智慧工廠落 地實施的10堂課:深入解析智慧製造案例與應用

智慧工廠

智慧工廠落地的十堂課~用機器學習實現製造的演算法實戰

在過去, 智慧工廠的概念被視為一種遙不可及的奢侈幻想。然而,隨著人工智慧和生產制造技術的不斷進步和演進,智慧製造實施的夢想已經逐漸變得觸手可及。

在這堂課程裡,你將深入了解智慧製造的概念與技術,並帶你一步步實際操作進行應用,透過挑戰真實案例培養解決問題能力。尤其是在ESG(環境、社會和治理)主題興起的背景下,不再只是一個未來的畫餅,而是成為了現代製造業追求和實現的必然趨勢。這樣的轉變不僅是技術的巨大飛躍,更代表著全球製造業在追求可持續、高效和環保的生產模式上的決心和努力。

課程資訊

Course Information

課程效益

  • 深入了解智慧工廠:獲得對智慧製造的全面認識,包括其概念、技術和在製造業中的作用。
  • 實際操作經驗:學會如何使用R和Python處理數據、建立模型,並在智慧工廠場景中進行實際應 用。
  • 問題解決能力:增強快速識別生產中的問題並設計出解決方案的能力。
  • 資料科學團隊建設:了解如何組建並管理一支強大的資料科學團隊,以支持企業數位化轉型。
  • 自主發展智慧製造:掌握如何結合內部知識和外部算法技術來推動企業自主發展智慧製造。

開課時間

2024/03/09-05/11(有白日&晚間班,詳見下面報名資訊)

預計課堂

10堂課(本課程為公開班)

課程對象​

  • 工程師
  • 製造業高級主管
  • 專業人員
  • 技術人員
  • 上課地點

    線上直播課程(提供錄影回放補課)

    預計時長

    30小時

    課程效益

  • 問題快速掌握與解決
  • 建立資料科學團隊的基石
  • 自主發展的智慧製造
  • 課程簡介

    Course Introduction

    智慧工廠 是製造業的必然趨勢
    但聽到要將之落地實現,你是不是也...

    智慧工廠是製造業的必然趨勢,但聽到要將之落地實現,你是不是也...

    #覺得很難落地

    我了解框架,但我無法停機和停下手邊工作,我該如何實際落地。

    #缺乏實務經驗

    我有專業的R與 Python技術,但缺乏對智慧製造的實務經驗,無法有效解決工廠的各種狀況。

    #沒有專業人才

    我有很多很好的想法和細節,但公司沒有演算法工程師,不知道如何將想法與現實串接起來。

    別擔心,這堂課將培養出能帶領公司發展智慧工廠的即戰力!

    人人都可以成為發展 智慧工廠 的動力!

    #對於工程師:

    透過的豐富的實戰經驗和學習資源,深入了解智慧工廠的概念,在短時間內掌握技術細節!

    #對於製造業高級主管:

    了解在工廠數位轉型中需要考慮的事宜,以及如何透過宏觀和微觀的視角有效管理和解決相關問題。

    #對於公司經營者:

    深化對智慧工廠和數位轉型的理解,立即掌握實施智慧製造所需的策略和技術,帶領企業在快速變化的商業環境中保持競爭力。

    這堂課和一般學程式的課有什麼不同?

    #實務導向的實戰課程

    不同於一般程式課程的理論灌輸,我們著重實演算法在工廠的應用,讓你在真實場景中學以致用。

    #課程直指核心立即上手

    與一般冗長的課程不同,我們直指工廠中最常見的問題,學習後可立即上手,解決廠中實際問題。

    #真實案例培養問題解決能力

    與一般程式課程不同,我們透過挑戰真實案例,磨練問題分析解決問題的能力,鞏固學到的技能。

    #快速通往捷徑

    與一般程式課程不同,我們結合講師的專業經驗,助你事半功倍地掌握專業知識。

    讓智慧工廠落地的10堂課:師資介紹-黃逸華Eric

    講師介紹 黃逸華Eric

    *臺灣人工智慧協會技術交流處長
    *中華亞太智慧物聯協會執行長
    *華實智造數據長
    *特靈空調系統(中國)有限公司工廠自動化總監
    *華科智造數據科技公司總經理
    *美商訊能集思智能科技公司副總裁
    *臺灣電子電機同業公會能源管理服務委員

    專注宏觀數據戰略及流程規劃、工業領域資料採擷及分析、工業流程自動化、智慧製造、服務製造、運營管理體系設計等領域,協助客戶有效轉型資料驅動型企業。曾協助世界500企業、重要城進行資料服務頂層設計、導入大區域大範圍能來源資料管理專案。

    課程中會解決的實際工廠情境

    情境:

    某工廠蒐集到數據往往品質不佳,無法有效利用數據來提升決策和運營效能?

    解決方法:

    引入數據清洗技巧,檢測和處理缺失值、異常值,並統一資料轉換後的規格,以確保數據的準確性和完整性。

    情境:

    傳統統計數據的方式難以滿足即時性需求,如何將數據即時呈現,並能作為決策的參考?

    解決方法:

    建立一個的「戰情中心」,統整所有數據,透過演算法雖時同步將數據轉化為可視化的介面,幫助管理團隊的即時作出決策。

    情境:

    某工廠設備都有按照規定定期保養,但設備還是會有故障發生,對生產線造成影響。

    解決方法:

    定期收集並分析設備運行數據,監控機器異常振動、過熱等預兆,建立機器運行狀態模型,以預測潛在故障,避免生產線停工。

    情境:

    某工廠希望整合多處數據,提供管理團隊決策支援,提升運營效率。

    解決方法:

    實施工業物聯網系統,收集、傳送並分析設備數據,搭配雲計算技術整合多源數據,進行大數據分析和決策優化,以提升工廠運營效率。

    情境:

    某工廠因為有設備需要連接網路運作,加上員工操作不當,導致機密數據洩漏。

    解決方法:

    強化網絡安全,透過加密、身份驗證和監控,防止駭客入侵工廠系統,並提供員工定期的數據安全培訓,規範處理內部機密的標準流程,建立報告機制以通報潛在風險。

    情境:

    某工廠在常在生產過程中產品品質的不一致,以及生產線上發現的不合格產品。

    解決方法:

    透過演算法讓機器實時監控生產線,自動檢測產品品質,及早發現和處理不合格品,確保生產出高品質的產品。

    情境:

    某工廠因為產品季節性的需求波動大,無法有效控管庫存水平,常常會產生過多庫存。

    解決方法:

    用時間序列分析和預測演算法,建立庫存優化模型,確保庫存水平能夠應對季節性需求變化,避免過度存儲。

    情境:

    某工廠在生產線的少數關卡遭遇瓶頸,導致生產速度受限,無法提升生產效率。

    解決方法:

    使用線性規劃和整數規劃等算法,建立預測模型,優化資源分配和平衡生產線,解決瓶頸問題達到最佳效益。

    課程主題架構圖

    透過架構圖,系統性的講授課程內容

    數據生命週期

    How do data live?

    基於特定應用目的收集的數位資料,數據品質的基本理解為還原度:能否在一定的脈絡下讓具備一定專業的人士均能得出相近的結論。
    可以分為:

    • 發生點
    • 採集點
    • 消費狀況(強度、類型..)
    • 更新需求
    • 終點(資安、倫理要求)
    • 管理(Manage)
    • 關鍵活動:數據的編制索引、備份、更新和維護。
    • 挑戰:有效管理数庫的規模增長,保持数的可用性和一致性。
    • 存儲(Store)
      關鍵活動:將數據安全地存儲在適當儲存媒介上,如雲存儲或本地伺服器。
      挑戰:選擇成本效益高、可擴展且安全的存儲解決方案。
    • 確保(Assure)
      關鍵活動:數據質量控制和完整性檢查。
      挑戰:持續保證數據質量,並適應不斷變化的質量標準。
    • 安全(Secure)
      關鍵活動:實施訪問限制、加密和風險管理策略。
      挑戰:抵禦外部和內部的安全威脅,並適應新興的安全技術。
    • 監控(Monitor)
      關鍵活動:持續監控數據的使用情況,並確定數據是保留還銷毀
      挑戰:有效地追踪數據流動,並在必要時進行審

    全方位的課程設計:

    實例解說搭配作業練習,百分百吸收課程知識

    01
    個人實戰練習
    每堂課都有回家作業,讓學員實際寫出自己的程式,複習課程中使用的算法,確保學習成效。
    02
    AI批改作業系統
    由授課老師打造的AI批改系統,針對每位學員的作業進行分析,並給予完整的修改建議。
    03
    線下交流活動
    在十堂課程之外,還會舉辦一場線下活動,可以實際和老師跟同學見面,交換彼此對智慧工廠的想法。
    04
    分組討論作業
    除了個人練習,還有分組的作業,透過分組作業交流同個問題的不同解法,開展自己的視野。
    05
    Q&A環節
    每堂課都設有Q&A環節,課程中會搜集學員的問題,在最後由講師會大家解惑,不讓問題留到明天。

    讓 智慧工廠 落地的十堂課,立即優化生產流程的算法實戰

    線上直播課程

    直播課程讓學員跟老師可以即時互動回饋,也提供錄影隨時隨地重複觀看複習

    GitHub教材存取區

    使用GitHub,將上課中的算法教材和作業放在上面,方便學員直接下載使用

    AI批改作業系統

    全新打造作業的批改系統,完整分析學員的作業,並提供專業的修改建議

    課程章節

    Course Chapter
    • 數據的生命週期管理
    • 數據科學方法論
    • 數據工廠的發展與重要性
    • 數據科學在智慧工廠的角色
    • 工廠數據盤點
    • 基本統計學概念
    • 數據的品質與重要性
    • 數據前處理技巧
    • 資料庫的基本概念
    • 資料庫類型與選擇
    • 關聯式資料庫
    • 分佈式運算介紹
    • GPU運算與其在數據處理中的應用
    • 爲什麼要同時掌握RPython
    • 實際應用與案例分享
    •  
    • 數據可視化的重要性
    • 工廠的戰情中心概念
    • 數據的即時運算與呈現
    • 深入了解數據可視化工具
    • 實際應用與案例分享
    • 問題的描述
    1. 設備故障的頻繁發生和未能及時預測的挑戰。
    2. 由於預期外的設備故障造成的生產損失。
    • 出現的場景
    1. 機器的異常振動、過熱或其他預兆。
    2. 由於缺乏維護導致的生產線停工。
    • 可能的解決方案
    1.     定期收集和分析設備的運行數據。
    2.     根據歷史數據和運行狀態預測設備的維護時間。
    • 涉及到的算法
    1. 時間序列分析
    2. 生存分析、Cox比例風險模型。
    3. 基於風險的檢測(RBI)簡介
    4. 簡要描述RBI方法,它如何幫助優先考慮設備的檢測,以及其在預測性維護中的應用。
    • R 與 Python 的實現
    1. 使用R語言實現生存分析。
    2. 使用PythonLifelines庫進行設備預測性維護的分析。
    • 問題的描述
    1.    實時監控生產線的重要性。
    2.    早期識別和預測潛在的異常或中斷的挑戰。
    • 出現的場景
    1.     產品製造過程中的不規律性。
    2.     設備故障、物料短缺等突發情況。
    • 可能的解決方案
    1.     使用傳感器收集實時數據。
    2.     建立數據監控和報警系統。
    3.     《監測強度評估表》的介紹
    • 涉及到的算法
    1.     線性回歸
    2.     時間序列異常檢測。
    3.     集群分析與異常檢測。
    • R 與 Python 的實現
    1. 使用R語言實現異常檢測。
    2. 使用Python的Scikit-learn和PyOD庫實現異常檢測。
    • 問題的描述
    1.  生產過程中產品品質的不一致性。
    2.     需要提前識別品質問題,以減少浪費和回收。
    • 出現的場景
    1.     在生產線上發現的不合格產品。
    2.     客戶反饋產品存在的問題。
    • 可能的解決方案
    1.     實時監控生產線,自動檢測產品品質。
    2.     通過分析生產數據,找出可能的品質問題源頭。
    • 涉及到的算法
    1. 標準差、協方差
    2. 統計品質控制(如控制圖)。
    3. 基於結果的檢測。
    4. 基於概率的檢測。
    5. 多變量分析、主成分分析(PCA)。
    6. 交叉分析
    • R 與 Python 的實現

    1. 使用R語言進行統計品質控制分析和基於結果的檢測。
    2. 使用PythonSciPyScikit-learn庫進行多變量分析和基於概率的檢測。
    • 問題的描述
    1. 如何優化庫存水平以滿足需求但不產生過多存儲?
    2. 如何確保及時供應,減少過度存儲或短缺?
    • 出現的場景
    1.     季節性的需求波動導致的庫存問題。
    2.     銷售與出貨之間的時間差如何理解
    • 可能的解決方案
    1.     實施精確的需求預測方法。
    2.     建立庫存優化模型,考慮各種風險和成本。
    • 涉及到的算法
    1. 時間序列分析和預測(如ARIMA, LSTM)。
    2. 最佳化模型(如線性規劃、整數規劃)。
    • R 與 Python 的實現
    1. 使用R語言進行時間序列分析和預測
    2. 使用PythonSciPy庫實現最佳化模型和模擬。
    • 問題的描述
    1.     如何提高生產效率和減少浪費?
    2.     如何利用數據和算法優化生產流程?
    • 出現的場景
    1.     生產線的瓶頸導致生產速度受限。
    2.     資源的過度或不足分配導致生產中斷或效率下降。
    • 可能的解決方案
    1.     利用數據分析找到生產瓶頸和非效益區域。
    2.     基於預測數據重新設計和平衡生產線。
    • 涉及到的算法
    1.     線性規劃和整數規劃用於資源分配。
    2.     隨機森林或神經網路用於預測模型。
    3.     差異分析、因子分析或相關性分析用於找到影響效率的關鍵因素。
    • R 與 Python 的實現

    1. 使用R進行差異分析和因子分析
    2. 利用PythonSciPyScikit-learn庫進行最佳化計算和預測模型構建。
    • 問題的描述
    1.     如何透過工業物聯網技術提高工廠的運營效率?
    2.     如何整合多源數據,提供決策支援?
    • 出現的場景
    1.     需要實時監控工廠內各項設備的運作狀況。
    2.     借助感測器和其他裝置收集數據,進行分析和預測。
    • 可能的解決方案
    1.     實施工業物聯網系統,收集、傳送並分析設備數據。
    2.     利用雲計算技術,進行大數據分析和決策優化。
    • 涉及到的算法
    1.     邊緣運算用於在設備端進行初步數據分析。
    2.     深度學習用於辨識複雜的模式和趨勢。
    3.     網絡分析用於評估設備間的互動和依賴性。
    • R Python 的實現

    1. 利用R進行邊緣運算中的數據清洗和初步分析。
    2. 使用PythonTensorFlowPyTorch進行深度學習模型的設計和訓練。
    • 問題的描述
    1.     如何保護工廠數據不被外部入侵?
    2.     如何確保內部員工不洩露敏感信息?
    • 出現的場景
    1.     連接到網絡的工廠設備成為駭客的目標。
    2.     員工無意中洩露了生產秘密。
    • 可能的解決方案
    1.     實施強大的網絡安全措施和防火墻。
    2.     進行員工培訓和意識提高。
    • 差分隱私的概念
    1. 什麼是差分隱私?
    2. 如何通過差分隱私保護個人數據?
    • 大型語言模型上雲的風險
    1. 為什麼大型語言模型存在隱私風險?
    2. 如何減少這些風險?

    報名資訊

    Registration information

    上課時數

    10堂線上上課,1堂實體活動,一次3小時,共33小時

    報名班次

    白日班(週六9:30~12:30) 晚間班(周六19:00~22:00)

    上課日期

    3/9、3/16、3/23、3/30(實體活動)、4/13、4/20、4/27、5/4、5/11、5/18、5/25

    報名費用

    定價 :$18000 現在報名優惠價:$15000
    早鳥優惠價:$13500 (1/31前報名繳費享早鳥優惠價)
    二人以上優惠價:$13500 /人

    如何報名

    1.填寫下面報名表直接報名
    2.來電洽詢細節:02-27363878 #136黃小姐#168王小姐

    相關文章

    Related Articles

    團隊培訓發展方案

    Have Questions

    聯絡我們

    智谷顧問團隊有20年經驗,提供企業多元且全方位的培訓課程,針對您的問題,提供專業可靠意見,打造屬於您的有效方案。