【AI 驅動智慧工廠】從瑕疵檢測到預測維護的關鍵技術

這門課程由台科大智慧製造所梁書豪助理教授指導，內容精確對接半導體產業對於「高可靠度」與「智慧自動化」的極致追求。課程將從實務出發，解決半導體廠在瑕疵檢測、預防維護與邊緣部署等關鍵領域的真實痛點。

課程主旨

在半導體產業追求良率極致與生產效率的過程中，AI 技術已成為工業 4.0 轉型的核心引擎。本課程由梁書豪教授領軍，聚焦於「工業級 AI」的實務應用，深度剖析如何運用電腦視覺升級自動光學檢測 (AOI) 效能，特別針對標籤樣本稀缺的環境，探討非監督式異常檢測技術。

此外，課程將解析如何處理機台震動與電流等時序數據，透過 LSTM 模型進行設備剩餘壽命預測 (RUL)，落實精準的預測性維護。結合邊緣運算 (Edge AI) 部署實務與半導體封測廠實例分享，協助學員掌握從模型開發到產線落地的關鍵技術，實現智慧化工廠的數位轉型。

學習目標

• 掌握工業檢測技術： 學習利用 CNN 進行瑕疵定位，並掌握 Autoencoder 等非監督式學習處理工業異常檢測。
• 實踐預測性維護： 掌握感測器時序數據分析，能建構 LSTM/GRU 模型預測機台剩餘壽命，降低停機成本。
• 優化智慧排程與良率： 理解工業 AI 在製造管理中的應用邏輯，掌握數據驅動的良率優化策略。
• 具備邊緣部署力： 掌握將 AI 模型轉化並部署至工業級嵌入式硬體 (如 Jetson) 的實務工作流。

適合對象

• IC 製造與封測廠 AOI 工程師： 欲導入深度學習技術解決複雜背景下微小瑕疵檢測難題之專業人員。
• 廠務管理與預防維護工程師： 需透過感測器數據監控機台健康狀態，並實現智慧化預估維修時機者。
• 智慧製造系統架構師： 負責規劃半導體廠內 AI 模型部署、邊緣運算架構與系統整合之技術主管。
• 製程整合 (PIE) 與良率工程師： 欲利用大數據分析優化製程參數，提升產品良率與生產排程效率者。

課程規劃

第一日課程：工業 AI 基礎與視覺檢測實務

當日學習主軸： 掌握 AI AOI 瑕疵定位與非監督式異常檢測技術

第二日課程：預測性維護、邊緣運算與實務案例

當日學習主軸： 設備壽命預測實戰與工業邊緣硬體模型部署