別技術，實現AOI機台自我學習，精準判斷、快速響應，識別速度達毫秒等級、正確率在99.5%以上，並為客戶實現零漏檢要求。

此外，在面板業的應用領域，利用AI技術能夠精準分類各製程段超過50種之上的缺陷（Defect），取代約60%人工複檢，解決人力不足、檢驗品質不穩定的問題。台達不斷擴大AI相關技術的應用，如前述在風扇 / 馬達等異音驗測等頗具成效。

垂直貫穿的AIoT

當業界將目光聚焦在AI、數據、聯網等上層管理時，台達透過自身實戰經驗，從不同的角度來解析AIoT。根據台達的觀點，要實現AIoT，除了人工智慧、物聯網平台等關鍵技術之外，更重要的是感測元件的連線能力（Connectivity），可以讓現場設備實現第一層的智能化和優化。

在設備、裝置（Device）上加上各種感測元件，收集大量的資料，將資料傳到雲端（Cloud）或地端（Edge）的物聯網系統，而後利用系統中的AI進行運算、分析，再將結果回饋至設備本身的運動控制元件，達到機台自我學習、自我調試，運作時可以更快、更好的適應各式使用場景。

附圖：圖一 : 隨著近年智能製造潮流引領工廠、產線、設備升級，AIoT已從概念開始落地應用。（source：台達）
圖二 : 台達IIoT與AI整合應用方案架構（source：台達）
圖三 : 台達將AI技術應用在風扇檢測，為客戶實現零漏檢要求。（source：台達）

資料來源：https://udn.com/news/story/6903/5307184?from=udn-relatednews_ch1015