本文以下提供運用AI加值智慧製造的典型專利，包括設備監診、監控(監測)系統或製程參數調控方法等應用於工廠實際有效運作技術的相關專利，提供國內業者參考，掌握AI加值智慧製造的關鍵，使工廠具備更靈活、彈性和客製化的生產。
AI加值智慧製造專利分析
AI智慧化設備監診
台灣專利號I398629為一種設備監診方法，具體而言，係關於一種在設備故障監診分析流程的邏輯下導入例如類神經網路(Neural Network)之人工智慧，以便在決策分析時有效解決故障類型分類問題。因此，該用於設備異常檢測之設備監診方法，包括了利用類神經網路判斷該設備之異常類型，異常狀態經編碼後，該類神經網路可選用自適應共振類神經網路(Adaptive Resonance Theory Neural Network, ART)進行故障編碼識別的工作，自適應共振理論類神經網路並累積、儲存及學習該等異常狀態之編碼及其代表意義，以保存已學習的訊息，以作為後續振動訊號之診斷及識別使用。另，該設備監診方法，更包括一記憶學習步驟，以該類神經網路記憶及儲存經編碼後之異常類型。
類神經網路於該發明專利中之工作原理為：當類神經網路接受來自環境的輸入(例如：振動加速度訊號)，網路即檢查新的輸入模式與所儲存模式之間匹配程度，根據一預設的門檻值計算這些輸入模式相識度，若相似度高則選擇最相似模式類型作為該模型代表；反之網路則設立一新的模式類型並加以儲存，以作為後續輸入模式匹配過程之參考。
在該設備監診方法中，若振動訊號超過安全範圍基準線，則予以自動編碼，再進入自適應共振類神經網路進行學習，並可標記及記憶故障類型及原因，以利後續對於類似故障類型之診斷及識別，同時保有自動監診及學習能力。此外，該設備監診方法不需要考慮設備整個使用壽命中可能遇到的所有故障類型，大幅降低故障監診系統發展的規模及困難，故可提升設備狀況之可視化及增加設備妥善率等優勢。
透過人工智慧演算模組進行估測及控制的系統
台灣專利號I704019係有關一種鋼帶翹曲量估測系統，其透過人工智慧演算模組所產生的估測鋼帶翹曲模型進而對鋼帶翹曲量進行估測，而該人工智慧演算模組係利用機器學習模組、深度學習模組或者使用一雲端伺服器模組評估該製程參數及該翹曲量。舉例來說，圖1顯示該專利提供一種包含熱浸鍍鋅設備100、矯正機構130、感測模組150、人工智慧演算模組160以及最佳化演算模組165的熱浸鍍鋅鋼帶翹曲量估測系統。其中，該人工智慧演算模組160連接該感測模組150及該熱浸鍍鋅設備110，用以收集且評估該熱浸鍍鋅設備110中諸如產線速度、張力、鋼帶鋼種、鋼帶寬度、鋼帶厚度、鋼帶剛性等製程參數及翹曲量，進而可產生估測鋼帶翹曲模型，且該估測鋼帶翹曲模型包含一矯正干涉量，用以供矯正機構130矯正鋼帶。
經過大量數據的累積，該估測鋼帶翹曲模型還可以包含來自該最佳化演算模組165的製程參數最佳值，當類似或相同的製程參數(例如類似或相同鋼種)的鋼帶需要進行熱浸鍍鋅時，該估測鋼帶翹曲模型就會顯示諸如最佳張力、最佳產線速度、最佳矯正干涉量等製程參數最佳值，供操作者參考，從而獲得翹曲量最少且鍍鋅厚度一致的鍍鋅鋼帶。
AI加值自動光學檢測/智慧機器手臂提高檢出率
由於自動光學檢測(Automated Optical Inspection, AOI)為高速高精度光學影像檢測系統，在傳統製造生產流程中，AOI可取得成品的表面狀態，運用機器視覺以電腦影像處理技術檢出異物或圖案異常等瑕疵，再搭配機器手臂分類撿取OK或NG的樣本，可用於取代傳統的人力檢測。然而，AI加值智慧製造將使機器手臂更加聰明，甚至能自主學習更複雜的任務。
例如工研院發明一種自動光學檢測影像分類方法和系統(美國專利US10636133B2)。圖2為該專利之自動光學檢測影像分類系統的功能方塊示意圖。自動光學檢測影像分類系統100包括：自動光學檢查設備(AOI Device)120和人工智慧訓練模組(AI Training Module)150。人工智慧訓練模組150耦接於自動光學檢查設備120，進行瑕疵誤殺複判之功能；經過人工智慧訓練模組150的分類結果可送至分類裝置(Classification Device)170進行分類，分類裝置170包含有機器手臂，用以將分類後之各樣本送至各自的分類區，以進行後續的樣本製程使用、樣本瑕疵修補或樣本廢棄處理等。
同時圖3顯示該專利之自動光學檢測影像分類方法的流程圖。以自動光學檢查設備120進行光學檢測(步驟210)，檢測結果若OK(成功)代表該樣本經過檢測後被認為是好的，但其中仍有可能存在漏檢(Leakage)的可能性；檢出結果若為NG(失敗)代表該樣本經過檢測後被認為是失敗的，但其中仍有可能存在誤殺(Overkill)的可能性。進而判斷是否有已訓練好的人工智慧訓練模組150(步驟215)，如果人工智慧訓練模組150尚未被訓練好或者是人工智慧訓練模組150需要被人工調整時，則由人工來複判(步驟220)。來自AOI設備或人工複判的樣本進入AI訓練模組150(步驟225)，AI訓練模組150對這些樣本進行離散輸出以得到對這些樣本的各分類結果(步驟230)。AI訓練模組150將經過離散輸出後所得的分類結果，進行進一步的核函數運算(Kernel Function)(步驟235)，對於樣本的分類結果計算相似性距離，並根據相似性距離進行權重分析(將相似性較高之樣本的分類資訊給予較高的權重)。根據核函數運算結果，判定這些樣本的分類(Classification 1, 2, ……., n)(步驟240)。其中，步驟240的分類判定結果可以回授至AI訓練模組150，用以訓練並增加該AI訓練模組150的強健性，使分類結果差異化更加明顯且更容易判讀其分類。最後，根據步驟240中的分類判定結果驅動分類裝置170進行分類(步驟245)，用以將各樣本送至各自的分類區，以進行後續的樣本製程使用、樣本瑕疵修補或樣本廢棄處理等。
美國專利US10636133B2以機器學習(Machine Learning)為基礎，導入AI加值自動光學檢測設備，提升AOI設備檢出率，讓機器手臂變聰明，解決傳統AOI設備無法有效檢測瑕疵或多樣性產品的缺點，實為AI加值智慧製造的典範發明，應用於製造業智慧工廠，可以進行大量新資料的自動訓練與分類，提供國內產業利用AI加持智慧製造的啟發。
三項策略建議革新智慧製造場域
1.AI加值設備預診、強化數據分析與機台維護：
由於智慧製造著重以數據決策，國內製造業轉型升級智慧工廠可整合AI與聯網技術，一方面搭配AI演算法開發「設備預診系統」，利用自動化、客製化的監測軟體模組，對各種常見故障進行精準鑑別，避免人為誤判及時間浪費，使廠商全面掌握稼動率和監控生產流程，即時監測與維護設備，協助設備的生產排程、預兆診斷與健康趨勢預測，保持良好稼動率。另一方面，讓機台設備具有故障預測、自動參數設定與自動排程等智慧化功能，協助機台透過數據分析與判斷，以利自動作業，提高執行正確率，減少因機台故障造成產線停擺、產品交期延遲的情形，以全面強化工廠製造體質。
2.機器手臂導入AI、自主學習提高生產效率，進而擴大應用市場：
工業機器手臂在汽車業、電子製造業、金屬加工業等都有較大的應用市場，但其實像倉儲物流、食品製造業在撿貨備料的程序上，也亟需導入機器手臂的協助；然而，往往因機器手臂無法自主學習辨識各種不同物件，即使提高機器手臂的速度和精度，也難以應用在撿貨備料等程序上。為搶攻新藍海市場，可藉由導入AI與深度學習，讓機器手臂變聰明與更靈活，能彈性自主學習辨識及處理不同的零件或工作，協助倉儲物流、食品製造與包裝等市場提升生產效率，透過結合AI，機器手臂提升撿貨備料的效率，使其能應用更多不同產業。
3.強化AI在工業物聯網方面的整合應用：
在工業4.0中，工業物聯網(IIoT)是網路實體系統和生產流程經由大數據及分析進行轉型不可或缺的部分。經由工業物聯網技術在生產環境以及生產機具上收集各式感測器大量數據，並透過AI技術進行大數據分析，貼近生產環境以及生產機具的狀態，藉此可以提高生產效能、降低成本以及提供更為安全的生產環境。因此，串連人工智慧與物聯網的虛實整合已是智慧製造的根基，工業物聯網結合人工智慧後所帶來的效益，將造成爆發性的成長。建議國內業者積極投入以人工智慧和物聯網為主體之人機協作場域與智慧生產模式的技術開發，以期在智慧製造與工業4.0的國際舞台上占有一席之地。
2020年突如其來的疫情來襲，儘管打亂並重新定義了製造業的發展，但也因此興起產業將AI應用於智慧製造的需求。所謂危機就是轉機，在後疫情時代搶先掌握復甦商機，智慧製造結合AI技術，有助產業提升軟硬體實力、增強製造韌性，加速企業數位轉型。
