以機器學習方法預測軌道式搬運車與自動倉儲間之總運輸時間 – 以 TFT-LCD Cell 廠為例

Abstract

疫情的肆虐侷限了現今人們的社交行為，因而帶動了遠距教學和居家辦公，加上宅經濟的興起，人們對3C產品需求的劇增使面板和半導體產業的生產業務急遽成長。雖然面板廠和半導體廠之生產設備皆已具備高度自動化以及電腦整合，但物料搬運設備於典型的生產流程中卻僅屬於支援系統，仍採用當需求發生才派遣的策略，一旦工廠的生產作業爆增，便會使得搬運系統的搬運工作有大量囤積、塞車、延誤等情形產生，導致自動物料搬運系統之搬運效率下降。 本研究將著重於給定生產排程下的自動搬運系統之運輸時間預測，研究案例為TFT-LCD面板之cell廠區，研究對象則為自動倉儲設備與軌道式搬運車兩種搬運設備，本研究分別會進行單台搬運設備個別預測及合併兩台搬運設備之預測，藉由機器學習方法預測當派貨系統發出指令到指令完成之時間，即為面板裝載匣由起點機台傳送至終點機台所需花費之運輸時間，其中，也會詳細解說本研究如何透過對現有欄位資料的觀察及分析，創造出帶有更多資訊之欄位以貼近工廠內真實運作情形，例如指令之等候個數、搬運路徑、設備間暫存區的狀態、歷史資料、設備與各站點間的距離等等。從研究結果發現，以上提及的變數皆能對模型的預測能力有所提升，其中路徑相關欄位的特徵重要程度在合併兩台搬運設備後之資料明顯增加，證明當搬運設備合併的數量增加則會使移動的路徑以及經過的站點變得重要，且透過搬運設備的結合能使模型學到更多的資訊，因而得到更好的預測結果。