20190419：智慧製造與品質論壇實施計畫 (改 9 樓)

LADING

智慧製造與品質論壇實況紀事

                              丁立安   紀錄整理

                          中華民國品質學會可靠度委員會執秘


楊錦洲理事長致詞：怎麼找keyfactor, 怎麼找最佳參數,怎麼自動控制,怎麼撰寫程式控制機器，品管工程師的工作轉移到這裡。還在思考可能成立AI品管工程師認證考試，這場研討會只是暖身，為以後一系列的研討會與課程做準備。

此外品質學會年會 11 月 2 日在中原大學舉行，歡迎大家參加。

#Seminar 1 工業4.0之前的準備  

台北科技大學國際產學聯盟  李嘉華執行長

    一直希望有華人品牌的夢想，但要建立在甚麼產業呢?李嘉華認為最有潛力的就是將台灣電子資通訊的優勢應用在台灣已經卓有聲譽的醫療服務業，例如利用室內微定位技術追蹤銀髮族的生活型態，才能事半功倍地提供有效的醫療服務。另一個有潛力的領域是用穿戴科技做生理訊號的偵測。李嘉華順帶一提台灣的健保一定會垮，因為只要看看65歲人口增加的趨勢以及各地安養長照中心所耗費的健保資源就可以知道。健保百分之九十九的經費都花在治療而不是預防上。台灣人的平均壽命是80歲，但健康壽命是73歲，中間七年的差距是要被照顧的，。而這七年要耗掉健保百分之四十以上的資源，而在北歐這樣的差距是半年。李嘉華執行長表示他所投資的多家公司都在解決這個問題，所秉持的策略就是使銀髮族了解自己的體質風險，並利用穿戴裝置與其他科技達到自主健康管理。


李執行長所演講的主題是導入工業4.0智慧製造前所需做的準備思想與工作。[時代變遷/變遷現象/新經濟型態] 工業4.0是從2013年開始的德國展開，西門子提出的目標是縮短產品從研發、投產到上市的時間，而背後的意涵就是內部資訊的連結。


現今廠商導入工業4.0的原因不外乎客戶需求、自動化節省人工、節省成本、零待機零待料與快速客製化。這些原因都對，但德國工業4.0所謂的虛實整合(Cyber-physical system)強調的是資訊的連結。當今時代的背景是互聯網的普及所帶來的資訊透明與瞬間傳遞，而這導致市場的細分化，造成從過去的同一機種大量製造演變為多機種小量生產，也因此帶來客製化與短交期的挑戰。因此要導入工業4.0之前首先要改變經營思維---透過價值鏈資訊的連結和優化，提升反應市場變化的速度。為什麼呢？因為社會變化增速導致將來市場會有瞬間消失的可能!李執行長舉紡織業的隱形冠軍---宏遠為例，宏遠在全球有六個廠以利現場交貨，但即便如此都幾乎快不能應付當地市場的變化。


再來探究人的基本需求包括食衣住行育樂健美，未來在已開發、開發中與未開發國家市場如果還要透過貿易商來掌握當地消費者的需求，會是一件風險很高的事情。看清以下局勢是會改善還是惡化: 氣候變遷、環境汙染、人口老化、貧富差距、以及科技更新的腳步是否會停下來。評估這些局勢是如何影響市場變化，對經營環境影響的頻率與幅度是如何。這些局勢所造成的新經濟型態包括綠色經濟、循環經濟、共享經濟與知識經濟。為了因市場與經濟型態的改變所做的資訊鍊連結與優化，目的是使資源有效的配置與使用。未來利用地域差與時間差要賺到機會財的機會是稍縱即逝;利用資訊差賺管理財是基本條件，而利用技術差賺創新財才是決勝關鍵。隨著科技的成熟，企業數位轉型的壓力也與日俱增，面對快速變遷的環境壓力，要如何調整組織體質?工業4.0只是工具，組織知道如何去運用嗎? 因此進行工業4.0轉型之前要盤點企業組織的核心競爭力、組織文化、制度系統與職場數位化。職場數位化不只是機器設備的自動化，還包括如採購業務等企業流程的自動化。核心競爭力可能是規模、研發、製造、管理或是客戶關係，面對市場快速變化要思考怎麼調整。資訊力包括收集力與整理力，並不僅限於工廠內，關係到內外資訊的鏈結程度與資料庫的正確、完整、更新速度。知識經濟下組織的學習力、資訊力和智慧/客戶資產(資料庫)三者決定企業組織的身價。


在制度系統方面盤點現狀內部資源包括:企業神經網路、ISO品質系統、供應鏈連結與價值鏈連結。要思考這些資源的數位化程度是如何。改善工作流程與商業流程的順序為合理化、標準化、自動化、智能化、視覺化與決策數位化。其中製造業特別需要的企業性質包括預警、預防、預測、智慧排程與即時監控。李執行長特別提到要利用工業4.0彎道超車需先掌握科技變化的趨勢、學習科技的速度、典範移轉時機的觀察，最後才是新科技導入時機的判斷。最後李執行長引用2016年NOKIA被微軟收購記者會上NOKIA執行長聲淚俱下的一句話”We didn’t do anything wrong,but somehow we lost.” 李嘉華執行長把這句話改寫為”We didn’t do anything. Wrong! “ 在科技與市場快速變遷的時代，不思進取應變的企業會被淘汰!


#2 Seminar2 智慧製造對品質工程師的挑戰

中華民國品質學會  楊錦洲理事長

一般人對品管工程師的角色印象是在產品量產階段做抽樣檢驗，畫管制圖，做改善等等，到了智慧製造的時代好像就沒有品管工程師的角色了，其實不是這樣的。


先從人工智慧的誕生開始說起。馬雲說:”過去二三十年製造講究規模化、標準化，未來三十年製造講求智慧化、個性化、和訂製化;零售革命之後的第二個巨大革命就是物聯網革命，未來的機器用的不只是電，而是數據，就是所謂人工智慧，智慧機器的誕生”。人工智慧進展最大的兩個領域是感知(Perception)與認知(Cognition)。人工智慧的核心就是機器學習，機器有能力持續改善自己的表現，人類交付任務給機器時，不必確切解釋，機器自身就能執行任務。工業4.0的核心就是生產智慧化，機器會蒐集、分析及預測資訊，並立即做決策，且機器與機器之間可以溝通，此外還可以連結到物流、生管、訂單管理。一間智慧工廠就是要串聯設備，其蘊含的科技與流程要能達到智動化運作。要達到工業4.0智慧製造，有以下的系統型態是必須具備的:

1.      物聯網內建品管

2.      智動化設備

3.      信息物理系統

4.      設備預測維修

5.      供應鏈互聯網

6.      全良品全e化

以上預期能達到以下功能:

1.      資料獲得: 利用感測系統獲得機器、加工件、物料等資訊做為生產條件、品質之判斷與調整。

2.      數據分析: 品質異常及早警示，即時資訊分析、動態生產排程、設備維修排程。

3.      雲端運算: 雲端服務、設備控制、前瞻數據分析、即時數據蒐集並提供分析與判斷。

4.      行動決策:直覺化人機操作介面、行動化生產管理、整合機台設備與資訊管理系統。

5.      資訊安全:互聯設備的資訊安全，確保互聯網製造系統的效能。


接下來談智能製造時代的自動品質監控，楊理事長將其境界共分為五個Level:

Level1: 自動蒐集生產的資料。生產機器能自動蒐集機台的key factor之參數值，及所屬品質項目的data。

Level2: 分析所蒐集的data。機器控制系統能將所蒐集的資料做整理分析，而得到可與參數規格或品質項目標準相比較的數值。

Level3: 根據分析結果做判定。機器控制系統分析的結果與參數規格或品質項目標準做比較，然後做出精確的判定。

Level4: 根據判定結果做決策。機器控制系統做出精確地判定後，能進一步做決策，如果生產條件不合格，則會做出調整的決策。

Level5: 機器本身會調整。機器設備會根據決策自我調整，使生產參數在規格以內。


以上自動品質監控的基礎工程分為以下三個階段:

1.      最基礎的工程:就是要決定影響到CTQ(關鍵品質要素)與各製程品質的keyfactor及生產條件，而且不可遺漏。這是AI品管工程師最重要的工作，也是最困難的工作。

2.      找出生產控制條件:對於key factor要找出最佳控制參數規格，以集合式的生產控制條件，以獲得CTQ及各製程品質。

3.      機器的精確控制:生產機器能精確地控制該機台key factor的參數規格，製造工程師能夠控制inputs的標準與規格，廠務工程師能控制好生產條件。


以台積電為例，台積電利用bigdata和data mining來改善品質，基本上是該機台的keyfactor設定的很周延，但在key factors之參數規格設定上還不是很理想，而參數治的控制是很精準的。台積電原則上已經很接近level 4(包括data mining)的水準，由於data已經很完整，可以利用data mining來挖掘未最佳設定的key factors，調整其參數規格。基本上要做到Level 5，則非靠人工智慧不可。因為前面所提到台積電做的事情，需要機器不斷的自我學習才做得到。那還有很長的路要走，需要很多年才能做到。


人工智慧的強項：處理速度、量化能力、大數據分析、規模的擴充性、處理精準度、驚人的學習力。人類的強項：領導力、團隊合作、創意思考、非正統思維、 衝突的排解、長遠觀點、道德規範。透過人類與 AI 的協作，可顯著提升AI系統與機器設備應用的績效。人類與人工智慧可積極提升彼此互補的強項。企業要能了解人類要如何才能最有效的擴大機器的能力。以及如何讓機器強化人類最擅長的事項。


再回到最重要的主題:智慧製造時代還需要品管工程師嗎? 首先考慮假設生產線實現完全的自動化，而且生產出的全是良品，必須做到以下:

1.      生產線的機器設備能完整的考量到關鍵要素及生產條件(品管工程師的工作)。

2.      能在關鍵要素上設定精準的生產參數及控制條件(品管工程師的工作)。

3.      機器能精確的自我控制生產參數及條件(AI工程師與品管工程師合作)。

4.      機器能自動量測生產參數值，即立即做調整(AI工程師與品管工程師合作)。

5.      機器能自動量測所生產的產品之品質規格，及分析與判定。

6.      品質規格如有變異，可立即分析出關鍵因素及自我調整。

品管工程師過去在量產後的工作將由機器取代，但在量產前的工作在智慧製造的時代必須做得更徹底，包括了:

1.      產品開發過程中，審訂相關的品質標準、投入標準。

2.      產品開發過程中，各個關鍵phases的審查。

3.      製程規劃與設計中，審訂所設定的製程參數與生產條件。

4.      製程中的作業標準化(SOP)之品質確認。

5.      製程建置後之試產，進行必要的調整，以確保量產品質。

品管工程師必須要把量產前的關鍵工作做得很徹底，才能把生產的品質控制機能內建到機器設備中，讓機器自動的來執行。因為智慧製造的機器已無法讓品管工程師做製程抽樣、管制圖控制，以及異常停機、問題排除與品質改善。在AI時代的智能製造的品管活動中，傳統所做的製程品管幾乎都派不上用場，例如批量或早晚班的首末件檢查、製程中的抽樣檢查、製程中的品質管制，管制圖的使用以及不時的停機，以調整製程參數。


再來談到品管工程師的AI專業能力。首先是善用IPO(Inputs-Process-Outputs)分析:



                         圖一  善用IPO

如果關聯性能確立，則重心可放在生產線的各製程(站)上。從IPO的分析來找出各項品質項目在製程上及投入上的關鍵要素(key factors)。品質的影響是前製程影響到後製程;但是Key factors 及其參數的決定是由後製程往回推到前製程。

要找keyfactors是一件很困難的工作，可利用下列方式：

•現有製程已確定的keyfactors。

•利用生產線上的完整生產data來進行比對分析。

•列出可能的影響因素，利用DOE來找出關鍵影響因素。

•參考專業期刊，從理論上來找出可能的key factors。

接下來，就要在keyfactors上設定(最佳)規格、參數或生產條件，而且要經過驗證。原則上，在生產時這些規格、參數或生產條件都滿足時，則所對應的品質項目的衡量值必須是合格的。如果上面的論點是正確的，則只要控制好生產時的這些規格、參數或生產條件，則必定會得到良好的製程品質。

以往我們會針對製程的重要品質項目作管制圖，當衡量值out of control，則會找問題點的原因，然後採取改善對策。如此週而復始，但始終無法徹底解決品質問題，這在智能製造時代也是被捨棄的作法。最根本的做法就是生產時要控制好所有的這些規格、參數或生產條件，所以要設定控制指標，稱之為先期指標，管制圖應該用在這些先期指標上才是正確的。

AI時代的智能製造，不可能讓你在量產之後再不斷的繼續進行改善，所以在產品設計的早期就要消除後面的品質問題，因此品管工程師的另一個AI專業能力就是要善用DFSS(Design For Six Sigma)。


結語: 品管工程師以往所熟知的品管手法，如QC七大手法、管制圖、抽樣等，在AI智慧製造的環境下，可能派不上用場。從Input及Process找keyfactors及其參數的設定是品管工程師的重要任務，因而需要了解設備、製程，甚至專業

知識與技術。品管工程師要能善用IPO分析、DFSS運作方式，也能撰寫程式，以控制機器，能夠跟機器協作。


#Seminar 3: 智慧製造與品質論壇與談

引言人 桓達科技執行副總 鄭兆凱


Discussion#1: 以前人只要專精一件事就可以吃一輩子，現今智慧製造改變產業創新的速度與模式，企業要怎麼因應內部流程改善?


問: (吳英志) 產業變動速度快，但根據摩爾定律半導體發展越來越慢，根據施敏教授認為發展到0.1 微米就遇到瓶頸，企業如何因應？


答: (李嘉華) 摩爾定律雖然會碰到瓶頸，但它講的是線幅的寬度，事實上半導體還有立體的擴充，因此半導體仍會深深地影響科技與市場的發展。特別值得注意感測器的發展，大家可以發現十年前電子元件佔汽車成本的比例到了今天是呈指數型的成長，尤其是感測器，比起記憶體更是發展迅猛。除了汽車，感測器在穿戴科技與家電裝置的應用也會持續成長，因此不要只是侷限在線寬，半導體仍持續影響產業的發展，也會改變我們生活的型態。


Discussion#2: 生產智慧化以後，有了AI輔助決策，如何管理品質風險


答鄭兆凱) 用AI作決策會有一些可能的品質風險，例如誤以為找到最佳範例

(BestPractice)、AI流氓演算法(AI針對人格弱點進行推銷、AI運用共謀機制形成壟斷、AI運用囚徒理論威脅懲罰來讓購物得以進行)。


問: 品質工程師如何避免被製程工程師取代?


答楊錦洲) 品管工程師對於品管工具的熟捻程度還是優於製程工程師，至於要找出key factor及生產參數，品管工程師要懂得與各專業工程師合作。

          答李嘉華)  Stay hungry, stay foolish，永續學習，競爭力來自學習速度。品管工程師要學習domain know-how，專業工程師要學習分析工具，誰的學習速度快，卡位早，就不會被淘汰。


問來新陽) 像昨天捷運因為地震停駛兩個小時，究竟地震能否用感測器和大數據分析來預測? 地震過後捷運復駛前能否也運用感測器來確保復駛安全，而不一定需要靠車輛來實地檢測環境。


答鄭兆凱) 某些產業例如航太要求極高的可靠度，不容許意外，但有些領域就容許有預測創新的發揮空間。例如我們公司五年前開始在做都會防洪的題目。我們用感測器量測現在的水深，而感測器不能量測未來，只能量測現在。那如果要知道未來幾小時後的水深，就要配合氣象局的衛星雲圖以及地貌地資與歷史排水等資料，這也是虛實整合。這種預測雖然精準度不高，但比起從前已經有長足的進步。人工智慧要做到感知這件事，除了感測器還需要統計的概念、樣本的訓練等等。現在農田水利會放水三噸，農民平均只會收到一頓，那另外兩噸排到哪裡，也是我們最近在做的研究。我們從歷史資料去探求溫度對水蒸發量的影響; 以及地質對水滲透到地下水程度的影響來建立數學模型。因此像地震水文這種不確定性的預測，品質風險與機率的概念仍然適用。人工智慧的方向是正確的，但在這方面它並不精確。從物理來說就是量子力學，它的不確定性會對品質產生干擾。這對於工業4.0的意義而言就是客製化，未來客戶提供規格，我們可能連標準都沒有，所以誰能無中生有的速度最快，而且夠合理，誰就是工業4.0的贏家，而不是最佳實施例。如果你想做到超過顧客的規格，但速度慢，可能就無法賺到錢。


答李嘉華) 感測器可以帶來許多商機，尤其是在確定性的預測方面，例如中部一家航太材料切割機裝上了數百個感測器，可以在機器異常前偵測出異狀，避免浪費昂貴的材料加工，這家公司的產品於是彎道超車與GE、西門子並列。


答楊錦洲) 剛剛李執行長所說的切割機廠商做的就是data mining。我一直告訴廠商要將各種資料蒐集起來，才能找出key factor與建立最佳生產參數。



Discussion#3: 智慧製造，企業資源如何帶動價值鏈與商業模型


問鄭兆凱) 工業 4.0 是商業模式，講求的是及時客製化。滿足了顧客，那供應鏈怎麼辦? 我們公司沒有 MOQ (minimum order quantity)，一件也賣。JIT 生產，，顧客自己下規格。那些項目需要，哪些項目不需要。供應鏈只有配合政策的份，關係如何維持?


答李嘉華) 企業應該從賣單品進化為賣服務，從做一次生意進化為永久生意。但是要將製造業轉型為製造服務業，企業應該建立平台經濟，甚至式生態系經濟，並拉幫結派將供應鏈廠商拉進來，如果不及早達到這一步，只有成為別人平台或經濟生態系的一部分。


答楊錦洲) 請彭鴻霖博士上台介紹QKC(品質知識社群)網站平台---睿地可靠度論壇(http://tw-redi.com/forum.php)。本次研討會的內容實況也會收錄在這裡。


答彭鴻霖) 我想大家來參加這場研討會都抱持著為台灣好的想法。我從2012起架設了兩台伺服器成立了睿地這個網站，就是希望建立一個以品質為討論主題的協作平台，他能比臉書或是LINE等社交群組更好地記錄各種形式的品質知識。舉例來說大家平常使用維基百科很頻繁也很正常，那我們品質人為何不建立品質的維基百科? 因此我在睿地網站利用維基百科編輯工具開闢了”睿地共筆”區塊，作為累積紀錄我個人知識的平台。現今大家看的許多知識都是英文或簡體字，但我們熟悉的是繁體字，那為什麼我們不留下紀錄? 大家閱讀論文必須要有書本，而雲端就可以方便大家隨時隨地閱讀與交流平台知識。像FunctionalSafety(功能性安全)就是我認為很重要的一個題目。因為在人工智慧時代，安全是第一道關卡。那我想建立這樣一個平台，邀請大家一起來協作平台知識。


答李嘉華) 我很佩服彭鴻霖博士的用力與用心。我們台北科技大學也蒐集了教育廣播節目的大量交談內容，利用人工智慧來分類建立文字內容，作為學習的素材。現在教育也因為科技演進而有很大的變化，能夠隨時隨地的行動學習也是影響一個人成功的關鍵。我個人也勇於接受演講邀請的挑戰，目的也是在訓練自我

吸收與統整知識的能力。我所接受最多的演講題目就是如何快速的有效學習。這也是現今所強調的知識管理。