帳號:
密碼:
最新動態
產業快訊
CTIMES / 文章 /
AI走進工業物聯網 逐步打造製造智慧化
 

【作者: 王明德】   2019年01月04日 星期五

瀏覽人次:【8934】

1969年PLC問世後,自動化技術在製造領域逐漸站穩腳步,如今已是全球製造系統的核心架構,由於製造系統講究穩定,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,對全球製造業帶來嚴峻挑戰,導入智慧化架構成為業者永續經營的必要策略,而在新世代的製造系統中,工業物聯網不僅成為核心架構,更會與AI(人工智慧)結合,落實智慧化願景。


所有場域應用的物聯網,其架構都相同,都是由感測器、通訊網路與雲端管理平台所組成的3層架構,由感測器擷取設備數據,再經由通訊網路傳送到上層雲端平台儲存、運算,最後再以分析出來的資料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雲端平台,透過強大的機器學習演算法,分析由終端感測層傳回的海量數據。



圖1 : 現在工業物聯網的研究議題,主要是集中在生產系統、產品品質、製程優化與數位建模等4個方向。(Source: DirectIndustry e-Magazine)
圖1 : 現在工業物聯網的研究議題,主要是集中在生產系統、產品品質、製程優化與數位建模等4個方向。(Source: DirectIndustry e-Magazine)

不過,機器學習演算法需要一定的運算時間,其目的也多在解決製造業類似像是製程排程最佳化的長時間問題,對於製程中會遇到的即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,成為工業物聯網的即時性問題的最佳答案。


上層AI多用於長期規劃

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,當感測器擷取到設備的狀態數據後,就將數據傳送到通訊層的閘道器,閘道器再依照系統建構時的設定讓數據分流,需要即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資料的數據,則送往資料庫儲存,上層再透過運算平台分析出結果,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雲端兩部分,讓分散式與集中式運算在架構中並存,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、產品品質、製程優化與數位建模。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,產品品質的檢測、預測,製程優化的參數設定、能源運用,數位建模的數位雙生平泰建立等,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。



圖2 : 透過感測聯網,系統可掌握設備狀態,並依據不同參數的AI設定,使其效能最佳化。(Source: Digital Commerce 360)
圖2 : 透過感測聯網,系統可掌握設備狀態,並依據不同參數的AI設定,使其效能最佳化。(Source: Digital Commerce 360)

在工業物聯網中,AI主要用來做製程的最佳化與長期規畫等非即時性決策,例如現在消費性市場的產品類別多樣,製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,讓排程最佳化。


進行產線排程時,需從機器環境、製程加工特性與限制、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,其製造數目?固定且可一次完成的任務進行排程,後續如果出現新工作,再併入下一次製程處理。動態排程則是若製程連續、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演算法分析各環節的時間與品質,不斷的改進工序,讓效能與品質最佳化;動態排程則用於少量多樣生產,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品質。


邊緣運算效益可快速浮現

由於工業物聯網上層的AI建置,效益需要一段時間才浮現,不會是立竿見影的發生,而且對製造業者來說並非當務之急,因此目前投入者大多為大型製造業,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,製造設備的預知保養與製程檢測仍是兩大主要功能,由於設備的無預警停機,將會造成整體產線停擺,輕則產線上的半成品報廢,重則交期延宕影響商譽,設備保養過去多採人工記錄方式,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,另一種則是由感測器偵測設備狀態,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,例如感測器發現馬達的震動,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,並記錄該馬達的狀況,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製程檢測,從目前AI的發展來看,影像處理占有70%以上的應用,在工業物聯網架構中也是如此。過去製程中多靠人眼檢測產品品質,由於人眼容易疲勞,隨著工作時間的拉長,檢測品質會逐漸降低,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製造的製程為設計,其快速與精準的辨識,僅能適用於少數類型,在少量多樣或混線生產的製程中仍力有未逮,而AI則可讓機器視覺擁有學習能力,未來的設備將可透過演算法自我學習,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製測檢測之後,製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。


相對於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,並直接提出最佳解決方式,製造系統的智慧化設計,必須針對不同使用者提供適用功能,決策者、管理者、操作者所需的資訊大不相同,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,此時系統並不需要問題以外的資訊,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,之後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領域軟硬體技術提升與製造業對智慧化概念的逐漸接受,感知運算將成為製造業的應用會越來越多。



圖3 : 透過聯網技術讓機器與機器間能夠互相通訊、進行串聯。 (Source: Dogtown Media)
圖3 : 透過聯網技術讓機器與機器間能夠互相通訊、進行串聯。 (Source: Dogtown Media)

觀察發展現況,工業4.0在製造業已是大勢所趨,無論是設備應應商或製造業者,導入工業物聯網的動作也都轉趨積極,不過有成效者仍佔少數,之前研究機構麥肯錫(McKinsey)就曾針對歐、美、日等地的製造大廠進行調查,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製程,此一結果雖然不至於太慘,但與當初預期仍有一段距離。


至於台灣市場,由於製造業族群分佈零散,工業4.0要落實在不同產業中仍有困難,原因在於無論是技術成熟度、策略方針到問題痛點,不同型態的製造業,其差異都相當大,因此製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,各族群製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?

至於製造業要審視本身在工業4.0中所佔的位置,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,並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,分別是連結(Connect)、轉化(Covert)、虛擬(Cyber)、感知(Cognition)以及自我配置(Configure)。



圖4 : 工業物聯網中的設備預知保養,由感測器偵測設備狀態,出現異常時,AI可判斷可能發生的情況,再做不同處理。(Source: Gattaca plc)
圖4 : 工業物聯網中的設備預知保養,由感測器偵測設備狀態,出現異常時,AI可判斷可能發生的情況,再做不同處理。(Source: Gattaca plc)

第一階段的連結,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,這階段是讓設備機台在初步的連網後,將擷取到的資訊轉換為具有分析價值的數據資訊,例如設備的失效或良率的分析。其中,設備端點須具備分析、智慧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位雙生(Digital Twins),在所有機台都連網之後,形成另外一個虛擬、同步化的工廠運行,而其數位工廠具備感知、預測能力,可預測「非計畫內」的設備故障,當故障訊息被數位工廠擷取後,更可以模擬接下來如何執行最佳化的重新排程,例如像日本近年就非常致力於推動數位工廠的運行。


至於第四層感知階段,主要則是導入如機器學習、深度學習等一系列的人工智慧技術,讓機器可自我學習、進化,並從大數據分析中不斷進行推算與模擬,進而在設備端預防機器故障與良率不佳的狀況。


最後一個階段自我配置,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,訂立最佳化的結果,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,製造業即可掌握目前自身系統所在的位置,並根據自身問題,向系統整合商提出功能需求,例如產品品質不佳,就以影像處理強化品質控管;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。


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,因此製造業者不必認為太過遙遠就一逕排斥,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。


**刊頭圖(Source: Jaroop)


相關文章
AI賦能智慧製造轉型
以「熄燈製造」心法實現全面自動化生產
以邊緣AI運算強化智慧製造應用
大數據時代下,我們仍需要更大的工廠空間嗎?
數位智慧催動綠色製造進程
comments powered by Disqus
相關討論
  相關新聞
» RIN國際研發高峰會在台首場 金屬中心展出亮眼成果
» 西門子工具機軟硬體解決方案 構建數位製造核心應用
» TPCA展望2024台灣PCB產值 有望翻越8千億元高峰
» 洛克威爾自動化攜手NVIDIA 擴大AI在製造業的應用規模
» 台達子公司泰達8廠及研發中心開幕 擴大電動車研發及產能布局


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 遠播資訊股份有限公司版權所有 Powered by O3  v3.20.2048.35.172.193.238
地址:台北數位產業園區(digiBlock Taipei) 103台北市大同區承德路三段287-2號A棟204室
電話 (02)2585-5526 #0 轉接至總機 /  E-Mail: webmaster@ctimes.com.tw