Page 94 - 2025 智動化工業總覽
P. 94
93
2. Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. Adv Neural Inf Process Syst.
2014;27:2672–2680.
3. Yoo S, Lee S, Kim S, Hwang KH, Park JH, Kang N. Integrating deep learning into CAD/CAE system:
generative design and evaluation of 3D conceptual wheel. Struct Multidisc Optim. 2021;63:2667–2687.
4. Hu, E.J., Shen, Y., Wallis, P., Yao, Z., et al. LoRA: Low-Rank Adaptation of Large Language Models.
arXiv preprint arXiv:2106.09685.
5. Xie, Y., Zhang, Z., Li, M., & Chen, L. LoRA for Diffusion Models: Reducing Time and Memory
Consumption. arXiv preprint arXiv:2312.06899.
6. Canny J. A computational approach to edge detection. IEEE Trans Pattern Anal Mach Intell.
1986;8(6):679–698.
▲ 程式總流程圖 7. International Organization for Standardization, ISO 4000-2:2021: Passenger car tyres and rims — Part 2:
實驗與討論 Rims. Geneva, Switzerland: ISO, 2021.
為驗證本研究所提出設計流程的可行性與效率，首先以200筆輪圈圖像資料進行模型訓練，並產生
300組2D輪圈設計圖像。經系統內建之幾何與對稱性驗證機制檢查後，通過率達90%，顯示模型具備
穩定生成可行設計的能力。在執行效率方面，自文字提示輸入至2D圖像產生平均約需4秒，進一步轉
92 換為3D CAD模型則需約6秒，整體自動化流程平均僅需10秒內可完成單一設計圖的產出與驗證。相
較於傳統需2至3小時完成輪圈設計初稿的流程，時間大幅縮短，展現高效能特性。
此外，於兩家合作之輪圈製造企業中進行實地測試，將本系統導入五件實際客製化設計案中使用。
測試結果顯示，設計階段所需時間由原本平均5小時縮減至1小時內完成選型，整體開發流程自設計至
原型建構約可縮短30%以上，並可顯著減少設計修正次數與人員溝通成本。本研究所提出之方法在資
料受限條件下，依然能維持高通過率與快速反應能力，展現其作為中小企業智慧設計輔助工具之潛
力。亦為生成式AI在實際機械工程設計領域應用提供具體案例支持。
結論
本研究提出一套結合生成式人工智慧（Generative AI）與自動幾何驗證機制之工程設計流程，專為
資料受限情境下的產 週期，並成功於產業測試中證實其具備30%以上的時間節省效果。此成果不僅
展現出生成式AI於產品設計領域的實務潛力，也提供中小型企業在面對人力與資料資源不足時的可
行解方。
未來研究建議可進一步結合CAE模擬與CAM製程模組，建構更完整的AI驅動之智慧設計與製造流
程；同時亦可拓展至其他具旋轉特性與外觀需求的零組件設計，如風扇葉片、機械轉子與運動裝置
等，以擴展本系統在不同產業中的應用範疇。
參考文獻
1. Gartner. (2023). Predicts 2024: Generative AI Boosts IT Service Delivery and Productivity. Gartner, Inc.
Retrieved from www.gartner.com
92 93
