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問世后，自動(dòng)化技術(shù)在制造領(lǐng)域逐漸站穩(wěn)腳步，如今已是全球制造系統(tǒng)的核心架構(gòu)，由于制造系統(tǒng)講究穩(wěn)定，因此對(duì)新技術(shù)、新架構(gòu)的接受速度向來(lái)緩慢，不過近年來(lái)消費(fèi)市場(chǎng)快速變動(dòng)，對(duì)全球制造業(yè)帶來(lái)嚴(yán)峻挑戰(zhàn)， 導(dǎo)入智能化架構(gòu)成為業(yè)者永續(xù)經(jīng)營(yíng)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(huì)與AI(人工智能)結(jié)合，落實(shí)智能化愿景。

　　所有場(chǎng)域應(yīng)用的物聯(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(tái)所組成的3層架構(gòu)，由傳感器擷取設(shè)備數(shù)據(jù)，再經(jīng)由通訊網(wǎng)絡(luò)傳送到上層云端平臺(tái)儲(chǔ)存、運(yùn)算，最后再以分析出來(lái)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(tái)，透過強(qiáng)大的機(jī)器學(xué)習(xí)算法，分析由終端感測(cè)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(shí)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(zhǎng)時(shí)間問題，對(duì)于制程中會(huì)遇到的實(shí)時(shí)問題反應(yīng)與控制指令回饋會(huì)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(shí)性問題的最佳答案。

　　上層AI多用于長(zhǎng)期規(guī)劃

　　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(jì)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(shí)的設(shè)定讓數(shù)據(jù)分流， 需要實(shí)時(shí)處理數(shù)據(jù)傳送到前端控制器，讓自動(dòng)化設(shè)備可以快速反應(yīng)，需要儲(chǔ)存累績(jī)?yōu)殚L(zhǎng)期數(shù)據(jù)的數(shù)據(jù)，則送往數(shù)據(jù)庫(kù)儲(chǔ)存，上層再透過運(yùn)算平臺(tái)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(huì)被分別設(shè)計(jì)在會(huì)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?gòu)脑O(shè)備供應(yīng)端在工業(yè)物聯(lián)網(wǎng)的研究議題來(lái)看，現(xiàn)在主要是集中在4個(gè)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(cè)、監(jiān)控與預(yù)診，產(chǎn)品質(zhì)量的檢測(cè)、預(yù)測(cè)，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(lái)做制程的優(yōu)化與長(zhǎng)期規(guī)畫等非實(shí)時(shí)性決策，例如現(xiàn)在消費(fèi)性市場(chǎng)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(shí)間，讓排程優(yōu)化。

　　進(jìn)行產(chǎn)線排程時(shí)，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(chǎng)的情況區(qū)分，可分靜態(tài)及動(dòng)態(tài)排程兩種，靜態(tài)排程是到達(dá)生產(chǎn)現(xiàn)場(chǎng)時(shí)，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(dòng)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(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在其中要解決的問題，主要是透過深度學(xué)習(xí)算法分析各環(huán)節(jié)的時(shí)間與質(zhì)量，不斷的改進(jìn)工序，讓效能與質(zhì)量?jī)?yōu)化;動(dòng)態(tài)排程則用于少量多樣生產(chǎn)，AI會(huì)針對(duì)不同產(chǎn)品的工序， 建立起換線模式，有不同產(chǎn)品上線時(shí)，即啟動(dòng)專屬換線模式，盡量縮短停機(jī)時(shí)間，同時(shí)讓產(chǎn)品維持固定質(zhì)量。

　　邊緣運(yùn)算效益可快速浮現(xiàn)

　　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(xiàn)，不會(huì)是立竿見影的發(fā)生，而且對(duì)制造業(yè)者來(lái)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(cè)仍是兩大主要功能，由于設(shè)備的無(wú)預(yù)警停機(jī)，將會(huì)造成整體產(chǎn)線停擺，輕則產(chǎn)在線的半成品報(bào)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(shí)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(shí)作業(yè)外，設(shè)備也有可能在未達(dá)維護(hù)時(shí)間時(shí)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(jì)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(cè)設(shè)備狀態(tài)，若是出現(xiàn)異常，AI則會(huì)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(dòng)，有可能是軸心歪斜，系統(tǒng)會(huì)依據(jù)震動(dòng)的大小與頻率判斷馬達(dá)現(xiàn)在的狀態(tài)，如果有可能會(huì)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(xiǎn)，則會(huì)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(shí)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(cè)，從目前AI的發(fā)展來(lái)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(cè)產(chǎn)品質(zhì)量，由于人眼容易疲勞，隨著工作時(shí)間的拉長(zhǎng)，檢測(cè)質(zhì)量會(huì)逐漸降低，再者，部分消費(fèi)性產(chǎn)品的體積越來(lái)越小，產(chǎn)線速度越來(lái)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?？欤揖珳?zhǔn)度越來(lái)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(jì)，其快速與精準(zhǔn)的辨識(shí)，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(lái)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(shí)，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。