#工業4.0 #虛實整合系統CPS #智慧工廠 #物聯網IoT #自動光學檢測AOI #傅立葉轉換FourierTransform #深度學習DeepLearning #人工智慧AI #卷積神經網路CNN #遞歸神經網路RNN #多尺度熵MSE

【Domain know-how 是深度學習& AI 能否產生效益的關鍵】

深度學習 (Deep Learning) 最主要的兩個部分是訓練 (training) 和推論 (Inference)；對智慧工廠來說，若訓練時間過久或輸入到輸出的推理時間過長，是絕對無法接受的！GPU 藉平行運算、先對龐雜資料預做處理再丟回給 CPU，協助分擔 CPU 負載、加快運算速度及訓練時間，特別適用於由許多神經元與層級構成的深度學習、大型矩陣或資料量大、參數多的運算。產線機台設備不論是健康評估／診斷或效能預測，所使用的演算法皆與統計或機器學習密切相關。

以深度學習為核心，向外圍擴展的順位依序為類神經網路、機器學習與 AI；而訓練方式決定推論成果。以科技廠常用的自動光學檢測 (AOI) 為例，由於 AOI 需要極高解析度的影像學為基礎，且來料品質對檢測參數有很大影響，故 AOI 設備業者往往須派駐專業人員到客戶廠房協助微調機器；若加入大數據、深度學習和人工智慧，將有助於提高辨識效率，更精確區別出處於合格邊緣的 NG 報廢品、或尚可補救的瑕疵品。另兩個應用場域是：聲音與振動檢測。

透過收集、研究機器運轉的聲音訊號，來檢測風力發電機的軸承是否有異常狀況？不過，前提是克服環境噪音和回音等其它聲源干擾。至於振動檢測，最麻煩的就是決定要餵多長的資料？參數不同，可能導致推論天差地遠！因此，特徵擷取方式將是 AI 能否良好辨識的關鍵。目前診斷工廠馬達、轉軸多是利用傅立葉轉換 (Fourier Transform)，但有個重大缺陷：它假設所有訊號都可用正弦／餘弦波模擬，再積分求得，可惜內情並非如此單純。

一旦轉子不平衡、位置產生角度、呈現平行、彎曲或沒有鎖緊，會誘發「倍頻」現象。傳立葉頻譜雖可取得轉子系統異常訊號特微，但仍須經由人為判讀診斷，
對產線人員有一定難度，也無法達成智能機械目標；輔以經驗模態拆解、多尺度熵 (Multiscale Entropy, MSE) 分析是理想方案。深度學習演算法還能用於金屬切削加工，將良好與損壞刀具相較並改變當中參數，包括轉速、進給、振動、電流值，可監控刀具磨耗程度並預測使用壽命。

工業 4.0 的虛實整合目前並無確切系統規格，實現理論均以為機學習為基礎，其中，將感測器 (包括振動、電流、溫度……) 的原始訊號直接作為類神經或深度學習網路的輸入值，效果不彰；若要達到預先診斷，訊號的特徵擷取是重要因子。此外，醫療業與製造業許多應用的背後理論相似，檢驗醫療影像的技術也能用於 AOI，檢驗心電訊號的演算法，可用於檢驗機台振動訊號。

AI 現正於各領域蓬勃發展中，演算法進入門檻亦越來越低，真正的關鍵是如何為現有數據有效轉化為實際應用並產生效益，Domain know-how 才是真正挑戰所在。模型訓練 (Model Training) 需要強大的 CPU 運算能力奧援；但若能找到決定性的型態 (pattern)、做成推論引擎 (Inference Engine)，便能以最少運算資源、在最短時間內算出想要的結果。

延伸閱讀：
《Deep Learning 與 AI 進駐工業 4.0》
http://compotechasia.com/a/____/2017/0911/36625.html
(點擊內文標題即可閱讀全文)

#麗臺科技Leadtek #輝達nVidia #統一運算架構CUDA

★★【智慧應用開發論壇】(FB 不公開社團：https://www.facebook.com/groups/smart.application/) 誠邀各界擁有工程專業或實作經驗的好手參與討論，採「實名制」入社。申請加入前請至 https://goo.gl/forms/829J9rWjR3lVJ67S2 填寫基本資料，以利規劃議題方向；未留資料者恕不受理。★★