|
1969年PLC問世后，自動化技術在制造領域逐漸站穩腳步，如今已是全球制造系統的核心架構，由于制造系統講究穩定，因此對新技術、新架構的接受速度向來緩慢，不過近年來消費市場快速變動，對全球制造業帶來嚴峻挑戰， 導入智能化架構成為業者永續經營的必要策略，而在新世代的制造系統中，工業物聯網不僅成為核心架構，更會與AI（人工智能）結合，落實智能化愿景。 所有場域應用的物聯網，其架構都相同，都是由傳感器、通訊網絡與云端管理平臺所組成的3層架構，由傳感器擷取設備數據，再經由通訊網絡傳送到上層云端平臺儲存、運算，最后再以分析出來的數據作為系統運作的決策參考，而在整體架構中， AI過去多被建置在上層的云端平臺，透過強大的機器學習算法，分析由終端感測層傳回的海量數據。 不過，機器學習算法需要一定的運算時間，其目的也多在解決制造業類似像是制程排程優化的長時間問題，對于制程中會遇到的實時問題反應與控制指令回饋會緩不濟急，近兩年邊緣運算概念興起，成為工業物聯網的實時性問題的最佳答案。 上層AI多用于長期規劃 邊緣運算的做法是讓終端設備具有一定的運算能力，具有邊緣運算設計的工業物聯網架構，必須先建立起一套數據流模式，當傳感器擷取到設備的狀態數據后，就將數據傳送到通訊層的網關，網關再依照系統建構時的設定讓數據分流， 需要實時處理數據傳送到前端控制器，讓自動化設備可以快速反應，需要儲存累績為長期數據的數據，則送往數據庫儲存，上層再透過運算平臺分析出結果，提供管理者作為決策參考，因此現在完整的工業物聯網， 其AI會被分別設計在會有終端與云端兩部分，讓分布式與集中式運算在架構中并存，彼此各司所職。 再從設備供應端在工業物聯網的研究議題來看，現在主要是集中在4個方向，包括生產系統、產品質量、制程優化與數字建模。 在這4大方向中，各有其需要解決的問題，像是生產系統中，設備的狀態感測、監控與預診，產品質量的檢測、預測，制程優化的參數設定、能源運用，數字建模的數字雙生平泰建立等，透過工業物聯網的數據擷取與分析，將可逐步解決這些問題， 提升系統整體效能。 在工業物聯網中，AI主要用來做制程的優化與長期規畫等非實時性決策，例如現在消費性市場的產品類別多樣，制程系統的換線將成為常態，透過大數據與AI的運算，就可盡量縮短換線生產的停機時間，讓排程優化。 進行產線排程時，需從機器環境、制程加工特性與限制、排程目標，依據工作到達達生產現場的情況區分，可分靜態及動態排程兩種，靜態排程是到達生產現場時，其制造數目?固定且可一次完成的任務進行排程，后續如果出現新工作， 再并入下一次制程處理。 動態排程則是若制程連續、產品隨機，而且數目不固定的到達生產現場，須不斷的更新生?排程。 就上述兩種排程方式來看，靜態排程通常為少樣多樣方式，AI在其中要解決的問題，主要是透過深度學習算法分析各環節的時間與質量，不斷的改進工序，讓效能與質量優化；動態排程則用于少量多樣生產，AI會針對不同產品的工序， 建立起換線模式，有不同產品上線時，即啟動專屬換線模式，盡量縮短停機時間，同時讓產品維持固定質量。 邊緣運算效益可快速浮現 由于工業物聯網上層的AI建置，效益需要一段時間才浮現，不會是立竿見影的發生，而且對制造業者來說并非當務之急，因此目前投入者大多為大型制造業，中小規模的業者，則以底層的邊緣運算為主。 目前中小企業的工業物聯網建置，制造設備的預知保養與制程檢測仍是兩大主要功能，由于設備的無預警停機，將會造成整體產線停擺，輕則產在線的半成品報廢，重則交期延宕影響商譽，設備保養過去多采人工記錄方式，人員再按照時間維護， 不過這種方式除了有可能因人員疏失或懈怠，未能定時作業外，設備也有可能在未達維護時間時故障。 工業物聯網中的設備預知保養可分兩類，一種是直接在管理系統上設計提醒功能，主動告知相關人員維修時間，另一種則是由傳感器偵測設備狀態，若是出現異常，AI則會依據出現的狀態頻率，判斷可能發生的情況，再做不同處理， 例如傳感器發現馬達的震動，有可能是軸心歪斜，系統會依據震動的大小與頻率判斷馬達現在的狀態，如果有可能會立即損壞，就馬上告知設備維護人員停機更換，如果沒有立即危險，則會讓馬達持續運作，并記錄該馬達的狀況， 讓管理人員自行決定維護時間，讓產線可以維持穩定的運作效能。 邊緣運算的另一種主要功能是制程檢測，從目前AI的發展來看，圖像處理占有70％以上的應用，在工業物聯網架構中也是如此。 過去制程中多靠人眼檢測產品質量，由于人眼容易疲勞，隨著工作時間的拉長，檢測質量會逐漸降低，再者，部分消費性產品的體積越來越小，產線速度越來越快，人眼已難以負荷，現在已被取代機器視覺所取代。 現在的機器視覺判斷速度非常快，且精準度越來越高，不過其運作模式仍是貼合大量制造的制程為設計，其快速與精準的辨識，僅能適用于少數類型，在少量多樣或混線生產的制程中仍力有未逮，而AI則可讓機器視覺擁有學習能力， 未來的設備將可透過算法自我學習，遇到不一樣的產品種類或瑕疵時，即可自主判斷，不必再由管理人員重新設定、調整判別模式。 感知運算會是下一步 在現有的設備預診與制測檢測之后，制造系統的邊緣運算接下來將會有那些重點應用？ 易用性將會是下一個趨勢，而要讓設備易用，感知會是系統的必要設計理念。 相對于現在的工業物聯網中，邊緣運算只能找出系統問題，感知運算則可找到問題的原因，并直接提出最佳解決方式，制造系統的智能化設計，必須針對不同用戶提供適用功能，決策者、管理者、操作者所需的信息大不相同， 第一線的設備作業者遇到問題時，往往面臨極大的時間壓力，此時系統并不需要問題以外的信息，只需要系統直接告知問題所在，甚至提出可行的解決方式，像是設備故障，系統會直接在畫面顯示或以語音提示，告知操作人員先按下某個按鍵， 讓系統先恢復安全狀態，之后再提示緊急狀態的發生原因。 這就是感知運算最大的優勢所在，隨著IT領域軟硬件技術提升與制造業對智能化概念的逐漸接受，感知運算將成為制造業的應用會越來越多。 觀察發展現況，工業4.0在制造業已是大勢所趨，無論是設備應應商或制造業者，導入工業物聯網的動作也都轉趨積極，不過有成效者仍占少數，之前研究機構麥肯錫（McKinsey）就曾針對歐、美、日等地的制造大廠進行調查， 根據調查顯示，建置相關系統的企業中，僅有四成認為有獲得成效或確實改善了制程，此一結果雖然不至于太慘，但與當初預期仍有一段距離。 至于臺灣地區市場，由于制造業族群分布零散，工業4.0要落實在不同產業中仍有困難，原因在于無論是技術成熟度、策略方針到問題痛點，不同型態的制造業，其差異都相當大，因此制造業導入工業物聯網的第一步，就是先審視自己所處的位置， 以找出最合適的解決方案。 業者指出，各族群制程系統的技術成熟度不同，對工業物聯網的功能需求差異也極大，例如傳產可能連第一步將設備連網的階段都還未達到，更遑論AI，但也有產業已在深入研究AI、機器學習等技術的深化應用，讓設備自主優化。 你在工業4.0的哪一階段？ 至于制造業要審視本身在工業4.0中所占的位置，則可透過訊息物理系統（Cyber Physics System）當中的5C架構來進行評判標準， 5C標準非常適合用來檢視工業4.0技術的成熟度，并輔助企業審視各階段所需的代表性能力與技術，順利導入工業物聯網。 5C架構從最底層初階技術至最高層高階應用共可分為五個能力組成，分別是鏈接（Connect）、轉化（Covert）、虛擬（Cyber）、感知（Cognition）以及自我配置（Configure）。 第一階段的鏈接，最主要是整合OT與IT系統，透過聯網技術讓機器與機器間能夠互相通訊、進行串聯。 其次是轉化，這階段是讓設備機臺在初步的連網后，將擷取到的信息轉換為具有分析價值的數據信息，例如設備的失效或良率的分析。 其中，設備端點須具備分析、智能化的能力是這一階段中非常關鍵的能力。 在第三個階段虛擬中，則是強調虛擬化的數字雙生（Digital Twins），在所有機臺都連網之后，形成另外一個虛擬、同步化的工廠運行，而其數字工廠具備感知、預測能力，可預測「 非計劃內」的設備故障，當故障訊息被數字工廠擷取后，更可以仿真接下來如何執行優化的重新排程，例如像日本近年就非常致力于推動數字工廠的運行。 至于第四層感知階段，主要則是導入如機器學習、深度學習等一系列的人工智能技術，讓機器可自我學習、進化，并從大數據分析中不斷進行推算與仿真，進而在設備端預防機器故障與良率不佳的狀況。 最后一個階段自我配置，則是能夠機器能夠藉由感知、學習的結果，以自主的方式改變機器設備的設定，就好比自動駕駛的概念，利用系統對環境變化的判斷與分析自動更改執行命令。 而工廠的機器同樣也能夠根據感測系統、訂單需求等的變化重新排程，訂立優化的結果，這也是目前工業4.0追求的最高層級。 透過不同階段的認知，制造業即可掌握目前自身系統所在的位置，并根據自身問題，向系統整合商提出功能需求，例如產品質量不佳，就以圖像處理強化質量控管；要提升效能，則可偵測設備的使用狀態，提升OEE（整體設備效率）， 而這些功能都可透過簡單的AI設置，加快效益的浮現速度。 據羿戓機器學習所了解，談到AI，過去多認為是遙不可及的概念，但其實AI可分為強AI與弱AI，在工業物聯網的邊緣運算中，通常只需要用到有限效能的弱AI，就可有效提升效能，因此制造業者不必認為太過遙遠就一徑排斥，可與系統廠商溝通討論，先從影響不大 、成本不高之處先行建置，再視成效決定下一步動作，透過不斷的嘗試、修正與導入，企業就可在有限的成本與風險下逐步轉型，維持市場競爭力。 
|
