账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
打造工业4.0第一步应用 边缘运算让产线检测更快准
 

【作者: 王明德】2020年10月26日 星期一

浏览人次:【14350】

边缘运算也就是IT产业过去常谈的分散式运算架构,不同的是架构于物联网系统中的边缘运算模组,所需面对的应用环境更复杂,耗电、整合能力也要更佳,因此工业4.0所采用的边缘运算虽也属于分散运算,不过其难度更高。


人工智慧(AI)被视为物联网的最后一块拼图,在工业物联网也是一样,透过位于上层的AI平台,运算终端设备所传回的数据,借此制定制造现场的生产策略,成为业者打造新世代系统的重要方式。不过,此一架构近年来出现改变,由于制造系统对即时性的要求非常高,传统AI的集中式运算是由底层将资料传输至上层运算,来回过久的讯息难为市场接受,在此态势下,边缘运算概念快速兴起。


边缘运算也就是IT产业过去常谈的分散式运算架构,不同的是架构于物联网系统中的边缘运算模组,所需面对的应用环境更复杂,耗电、整合能力也要更佳,因此工业4.0所采用的边缘运算虽然也属于分散运算,不过其难度更高。


就发展现况来看,目前制造业的边缘运算架构大多以产品检测为主。检测在制程中的作用是为产品品质把关,过去的检测大致分为外观与内在效能两种,外观检测方式是采用机器视觉架构,做法是在产线上设置工业相机,快速拍摄产品外观,并在产线系统中设计作动,将不良品从流水线上移除,内在效能检测则必须针对欲测功能,在系统中整合不同设备,侦测产品的效能品质。


制造模式翻转 产线检测难度更高

过去消费性市场的产品生产型态是少样多量,由于产品的样式不多,加上大量且长时间生产,不但可以让制造系统每一环节都针对单一产品调整,让产能最大化,也可以让品质稳定在一定的程度,在此状况下,产品的质量俱佳。不过,近年来市场的消费者行为改变,多样化成为市场的主流竞争模式,由于整体消费量不变,产品样式一多,每一样的单一需求量势必就会减少,因此少量多样化成为现在的制造模式。


过去的少样多量可以将制程长期设定为单一生产模式,少量多样则必须频频更动产线,这也让制程中的检测环节带来挑战,过去由于产量大,产线都以调制最佳化,因此良率也非常高,检测作业只要在制程的最后一环检测少样种类的产品即可,无论是设备或人员,需要具备的技能种类都不多。现在的产品种类一多,非但良率提升困难,而且对设备与人员来说,要精确检测众多种类的产品,人员技能与设备功能都要同步提升。


对此状况,近年来因应工业4.0兴起的智慧化趋势,不但可解决现在制造业者的问题,同时在AI技术的导入下,产线的效能将可进一步提升。


AI演算法优化检测效益


图1 : 具备边缘运算设计的机器视觉与机器手臂整合,可强化产线检测的弹性与效能。(source:World Economic Forum)
图1 : 具备边缘运算设计的机器视觉与机器手臂整合,可强化产线检测的弹性与效能。(source:World Economic Forum)

目前会应用在产线上的AI演算法主要是机器学习(Machine Learning)与其分支出来的深度学习(Deep Learning),这机器学习演算法解决了制造系统过去需要长期训练的问题,过去制造系统必须先在内部建立大量资料库,让前端的检视设备可依资料库的样本判别产品良窳,不过一来要庞大样本数建立有难度,二来新品不断出现,产线工程师必须也必须不断调整前端设备的识别设定,对整体产线来说,都不是最佳做法。


机器学习则是让机器可以学习演进,根据一次又一次的设定,建立不良品的筛选逻辑,之后系统就会依此逻辑自我进化,之后有未曾出现的瑕疵,就会以过去建立的逻辑判断是否为不良品,让辨识能力持续接近最佳化。


机器学习演算法并非始于今日,在1950年代那一波AI热潮中就被提出,不过当时硬体效能有限,因此并没有能力被落实应用。后来半导体技术快速成长,摩尔定律不断提升系统的运算能力,如今机器学习在IT系统上运作已不是问题,而产线检测就是目前的应用环节之一。在具有机器学习演算法能力的生产系统中,只要建立少数样本的资料库,系统就会开始自主学习判别,将智慧制造愿景落实在产品检测端。


除了透过机器视觉判断外观,产品性能也是检测的重要环节,尤其是电子产品。近年来电子产品开始走向多工,当功能越来越多,且内部元件都集中在小空间时,检测的难度就不断提升。过去电子产品只需侦测单一功能,因此检测相对简单,而现在要检测多功能时,相关设备就必须更具弹性,以组成适合当下所用的架构。


观察目前发展,要符合此一需求,模组化标准会是最佳答案,透过共通标准的不同功能模组化板卡,使用者可以本身需求组建出合适的检测设备。


以手机的音讯测试为例,近年来智慧型手机已化身多媒体装置,其音讯品质逐渐被要求,以往的按键式手机,其音讯测试多采用麦克风收音,不但速度慢,高品质的音源也无法掌握,现在采用模组化检测设备,除了音讯外,其他影音功能也可一并量测。


另外,现在的智慧手机的耳麦不像以往将喇叭与麦克风分开设计,而是将之整合在耳机处,发声部份是使用感测器,撷取人体脑壳内部的声波回音,因此其产品必须同步量测听与说两端的音讯,对此系统整合商将人工耳与人工嘴设计在同一隔离箱中,产线测试者将产品置放于相中的治具,在20~30秒内即可完成测试,这种作法通常必须由系统整合商与工业电脑等硬体供应商合作,设计出系统的软体,前者负责手机控制,后者则负责音频测试。



图2 : 瑕疵检测是制造业者维持产品品质的重要环节。(source:saferfq.com)
图2 : 瑕疵检测是制造业者维持产品品质的重要环节。(source:saferfq.com)

此一作法也点出现在制程检测的模组化趋势,过去单机式量测仪器虽然效能远较模组化量测仪器强大,不过其价格高、体积大、功能单一,因此并不适合用于生产线,现在的生产线空间渐小,对仪器设备的体积要求也随之缩小,若单机式量测仪器要应用于生产线,会需要使用转换器(Switch)转换讯号,如此一来又会压缩到生产线空间,另外模组化检测这几年技术有成,其效能已足敷现在生产线量测所用。


边缘运算助攻智慧化布局

观察市场态势,边缘运算已成为制造领域的明确趋势,而从产线各环节的发展速度来看,检测无疑是发展最快的一环,未来也会延伸、整合到到制程中的其他部分,让生产成本与品质更佳化。


过去检测位于制程后段,当所有程序都完成后再检视成品,一旦出现瑕疵,不是报废就是重作,而无论是否制造业,所有事件的流程都一样,当错误发现点越往后,所必须支付的成本就越大,例如产品在制程第一站就有瑕疵而未发现时,后续的制程会仍继续投入物料与时间,将此一瑕疵品继续完成,让后续所投入的成本完全报销无用。


因此,制程各环节获都具有边缘运算检测功能,在瑕疵发生当下即时通知系统进行处理,如此一来,产生错误时就不至于继续扩大,让产线成本与效能可获得控制。


由于此一设计可让智慧化的资本投入效益立即可见,让KPI可以量化为数据,对制造业者来说,是可明确评估的投资,因此检测被业界视为制造业实现智慧化的先锋应用,现已有厂商导入并有实际案例,而随著成功案例的逐渐浮现,智慧化检测的落实速度也将加快。


**刊头图(source:Network World.com)


[延伸阅读] 最佳化云端资料传输作业 提升预测性维护效能

Digi-Key物联网业务开发总监Robbie Paul表示,边缘运算的主要目标是在本机层级分析和处理尽可能越多的资料,让资料传输到云端的作业达到最佳化。


在工业领域,边缘运算的重要性也正急速的提升。不仅因为它是实现工业物联网(IIoT)的关键环节,同时也是深化工业4.0架构的重要角色。它能加速终端端点的运算速度,同时也降低整体网路系统的负担,对于效率敏感的制造现场,重要性不言而喻。


Digi-Key物联网业务开发总监Robbie Paul就表示,基于几个原因,边缘运算越来越受到重视。虽然硬体和软体的开发成本继续下降,但连线成本并没跟上脚步。因此,IoT 装置向云端传输的资讯越少,解决方案的维护费用就越低。边缘运算的主要目标是在本机层级分析和处理尽可能越多的资料,让资料传输到云端的作业达到最佳化。但有些应用,如自驾车或工业机器人等,必须要有敏捷的反应。可能没有足够的时间能让资料传输到云端。本地资料整理是减少延迟的要求之一。


Robbie Paul也强调,资料在本机处理有其必要。这意味着,边缘装置里必须有微控制器或微处理器。可采用简易的设置,例如使用微控制器剖析数据直到达到临界值为止,并于此时发送通知。例如,工厂的温度感测器连接到马达,并以本机微控制器监测资料。装置太热时,例如超过华式100度时,会发送通知、关闭设备,或两者并行。


而在工业应用中,预测性维护是金科玉律。提前了解设备会失效的时间,就能让操作人员提早规划维护,避免昂贵的生产线停机情况。边缘运算是预测性维护中的关键要素,因为有大量资料可在本机进行处理。


他指出,人工智慧,特别是机器学习(ML),可大幅增进预测性故障分析。了解关键参数并学习其模式,就可相当精确地预测失效的时间范围。以工业或工厂环境的马达为例,其实振动才是预测故障的关键参数;每个马达都有其独特的振动模式或特征。配有振动感测器和边缘运算器 (含微控制器) 的马达,就有能力可了解振动模式。当振动偏离过往模式时,微控制器就可推断资料并预测故障的时间范围。


为了让软体开发更加容易,Robbie Paul表示,可在ARM Cortex与ESP32等微控制器上运用Google TensorFlow Lite等ML架构。这些ML架构通常可提供预先训练好的模型,可进行语音辨识、物件侦测和预测性维护。 (文字整理/篮贯铭)


相关文章
利用边缘运算节约能源和提升永续性
生成式AI与PC革新
边缘运算伺服器全方位应用场景
机器学习可以帮助未来的癌症诊断
工业转型、云端与边缘运算
comments powered by Disqus
相关讨论
  相关新闻
» 帆宣与隹世达合组「达宣智慧」公司 启动智慧医疗引擎
» 台湾三丰携手SAP 转型上云 巩固量测仪器市场优势
» 经济部提供融资协助工具机拓展海外市场
» 海大与法国浜海大学合作推升智慧永续海洋
» 国研杯智慧机械竞赛成绩揭晓 联合大学机器人挑战高尔夫夺冠


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83J6IBWD0STACUK6
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw