Page 93 - 2025 智動化工業總覽

91

搜索，以產生滿足機械性質要求之設計結果；但在給定設計目標與設計條件時，設計師往往仰賴過去
資料受限情境下 的經驗進行相關設定，從而使得設計結果缺乏多樣性與創新性。為解決此問題，本研究以汽車輪圈設

計為例，提出透過圖像生成方法Stable Diffusion，自動生成多樣化的產品設計圖，並建構影像辨識技
生成式AI在機械設計應用實例 術與生成資料合理性驗證技術，將合理之2D設計圖轉化為3D CAD模型，使設計師可透過提示詞之

方式產生多樣化的設計，進而避免設計者依賴過去經驗進行設計。

■文、圖／國立勤益科技大學 機械工程系助理教授 黃成凱
本研究自開源平台收集約 200 筆輪圈設計並轉為標準化 2D 黑白圖像，透過多角度旋轉擴充資料

在全球工業化的發展中，機械產業一直是推動經濟發展的核心力量。然而，隨著科技的進步和市場 集並完成風格與結構特徵標註；接著利用穩定擴散模型結合低秩適配技術進行微調，並透過交叉驗
需求的快速變化，機械產業面臨著前所未有的挑戰和壓力，特別是中小企業在數位化轉型的浪潮中 證選取最佳參數與反面樣本對抗訓練，以修正常見瑕疵。依照文字提示生成多組 2D 輪圈設計後，先
顯得格外脆弱；根據統計數據顯示：大型企業多已朝向數位化發展，但多數中小企業卻依賴傳統的紙 以 Canny 邊緣偵測[5]擷取輻條區域，再使用 Shoelace Theorem(1)計算輪圈多邊形面積，並同時求得重

本作業，這種落後不僅影響了產業競爭力，也限制了創新和發展潛力。面對這種現象，生成式人工智 心座標(2)後轉換為極座標 (r, θ)，以利對稱性檢查；最後透過 Jaccard (3)相似度衡量相鄰區域的形狀
慧（GenAI）的興起帶來了新的發展機遇，2022年OpenAI推出了ChatGPT，該平台顯示GenAI在理解和 重疊程度，若相似度高於預設閾值，即視為對稱且合理。所有通過驗證之設計最終將自動轉換為 3D
生成人類語言方面取得了重大進展，這不僅改變了人機互動的方式，也為自動化和智能化技術的應 CAD 模型，並藉由 SolidWorks API 完成草圖與輪廓切割及後續處理[6]。
用開闢新的可能性。在產品設計方面，Autodesk和Solidworks等公司也推出Generative Design技術，利 91

用AI優化設計過程、生成解決方案，這些技術正在重新定義產品設計和製造的未來。

各國政府對於GenAI的政策支持同樣不可忽視，如歐盟在工業5.0中強調結合永續發展和以人為中

心的技術革新，以建構更具韌性的產業體系；此外，面對少子化和勞動力短缺的問題，多個國家亦提
出積極推動AI技術的研發和應用，以保持產業競爭力、鞏固工業領域的領先地位，如中國政府推動於
2030年將發展成為全球主要的AI創新中心，日本則提出創造世界領先的AI技術、確保AI的社會實施以

及制定全球規則。

在GenAI技術對於產業的影響方面，根據Gartner的報告顯示[1]，GenAI不僅推動了軟體和硬體產業

的發展，還有望在未來幾年內成為主流。這種技術的發展將為製造業帶來顯著的效率提升和成本降
低，特別是在自動化和數據驅動的決策制定方面。

隨著全球客製化需求不斷攀升，傳統依賴大量手動操作與龐大數據支持的工程設計已難以因應快

速迭代的市場需求；儘管生成式人工智慧[2]在創意領域展現優勢，其在工程應用中仍面臨隨機性高
▲ 研究方法架構圖
及資料依賴重等問題[3]。文獻指出，穩定擴散結合降噪技術可提升生成品質，低秩適配(LoRA) 則能
在小樣本情境下有效降低對大數據的需求[4,5]。因此，本研究透過此二者的整合，先行微調模型以實
現2D輪圈設計的自動生成，再結合自動化驗證機制篩選不合格設計，最後將合格圖像轉為3D CAD模
型，以期在資料受限的工程設計中達到高效率與高可靠度的成果。

研究方法

在圖像生成與CAD設計生成領域分別已有許多學者投入研究，但主要應用於外形之設計；對於機
械零件設計而言，因其設計結果須滿足機械特性等拘束條件，因此若欲透過自動化方法自動生成設
▲ 2D 輪圈圖像轉換至 3D CAD 流程
計圖，大多需要由設計師根據經驗先定義設計目標、設計條件等，再利用最佳化方法於設計空間進行

90 91