作者 ■型創科技 / 楊崇邠 應用顧問

（轉載自繁體版ACMT電子技術月刊No.068)

型創輔導工廠時最常碰到的問題是，員工越來越難找，工廠反饋可能是因為疫情因素，可能是因為人力被半導體/或醫療產業吸去的因素，總之！就是越來越難找！撇開這些不可預期的因素，我們來看看基本面，人力統計數據怎么說。

臺灣111年人口分布（文章首圖）

• 15-24歲：240萬人；

• 25-44歲：670萬人；

• 45-64歲：690萬人。

趨勢分析，再過個5年

• 投入就業的應屆畢業生預估再少40萬人。

• 65歲以上人口再增加10萬人，符合退休年齡。

未來可投入職場的年輕學子會越來越少，當老臣都面臨退休時，「缺工」、「缺經驗」就成了所有公司重要的生存問題，企業經營者們都思索著如何面對！

我們來看看民生產業如何面對！24Hr超商、連鎖餐飲店、外送平臺，其中共同的特質：

• 學生可以打工，中年可以二次就業，人員年齡限制不高；

• 員工不懂咖啡也可賣咖啡，職能越來越多功全能；

• 替換交接容易，拓展據點快速，他們又是如何做到！？

2大思考方向

3大執行方針

具體應用在工廠的解決方法

擷取射出機成型參數，建立制程異常管制判斷，勾稽產品質量，短短一句話，但實務上卻是困難重重。必須克服跨廠牌跨年份的機聯網問題，AI算法問題，制程異常和質量關聯性的實驗問題。

成型質量推論采用多層前饋式倒傳遞學習神經網絡架構，藉隱藏層抽象化感測數據融合特征，運用梯度下降學習法則進行訓練，建立質量檢驗推論模型，其中采用線性或連續型激勵函數作為重量回歸模型輸出層的激勵函數。針對缺料分類判別模型，則采用步階函數作為輸出層的激勵函數。

外觀檢測推論：采用深度學習(Deep Learning)，輸入不同種類瑕疵影像，經由多個卷積層(Convolution layer)、全連通層(Fully Connection Layer)、池化層(Pooling Layer)等技術建構不同瑕疵特征圖(Feature map)，進而建立外觀檢測推論模型。

過去，工廠機臺管理多以人工為主，當問題發生時辦公室人員也不會馬上知道，信息傳遞不實時。現在，透過IoM將射出機完成系統可視化整合，辦公室也可以透過遠端實時廣告牌發現異常閑置，實時做提醒。從原先需靠人員抄寫現場訂單狀況，每日需花120分鐘作業。如今完成數位升級后，系統實時輸入和顯示狀態，無須人工抄寫作業，提升工作效率75%。

透過系統將非計劃性停機項目整理分類，閑置通報和異常記錄進行設備提前點檢、備品準備，來降低故障時間，因此多出約60分鐘生產時間，除了幫助產量提升5%之外，每月產值相對增加14.5萬 / 月。

圖１：射出機成型參數取出，設定值和實際值

步驟一：每次生產或試模問題都被默默解決，希望透明化

師傅現場碰到問題時往往第一時間會試著解決，所以問題常常發生也悄悄的被解決，因此希望可以將實際發生的問題記錄下來，好讓問題成為公司資產，后續至少可以針對常發生的問題提供解決對策方案。

步驟二：針對生產異常收集師傅經驗逐步放入系統

當系統可一步步收集實際問題時，后續透過追蹤溝通將師傅的解法一并放入對應的系統數據庫，如此就可以開始傳承師傅的經驗，將知識保留在公司系統中。

步驟三：透過數字化掌握問題和對應解法，逐步傳承人員經驗

1. 進行產品生產過程記錄，將試模碰到的問題，生產碰到的問題通通記錄在系統里。并透過人員溝通，后續一一補上對應解決方法，讓未來再發生時可以參考，同步記錄模具資料以便人員查詢學習。

2. 記錄最終產品實際的缺陷問題，有了缺陷記錄統計分析后，可以再進一步觀察找出關聯性。

圖２：設定上下限，制定參數穩定示警

圖3：AI推論模型算法