產業AI論壇：數位雙生助攻機械業轉型

第四場產業AI論壇探討「工具機產業評估智慧工廠實務經驗分享 / 機械業如何運用數位雙生技術」，邀請到多位專家，透過產業實務觀點分享智慧工廠的實踐過程，以及數位雙生（Digital Twin）技術的理論與應用。

陳家興經理：智慧排程實現全自動加工

數位轉型的重點是全體員工的思維改變，台中精機陳家興經理提及，台中精機以智慧化系統整合管理思維與產業知識，提升企業為客戶帶來的價值，並且進一步發展新的商業模式。智慧工廠的架構採用ERP、MES等管理系統，從邊緣端串連生產現場的四條智慧加工生產線（VSM），以及工具機智慧組裝線（VSP），並且透過AI工具加值軟體，串連OT與IT，整合到雲端資料庫，藉由資訊透明化掌握生產進度並提升產品品質。

以VSM中的4–3產線為例，該產線已經全面自動化，再加上排程技術輔助，使得智慧型機器人可以全自動化地完成鎖／拆螺絲的工作。在電腦排程指令的工作流程中，機器人抓取工件後，會拿到鏡頭前辨識工件的外型跟座標，決定哪個毛胚起需要加工。再由小型機器人負責鎖螺絲跟運送工件，大型機器人則負責拆裝及翻轉工件，逐步完成加工流程 。

周至宏講座教授：數位雙生貫穿產品生命週期

高雄科技大學周至宏講座教授認為，工業4.0的關鍵趨勢之一是融合虛擬模型與實體系統，希望系統模擬的結果高度吻合實際應用的情況，同時整合大數據、物聯網與雲端等等工具，協助工廠的現場人員即時取得數據分析的結果，甚至能實現即時決策及控制。模擬系統調整的參數，跟實體系統幾乎一樣，代表跟虛／實系統之間如同雙胞胎，也就是成功建立數位雙生。

數位雙生的技術價值在於建立實境的物理世界跟數位世界之間的聯繫，能即時分析並產出決策結果，再由CPS執行控制跟決策，連結真實世界跟數位世界，因而能夠描述診斷、預測決策甚至控制真實世界。現在多數關於數位雙生的討論聚焦在生產流程，但是其實整個產品的生命週期都涵蓋在裡面。因為數位雙生從模擬中擇優，善用專家經驗訓練模型，找到對不同生產階段有利的決策或資源對策，生產管理、排程、設備維護等階段都能應用。

劉建宏創辦人：即時資訊修正，確保模型穩定

雷應科技開發工具機的智慧穿戴裝置，結合智慧感測的分析軟體，應用數位雙生技術，實現設備實現即時決策。中興大學教授／雷應科技劉建宏創辦人指出，在製造過程中導入數位雙生有幾個需要注意的重點，一是維持資料互通及開放，因此高度依賴製造現場的量測裝置即時收集數據並回傳。同時不同的應用領域要選擇適合的演算法，並且要考慮監控及預測，若模型不正確，就需要補償精度，因此系統要有判斷模型正確性的能力。透過在設備上裝置穿戴式的感測器，系統可以即時得知設備的反饋數據，並修正模型錯誤，確保客戶端的模型穩定。

例如在工具機熱變位AI溫補的數位雙生模型中，安裝在機台上的感測器可以當量刀器、強化熱變位分析，在製造端隨時想要建模就能啟動並自動建模，系統也可以即時聯網。該模型的量測機制是直接補償加工前的熱變位，並且依據實際加工中的熱變位建模與補償，透過多次、長時間輸出的數據訓練模型，並且比對資料，判斷模型的準確性。

會後座談：依據應用情境特性選擇模型

陳家興經理詢問劉建宏創辦人：雷應的工具機AI溫補系統，在正負15度C差下的精度？如果室溫不在模型所訓練的溫度下，精度誤差可以控制嗎？可以直接套用到量產的機種嗎？

劉建宏創辦人創辦人：我們的系統可以讓工具機業者同時訓練很多機台，每個機台同時訓練，同類的機台一起訓練，就可以收集資料。訓練的結果可以應用在每個機台，在客戶端應用的時候，再依據現場數據修正模型。因為系統會記憶訓練過程中所有的溫度，回歸分析的話沒辦法記憶數據，用在不同的系統就要重新訓練，對公司同類型的機台沒有幫助，這就是AI模型的優勢。

模型在正負溫差15度C的狀況下，訓練之後的模型擬合得非常好，誤差在5 Micro以內。還是希望能在客戶端修正模型，這樣客戶使用會很準確，因爲國內建立的模型跟國外的環境不一樣，所以國外訓練模型的時候，就跑他們的加工程序並記錄溫度，再修正的模型預測就會很準確。所以室內溫度不在所訓練範圍的話，還是可以控制的，超出的話就透過模型修正解決。

劉建宏創辦人詢問周至宏講座教授：目前應用在產品研發、生產管理或設備管理，有沒有建議對應適合的AI模型？

周至宏講座教授：產品研發來說，假設挑選應用在工具機加工的模型，其中一個面向是內部機台的控制。如果是機台控制器，透過數學模型跟系統識別來控制位置跟速度，這方面建立的模型，目前採用的時間很久而且效果不錯。但是加工流程不只有機台，最終要面對產品，像是產品的表面粗糙度、精度等等，就要外加感測器，現在的手法就是裝感測器，包含影像、型號等，利用這些回收數據，讓控制器調整控制參數。這個牽涉到產品品質、加工的精度，像是神經網路的應用不少。

在生產管理有很多不同的模型，運輸等等使用的模型大致上不一樣，像是扣件的產業排程，建構的就不是神經網路相關的模型，而是數學的模型，用模型來做優化排程。至於設備，例如故障跟溫補適合的模型不一樣，因為設備牽涉到動態（Dynamic），就要使用有時間序列的模型。做溫補的，因為大多沒有考慮到時間軸，所以採用靜態的模擬，但是牽涉設備故障，就跟時間軸有關，就要考慮跟動態有關的AI模型。