台灣國立交通大學資工研究團隊發表AIoT溫控生產預測技術，以AI取代人工量溫調整，改善PCB的SMT生產品質

 (News from: iThome)

透過工業物聯網與AI的結合，交大資工團隊研發出工業物聯網溫控生產預測技術，目前已實際應用在PCB板的SMT製程上，用以監控產品的生產製造過程及品質，並縮短新產品導入產線的過程。為加速智慧製造應用在產業落地，科技部推動大數據、AI、物聯網的產學合作，交大資工研究團隊本周發表一項工業物聯網溫控生產預測技術，實際在PCB板的SMT產線上，利用感測器蒐集生產環境溫度，並以AI取代人工憑經驗測溫調校參數，達到100%的生產履歷追蹤，並提升生產品質。

在工業製造的過程中，需要精準的溫控生產程序，但由於生產品質和產品承受的溫度及時間有關，同時涉及多個參數的互動影響，在製造的過程中僅能控制設備的加溫曲線，無法即時掌握環境、設備，以及產品在製程中的受熱情形，傳統上多由人工依據經驗，利用頻繁的量測、校正調整，以控制生產過程確保生產品質，如果要生產新的產品，更需要一段時間摸索，不斷的透過嘗試錯誤去調整製程參數、進行優化，趨向穩定生產。

研究團隊以工業物聯網結合AI，嘗試解決這個問題。交大資工系教授曹孝櫟以「溫故知新」來形容，所謂「溫故」即透過有系統、有結構的蒐集、累積工業大數據，而「知新」則是運用這些資料去推論、預測沒有生產過的物品該如何生產，特別是產品快速迭代之下，如何快速收斂，有辦法穩定的大量製程，「知新」從過去的大量資料，透過AI抽煉出上位知識，再推論到新的產品生產上。

他指出，對於溫度的提供可從兩方向著手，一種是從物理的熱力學來看，熱傳、熱導、熱對流，有很好的定性分析，但缺乏定量結果，另一方向則是數據驅動的定量分析，能夠得到很好的定量結果，但無法解釋很多定性行為。研究計畫運用物理學的方法，得以關鍵、少量安裝感測器，從蒐集的資料推回參數，同時達到定性的解釋性及定量的結果。

曹孝櫟表示，經由感測器可紀錄每個產品的生產過程，能夠做到百分之百的追蹤檢測，建立生產大數據，累積兩三年的數據，透過大數據及AI技術抽煉出上層知識，應用在加速新產品導入，協助工程師快速收斂到能穩定量產的階段，這對於現今少量多樣、產品快速迭代是很重要的。

以PCB板的SMT製程為例，過程中的溫度控制極為關鍵，如果溫度過高可能導致電子零件損壞，而不適當的溫度或加熱速度也可能造成焊接缺陷，降低生產品質，因此，工程師為確保良率，需要為每種產品設計專門的製程參數，並在回焊爐反覆測試。

該團隊在研華協助之下，在SMT產線導入物聯網溫控生產預測技術，在回焊爐內裝置溫度感測器蒐集溫度資料，結合熱力學模型及機器學習模型，建立電路板的溫度預測模型，透過機器學習模擬製程結果、建議參數。利用工業物聯網感測器達到自動化100%監控追蹤製程，解決過去單一的樣品檢測，無法顧及所有產品檢測的問題。

曹孝櫟解釋，通過感測器掌握每臺回焊爐的加熱性能，並推論電路板受熱情形，達到100%的檢測及虛擬量測技術，節省停機校驗的人力成本，這是「溫故」的部分。至於「知新」的部分，當產線導入新的電路板，因為已對爐子及電路板的抽象模型掌握度很高，鑑於新產品多為過去經驗及知識的組合，只要將電路板設計檔輸入系統，並輸入使用哪個回焊爐，就能從AI產生出不同加溫效果，協助定出加溫策略，新產品導入生產也能縮短製程參數的摸索過程。

導入這項AIoT溫控生產預測技術後，從輸入新產品資料、產生製程參數，依參數實際測溫，再根據回饋的測溫結果調整製程參數，到最後的產品生產。經過他們的測試，在測溫階段，95%首次測溫合格不需要調整，並有80%的信心指數新產品可直接進行生產。

目前他們已在4家公司、7間工廠、100條SMT產線導入，最長已使用超過40個月, 累積大量數據。估計每年每條產線可減少150個小時無效工時，效益超過5000萬元。

研究團隊研發出兩個系統，並準備推向產業界，一個是回焊爐即時生產品質監控與預測系統，用於即時爐溫監控、完整生產紀錄、生產品質監控等；另一個則是溫控生產新產品參數生成與模擬，用於優化製程參數、模擬生產結果，以及減少產線停機用於新產品生產測試的佔用。

目前將模型的建立、部署、重新訓練、管理在WISE-PaaS上執行，明年準備以App上架至WISE-Marketplace，進一步擴大產業應用。