AI走進(jìn)工業(yè)物聯(lián)網(wǎng) 逐步打造制造智能化

　　1969年P(guān)LC問(wèn)世后，自動(dòng)化技術(shù)在制造領(lǐng)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(shù)、新架構的接受速度向來(lái)緩慢，不過(guò)近年來(lái)消費市場(chǎng)快速變動(dòng)，對全球制造業(yè)帶來(lái)嚴峻挑戰， 導入智能化架構成為業(yè)者永續經(jīng)營(yíng)的必要策略，而在新世代的制造系統中，工業(yè)物聯(lián)網(wǎng)不僅成為核心架構，更會(huì )與AI(人工智能)結合，落實(shí)智能化愿景。

　　所有場(chǎng)域應用的物聯(lián)網(wǎng)，其架構都相同，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，由傳感器擷取設備數據，再經(jīng)由通訊網(wǎng)絡(luò )傳送到上層云端平臺儲存、運算，最后再以分析出來(lái)的數據作為系統運作的決策參考，而在整體架構中， AI過(guò)去多被建置在上層的云端平臺，透過(guò)強大的機器學(xué)習算法，分析由終端感測層傳回的海量數據。

　　不過(guò)，機器學(xué)習算法需要一定的運算時(shí)間，其目的也多在解決制造業(yè)類(lèi)似像是制程排程優(yōu)化的長(cháng)時(shí)間問(wèn)題，對于制程中會(huì )遇到的實(shí)時(shí)問(wèn)題反應與控制指令回饋會(huì )緩不濟急，近兩年邊緣運算概念興起，成為工業(yè)物聯(lián)網(wǎng)的實(shí)時(shí)性問(wèn)題的最佳答案。

　　上層AI多用于長(cháng)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(yè)物聯(lián)網(wǎng)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(tài)數據后，就將數據傳送到通訊層的網(wǎng)關(guān)，網(wǎng)關(guān)再依照系統建構時(shí)的設定讓數據分流， 需要實(shí)時(shí)處理數據傳送到前端控制器，讓自動(dòng)化設備可以快速反應，需要儲存累績(jì)?yōu)殚L(cháng)期數據的數據，則送往數據庫儲存，上層再透過(guò)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(yè)物聯(lián)網(wǎng)， 其AI會(huì )被分別設計在會(huì )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(yè)物聯(lián)網(wǎng)的研究議題來(lái)看，現在主要是集中在4個(gè)方向，包括生產(chǎn)系統、產(chǎn)品質(zhì)量、制程優(yōu)化與數字建模。 在這4大方向中，各有其需要解決的問(wèn)題，像是生產(chǎn)系統中，設備的狀態(tài)感測、監控與預診，產(chǎn)品質(zhì)量的檢測、預測，制程優(yōu)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(guò)工業(yè)物聯(lián)網(wǎng)的數據擷取與分析，將可逐步解決這些問(wèn)題， 提升系統整體效能。

　　在工業(yè)物聯(lián)網(wǎng)中，AI主要用來(lái)做制程的優(yōu)化與長(cháng)期規畫(huà)等非實(shí)時(shí)性決策，例如現在消費性市場(chǎng)的產(chǎn)品類(lèi)別多樣，制程系統的換線(xiàn)將成為常態(tài)，透過(guò)大數據與AI的運算，就可盡量縮短換線(xiàn)生產(chǎn)的停機時(shí)間，讓排程優(yōu)化。

　　進(jìn)行產(chǎn)線(xiàn)排程時(shí)，需從機器環(huán)境、制程加工特性與限制、排程目標，依據工作到達達生產(chǎn)現場(chǎng)的情況區分，可分靜態(tài)及動(dòng)態(tài)排程兩種，靜態(tài)排程是到達生產(chǎn)現場(chǎng)時(shí)，其制造數目?固定且可一次完成的任務(wù)進(jìn)行排程，后續如果出現新工作， 再并入下一次制程處理。 動(dòng)態(tài)排程則是若制程連續、產(chǎn)品隨機，而且數目不固定的到達生產(chǎn)現場(chǎng)，須不斷的更新生?排程。

　　就上述兩種排程方式來(lái)看，靜態(tài)排程通常為少樣多樣方式，AI在其中要解決的問(wèn)題，主要是透過(guò)深度學(xué)習算法分析各環(huán)節的時(shí)間與質(zhì)量，不斷的改進(jìn)工序，讓效能與質(zhì)量?jì)?yōu)化;動(dòng)態(tài)排程則用于少量多樣生產(chǎn)，AI會(huì )針對不同產(chǎn)品的工序， 建立起換線(xiàn)模式，有不同產(chǎn)品上線(xiàn)時(shí)，即啟動(dòng)專(zhuān)屬換線(xiàn)模式，盡量縮短停機時(shí)間，同時(shí)讓產(chǎn)品維持固定質(zhì)量。

　　邊緣運算效益可快速浮現

　　由于工業(yè)物聯(lián)網(wǎng)上層的AI建置，效益需要一段時(shí)間才浮現，不會(huì )是立竿見(jiàn)影的發(fā)生，而且對制造業(yè)者來(lái)說(shuō)并非當務(wù)之急，因此目前投入者大多為大型制造業(yè)，中小規模的業(yè)者，則以底層的邊緣運算為主。

　　目前中小企業(yè)的工業(yè)物聯(lián)網(wǎng)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(wú)預警停機，將會(huì )造成整體產(chǎn)線(xiàn)停擺，輕則產(chǎn)在線(xiàn)的半成品報廢，重則交期延宕影響商譽(yù)，設備保養過(guò)去多采人工記錄方式，人員再按照時(shí)間維護， 不過(guò)這種方式除了有可能因人員疏失或懈怠，未能定時(shí)作業(yè)外，設備也有可能在未達維護時(shí)間時(shí)故障。

　　工業(yè)物聯(lián)網(wǎng)中的設備預知保養可分兩類(lèi)，一種是直接在管理系統上設計提醒功能，主動(dòng)告知相關(guān)人員維修時(shí)間，另一種則是由傳感器偵測設備狀態(tài)，若是出現異常，AI則會(huì )依據出現的狀態(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)現馬達的震動(dòng)，有可能是軸心歪斜，系統會(huì )依據震動(dòng)的大小與頻率判斷馬達現在的狀態(tài)，如果有可能會(huì )立即損壞，就馬上告知設備維護人員停機更換，如果沒(méi)有立即危險，則會(huì )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(shí)間，讓產(chǎn)線(xiàn)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(fā)展來(lái)看，圖像處理占有70%以上的應用，在工業(yè)物聯(lián)網(wǎng)架構中也是如此。 過(guò)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(zhù)工作時(shí)間的拉長(cháng)，檢測質(zhì)量會(huì )逐漸降低，再者，部分消費性產(chǎn)品的體積越來(lái)越小，產(chǎn)線(xiàn)速度越來(lái)越快，人眼已難以負荷，現在已被取代機器視覺(jué)所取代。

　　現在的機器視覺(jué)判斷速度非?？?，且精準度越來(lái)越高，不過(guò)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(lèi)型，在少量多樣或混線(xiàn)生產(chǎn)的制程中仍力有未逮，而AI則可讓機器視覺(jué)擁有學(xué)習能力， 未來(lái)的設備將可透過(guò)算法自我學(xué)習，遇到不一樣的產(chǎn)品種類(lèi)或瑕疵時(shí)，即可自主判斷，不必再由管理人員重新設定、調整判別模式。