AI走入工業(yè)物聯(lián)網(wǎng)逐步打造制造智能制造

近年來消費(fèi)市場快速變動，對全球制造業(yè)帶來嚴(yán)峻挑戰(zhàn)， 導(dǎo)入智能制造架構(gòu)成為業(yè)者永續(xù)經(jīng)營的必要策略，而在新世代的制造系統(tǒng)中，工業(yè)物聯(lián)網(wǎng)不僅成為核心架構(gòu)，更會與AI（人工智能）結(jié)合，落實(shí)智能化愿景。

所有場域應(yīng)用的工業(yè)設(shè)備聯(lián)網(wǎng)，其架構(gòu)都相同，都是由傳感器、通訊網(wǎng)絡(luò)與云端管理平臺所組成的3層架構(gòu)，由傳感器進(jìn)行工業(yè)數(shù)據(jù)采集，再經(jīng)由通訊網(wǎng)絡(luò)傳送到上層云端平臺儲存、運(yùn)算，最后再以分析出來的數(shù)據(jù)作為系統(tǒng)運(yùn)作的決策參考，而在整體架構(gòu)中， AI過去多被建置在上層的云端平臺，透過強(qiáng)大的機(jī)器學(xué)習(xí)算法，分析由終端感測層傳回的海量數(shù)據(jù)。

不過，機(jī)器學(xué)習(xí)算法需要一定的運(yùn)算時間，其目的也多在解決制造業(yè)類似像是制程排程優(yōu)化的長時間問題，對于制程中會遇到的實(shí)時問題反應(yīng)與控制指令回饋會緩不濟(jì)急，近兩年邊緣運(yùn)算概念興起，成為工業(yè)物聯(lián)網(wǎng)的實(shí)時性問題的最佳答案。

邊緣運(yùn)算的做法是讓終端設(shè)備具有一定的運(yùn)算能力，具有邊緣運(yùn)算設(shè)計的工業(yè)物聯(lián)網(wǎng)架構(gòu)，必須先建立起一套數(shù)據(jù)流模式，當(dāng)傳感器擷取到設(shè)備的狀態(tài)數(shù)據(jù)后，就將數(shù)據(jù)傳送到通訊層的網(wǎng)關(guān)，網(wǎng)關(guān)再依照系統(tǒng)建構(gòu)時的設(shè)定讓數(shù)據(jù)分流。

需要實(shí)時處理數(shù)據(jù)傳送到前端控制器，讓自動化設(shè)備可以快速反應(yīng)，需要儲存累績?yōu)殚L期數(shù)據(jù)的數(shù)據(jù)，則送往數(shù)據(jù)庫儲存，上層再透過運(yùn)算平臺分析出結(jié)果，提供管理者作為決策參考，因此現(xiàn)在完整的工業(yè)物聯(lián)網(wǎng)， 其AI會被分別設(shè)計在會有終端與云端兩部分，讓分布式與集中式運(yùn)算在架構(gòu)中并存，彼此各司所職。

再從設(shè)備供應(yīng)端在工業(yè)物聯(lián)網(wǎng)的研究議題來看，現(xiàn)在主要是集中在4個方向，包括生產(chǎn)系統(tǒng)、產(chǎn)品質(zhì)量、制程優(yōu)化與數(shù)字建模。 在這4大方向中，各有其需要解決的問題，像是生產(chǎn)系統(tǒng)中，設(shè)備的狀態(tài)感測、監(jiān)控與預(yù)診，產(chǎn)品質(zhì)量的檢測、預(yù)測，制程優(yōu)化的參數(shù)設(shè)定、能源運(yùn)用，數(shù)字建模的數(shù)字雙生平泰建立等，透過工業(yè)物聯(lián)網(wǎng)的數(shù)據(jù)擷取與分析，將可逐步解決這些問題， 提升系統(tǒng)整體效能。

在工業(yè)物聯(lián)網(wǎng)中，AI主要用來做制程的優(yōu)化與長期規(guī)畫等非實(shí)時性決策，例如現(xiàn)在消費(fèi)性市場的產(chǎn)品類別多樣，制程系統(tǒng)的換線將成為常態(tài)，透過大數(shù)據(jù)與AI的運(yùn)算，就可盡量縮短換線生產(chǎn)的停機(jī)時間，讓排程優(yōu)化。

進(jìn)行產(chǎn)線排程時，需從機(jī)器環(huán)境、制程加工特性與限制、排程目標(biāo)，依據(jù)工作到達(dá)達(dá)生產(chǎn)現(xiàn)場的情況區(qū)分，可分靜態(tài)及動態(tài)排程兩種，靜態(tài)排程是到達(dá)生產(chǎn)現(xiàn)場時，其制造數(shù)目？固定且可一次完成的任務(wù)進(jìn)行排程，后續(xù)如果出現(xiàn)新工作， 再并入下一次制程處理。 動態(tài)排程則是若制程連續(xù)、產(chǎn)品隨機(jī)，而且數(shù)目不固定的到達(dá)生產(chǎn)現(xiàn)場，須不斷的更新生？排程。

就上述兩種排程方式來看，靜態(tài)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(xué)習(xí)算法分析各環(huán)節(jié)的時間與質(zhì)量，不斷的改進(jìn)工序，讓效能與質(zhì)量優(yōu)化；動態(tài)排程則用于少量多樣生產(chǎn)，AI會針對不同產(chǎn)品的工序， 建立起換線模式，有不同產(chǎn)品上線時，即啟動專屬換線模式，盡量縮短停機(jī)時間，同時讓產(chǎn)品維持固定質(zhì)量。

由于工業(yè)物聯(lián)網(wǎng)上層的AI建置，效益需要一段時間才浮現(xiàn)，不會是立竿見影的發(fā)生，而且對制造業(yè)者來說并非當(dāng)務(wù)之急，因此目前投入者大多為大型制造業(yè)，中小規(guī)模的業(yè)者，則以底層的邊緣運(yùn)算為主。

目前中小企業(yè)的工業(yè)物聯(lián)網(wǎng)建置，制造設(shè)備的預(yù)知保養(yǎng)與制程檢測仍是兩大主要功能，由于設(shè)備的無預(yù)警停機(jī)，將會造成整體產(chǎn)線停擺，輕則產(chǎn)在線的半成品報廢，重則交期延宕影響商譽(yù)，設(shè)備保養(yǎng)過去多采人工記錄方式，人員再按照時間維護(hù)， 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(yè)外，設(shè)備也有可能在未達(dá)維護(hù)時間時故障。

工業(yè)物聯(lián)網(wǎng)中的設(shè)備預(yù)知保養(yǎng)可分兩類，一種是直接在管理系統(tǒng)上設(shè)計提醒功能，主動告知相關(guān)人員維修時間，另一種則是由傳感器偵測設(shè)備狀態(tài)，若是出現(xiàn)異常，AI則會依據(jù)出現(xiàn)的狀態(tài)頻率，判斷可能發(fā)生的情況，再做不同處理， 例如傳感器發(fā)現(xiàn)馬達(dá)的震動，有可能是軸心歪斜，系統(tǒng)會依據(jù)震動的大小與頻率判斷馬達(dá)現(xiàn)在的狀態(tài)，如果有可能會立即損壞，就馬上告知設(shè)備維護(hù)人員停機(jī)更換，如果沒有立即危險，則會讓馬達(dá)持續(xù)運(yùn)作，并記錄該馬達(dá)的狀況， 讓管理人員自行決定維護(hù)時間，讓產(chǎn)線可以維持穩(wěn)定的運(yùn)作效能。

邊緣運(yùn)算的另一種主要功能是制程檢測，從目前AI的發(fā)展來看，圖像處理占有70％以上的應(yīng)用，在工業(yè)物聯(lián)網(wǎng)架構(gòu)中也是如此。 過去制程中多靠人眼檢測產(chǎn)品質(zhì)量，由于人眼容易疲勞，隨著工作時間的拉長，檢測質(zhì)量會逐漸降低，再者，部分消費(fèi)性產(chǎn)品的體積越來越小，產(chǎn)線速度越來越快，人眼已難以負(fù)荷，現(xiàn)在已被取代機(jī)器視覺所取代。

現(xiàn)在的機(jī)器視覺判斷速度非常快，且精準(zhǔn)度越來越高，不過其運(yùn)作模式仍是貼合大量制造的制程為設(shè)計，其快速與精準(zhǔn)的辨識，僅能適用于少數(shù)類型，在少量多樣或混線生產(chǎn)的制程中仍力有未逮，而AI則可讓機(jī)器視覺擁有學(xué)習(xí)能力， 未來的設(shè)備將可透過算法自我學(xué)習(xí)，遇到不一樣的產(chǎn)品種類或瑕疵時，即可自主判斷，不必再由管理人員重新設(shè)定、調(diào)整判別模式。

至于制造業(yè)要審視本身在工業(yè)4.0中所占的位置，則可透過訊息物理系統(tǒng)（Cyber Physics System）當(dāng)中的5C架構(gòu)來進(jìn)行評判標(biāo)準(zhǔn)， 5C標(biāo)準(zhǔn)非常適合用來檢視工業(yè)4.0技術(shù)的成熟度，并輔助企業(yè)審視各階段所需的代表性能力與技術(shù)，順利導(dǎo)入工業(yè)物聯(lián)網(wǎng)。 5C架構(gòu)從最底層初階技術(shù)至最高層高階應(yīng)用共可分為五個能力組成，分別是鏈接（Connect）、轉(zhuǎn)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(tǒng)，透過聯(lián)網(wǎng)技術(shù)讓機(jī)器與機(jī)器間能夠互相通訊、進(jìn)行串聯(lián)。 其次是轉(zhuǎn)化，這階段是讓設(shè)備機(jī)臺在初步的連網(wǎng)后，將擷取到的信息轉(zhuǎn)換為具有分析價值的數(shù)據(jù)信息，例如設(shè)備的失效或良率的分析。 其中，設(shè)備端點(diǎn)須具備分析、智能化的能力是這一階段中非常關(guān)鍵的能力。

在第三個階段虛擬中，則是強(qiáng)調(diào)虛擬化的數(shù)字雙生（Digital Twins），在所有機(jī)臺都連網(wǎng)之后，形成另外一個虛擬、同步化的工廠運(yùn)行，而其數(shù)字工廠具備感知、預(yù)測能力，可預(yù)測“ 非計劃內(nèi)”的設(shè)備故障，當(dāng)故障訊息被數(shù)字工廠擷取后，更可以仿真接下來如何執(zhí)行優(yōu)化的重新排程，例如像日本近年就非常致力于推動數(shù)字工廠的運(yùn)行。

至于第四層感知階段，主要則是導(dǎo)入如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等一系列的人工智能技術(shù)，讓機(jī)器可自我學(xué)習(xí)、進(jìn)化，并從大數(shù)據(jù)分析中不斷進(jìn)行推算與仿真，進(jìn)而在設(shè)備端預(yù)防機(jī)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(jī)器能夠藉由感知、學(xué)習(xí)的結(jié)果，以自主的方式改變機(jī)器設(shè)備的設(shè)定，就好比自動駕駛的概念，利用系統(tǒng)對環(huán)境變化的判斷與分析自動更改執(zhí)行命令。 而工廠的機(jī)器同樣也能夠根據(jù)感測系統(tǒng)、訂單需求等的變化重新排程，訂立優(yōu)化的結(jié)果，這也是目前工業(yè)4.0追求的最高層級。

透過不同階段的認(rèn)知，制造業(yè)即可掌握目前自身系統(tǒng)所在的位置，并根據(jù)自身問題，向系統(tǒng)整合商提出功能需求，例如產(chǎn)品質(zhì)量不佳，就以圖像處理強(qiáng)化質(zhì)量控管；要提升效能，則可偵測設(shè)備的使用狀態(tài)，提升OEE（整體設(shè)備效率）， 而這些功能都可透過簡單的AI設(shè)置，加快效益的浮現(xiàn)速度。

談到AI，過去多認(rèn)為是遙不可及的概念，但其實(shí)AI可分為強(qiáng)AI與弱AI，在工業(yè)物聯(lián)網(wǎng)的邊緣運(yùn)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(yè)者不必認(rèn)為太過遙遠(yuǎn)就一徑排斥，可與系統(tǒng)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(dǎo)入，企業(yè)就可在有限的成本與風(fēng)險下逐步轉(zhuǎn)型，維持市場競爭力。

以上就是今天和大家分享的工業(yè)物聯(lián)網(wǎng)內(nèi)容，我們專注于為制造型企業(yè)提供智能工廠規(guī)劃?服務(wù)，如果覺得此文讓你小有收獲，可以搜索“德誠智能”與我們進(jìn)行互動學(xué)習(xí)。