型創科技 / 楊崇邠 應用顧問
前言
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，人力統計數據怎麼說。
臺灣111年人口分布
- 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！
民生產業如何應對人力缺口問題
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
- 讓工作經得起人員異動；
- 用更少的人力運營工廠。
3大執行方針
- 工作SOP落實；
- 管理指標明確；
- 專業技術系統化/自動化。
具體應用在工廠的解決方法
- AI監測技術，減少品檢時間和人力；
- 製程參數監控，掌握生產履歷經驗；
- 強化管理流程機制，工作容易上手。
AI應用在射出成型品質監控
擷取射出機成型參數，建立製程異常管制判斷，勾稽產品品質，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演算法問題，製程異常和品質關聯性的實驗問題。
成型品質推論採用多層前饋式倒傳遞學習神經網路架構，藉隱藏層抽象化感測數據融合特徵，運用梯度下降學習法則進行訓練，建立品質檢驗推論模型，其中採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，則採用步階函數作為輸出層的激勵函數。
外觀檢測推論：採用深度學習(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徵圖(Feature map)，進而建立外觀檢測推論模型。
數位轉型的效益
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，資訊傳遞不即時。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即時看板發現異常閒置，即時做提醒。從原先需靠人員抄寫現場訂單狀況，每日需花120分鐘作業。如今完成數位升級後，系統即時輸入和顯示狀態，無須人工抄寫作業，提升工作效率75%。
透過系統將非計畫性停機項目整理分類，閒置通報和異常紀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。
數位轉型的步驟
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，後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，後續透過追蹤溝通將師傅的解法一併放入對應的系統資料庫，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：透過數位化掌握問題和對應解法，逐步傳承人員經驗
- 進行產品生產過程紀錄，將試模碰到的問題，生產碰到的問題通通記錄在系統裡。並透過人員溝通，後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。
- 記錄最終產品實際的缺陷問題，有了缺陷紀錄統計分析後，可以再進一步觀察找出關聯性。
文章來源：SMART Molding雜誌