帳號:
密碼:
最新動態
產業快訊
CTIMES / 文章 /
打造工業4.0第一步應用 邊緣運算讓產線檢測更快準
 

【作者: 王明德】   2020年10月26日 星期一

瀏覽人次:【14352】

邊緣運算也就是IT產業過去常談的分散式運算架構,不同的是架構於物聯網系統中的邊緣運算模組,所需面對的應用環境更複雜,耗電、整合能力也要更佳,因此工業4.0所採用的邊緣運算雖也屬於分散運算,不過其難度更高。


人工智慧(AI)被視為物聯網的最後一塊拼圖,在工業物聯網也是一樣,透過位於上層的AI平台,運算終端設備所傳回的數據,藉此制定製造現場的生產策略,成為業者打造新世代系統的重要方式。不過,此一架構近年來出現改變,由於製造系統對即時性的要求非常高,傳統AI的集中式運算是由底層將資料傳輸至上層運算,來回過久的訊息難為市場接受,在此態勢下,邊緣運算概念快速興起。


邊緣運算也就是IT產業過去常談的分散式運算架構,不同的是架構於物聯網系統中的邊緣運算模組,所需面對的應用環境更複雜,耗電、整合能力也要更佳,因此工業4.0所採用的邊緣運算雖然也屬於分散運算,不過其難度更高。


就發展現況來看,目前製造業的邊緣運算架構大多以產品檢測為主。檢測在製程中的作用是為產品品質把關,過去的檢測大致分為外觀與內在效能兩種,外觀檢測方式是採用機器視覺架構,做法是在產線上設置工業相機,快速拍攝產品外觀,並在產線系統中設計作動,將不良品從流水線上移除,內在效能檢測則必須針對欲測功能,在系統中整合不同設備,偵測產品的效能品質。


製造模式翻轉 產線檢測難度更高

過去消費性市場的產品生產型態是少樣多量,由於產品的樣式不多,加上大量且長時間生產,不但可以讓製造系統每一環節都針對單一產品調整,讓產能最大化,也可以讓品質穩定在一定的程度,在此狀況下,產品的質量俱佳。不過,近年來市場的消費者行為改變,多樣化成為市場的主流競爭模式,由於整體消費量不變,產品樣式一多,每一樣的單一需求量勢必就會減少,因此少量多樣化成為現在的製造模式。


過去的少樣多量可以將製程長期設定為單一生產模式,少量多樣則必須頻頻更動產線,這也讓製程中的檢測環節帶來挑戰,過去由於產量大,產線都以調製最佳化,因此良率也非常高,檢測作業只要在製程的最後一環檢測少樣種類的產品即可,無論是設備或人員,需要具備的技能種類都不多。現在的產品種類一多,非但良率提升困難,而且對設備與人員來說,要精確檢測眾多種類的產品,人員技能與設備功能都要同步提升。


對此狀況,近年來因應工業4.0興起的智慧化趨勢,不但可解決現在製造業者的問題,同時在AI技術的導入下,產線的效能將可進一步提升。


AI演算法優化檢測效益


圖1 : 具備邊緣運算設計的機器視覺與機器手臂整合,可強化產線檢測的彈性與效能。(source:World Economic Forum)
圖1 : 具備邊緣運算設計的機器視覺與機器手臂整合,可強化產線檢測的彈性與效能。(source:World Economic Forum)

目前會應用在產線上的AI演算法主要是機器學習(Machine Learning)與其分支出來的深度學習(Deep Learning),這機器學習演算法解決了製造系統過去需要長期訓練的問題,過去製造系統必須先在內部建立大量資料庫,讓前端的檢視設備可依資料庫的樣本判別產品良窳,不過一來要龐大樣本數建立有難度,二來新品不斷出現,產線工程師必須也必須不斷調整前端設備的識別設定,對整體產線來說,都不是最佳做法。


機器學習則是讓機器可以學習演進,根據一次又一次的設定,建立不良品的篩選邏輯,之後系統就會依此邏輯自我進化,之後有未曾出現的瑕疵,就會以過去建立的邏輯判斷是否為不良品,讓辨識能力持續接近最佳化。


機器學習演算法並非始於今日,在1950年代那一波AI熱潮中就被提出,不過當時硬體效能有限,因此並沒有能力被落實應用。後來半導體技術快速成長,摩爾定律不斷提升系統的運算能力,如今機器學習在IT系統上運作已不是問題,而產線檢測就是目前的應用環節之一。在具有機器學習演算法能力的生產系統中,只要建立少數樣本的資料庫,系統就會開始自主學習判別,將智慧製造願景落實在產品檢測端。


除了透過機器視覺判斷外觀,產品性能也是檢測的重要環節,尤其是電子產品。近年來電子產品開始走向多工,當功能越來越多,且內部元件都集中在小空間時,檢測的難度就不斷提升。過去電子產品只需偵測單一功能,因此檢測相對簡單,而現在要檢測多功能時,相關設備就必須更具彈性,以組成適合當下所用的架構。


觀察目前發展,要符合此一需求,模組化標準會是最佳答案,透過共通標準的不同功能模組化板卡,使用者可以本身需求組建出合適的檢測設備。


以手機的音訊測試為例,近年來智慧型手機已化身多媒體裝置,其音訊品質逐漸被要求,以往的按鍵式手機,其音訊測試多採用麥克風收音,不但速度慢,高品質的音源也無法掌握,現在採用模組化檢測設備,除了音訊外,其他影音功能也可一併量測。


另外,現在的智慧手機的耳麥不像以往將喇叭與麥克風分開設計,而是將之整合在耳機處,發聲部份是使用感測器,擷取人體腦殼內部的聲波回音,因此其產品必須同步量測聽與說兩端的音訊,對此系統整合商將人工耳與人工嘴設計在同一隔離箱中,產線測試者將產品置放於相中的治具,在20~30秒內即可完成測試,這種作法通常必須由系統整合商與工業電腦等硬體供應商合作,設計出系統的軟體,前者負責手機控制,後者則負責音頻測試。



圖2 : 瑕疵檢測是製造業者維持產品品質的重要環節。(source:saferfq.com)
圖2 : 瑕疵檢測是製造業者維持產品品質的重要環節。(source:saferfq.com)

此一作法也點出現在製程檢測的模組化趨勢,過去單機式量測儀器雖然效能遠較模組化量測儀器強大,不過其價格高、體積大、功能單一,因此並不適合用於生產線,現在的生產線空間漸小,對儀器設備的體積要求也隨之縮小,若單機式量測儀器要應用於生產線,會需要使用轉換器(Switch)轉換訊號,如此一來又會壓縮到生產線空間,另外模組化檢測這幾年技術有成,其效能已足敷現在生產線量測所用。


邊緣運算助攻智慧化布局

觀察市場態勢,邊緣運算已成為製造領域的明確趨勢,而從產線各環節的發展速度來看,檢測無疑是發展最快的一環,未來也會延伸、整合到到製程中的其他部分,讓生產成本與品質更佳化。


過去檢測位於製程後段,當所有程序都完成後再檢視成品,一旦出現瑕疵,不是報廢就是重作,而無論是否製造業,所有事件的流程都一樣,當錯誤發現點越往後,所必須支付的成本就越大,例如產品在製程第一站就有瑕疵而未發現時,後續的製程會仍繼續投入物料與時間,將此一瑕疵品繼續完成,讓後續所投入的成本完全報銷無用。


因此,製程各環節獲都具有邊緣運算檢測功能,在瑕疵發生當下即時通知系統進行處理,如此一來,產生錯誤時就不至於繼續擴大,讓產線成本與效能可獲得控制。


由於此一設計可讓智慧化的資本投入效益立即可見,讓KPI可以量化為數據,對製造業者來說,是可明確評估的投資,因此檢測被業界視為製造業實現智慧化的先鋒應用,現已有廠商導入並有實際案例,而隨著成功案例的逐漸浮現,智慧化檢測的落實速度也將加快。


**刊頭圖(source:Network World.com)


[延伸閱讀] 最佳化雲端資料傳輸作業 提升預測性維護效能

Digi-Key物聯網業務開發總監Robbie Paul表示,邊緣運算的主要目標是在本機層級分析和處理盡可能越多的資料,讓資料傳輸到雲端的作業達到最佳化。


在工業領域,邊緣運算的重要性也正急速的提升。不僅因為它是實現工業物聯網(IIoT)的關鍵環節,同時也是深化工業4.0架構的重要角色。它能加速終端端點的運算速度,同時也降低整體網路系統的負擔,對於效率敏感的製造現場,重要性不言而喻。


Digi-Key物聯網業務開發總監Robbie Paul就表示,基於幾個原因,邊緣運算越來越受到重視。雖然硬體和軟體的開發成本繼續下降,但連線成本並沒跟上腳步。因此,IoT 裝置向雲端傳輸的資訊越少,解決方案的維護費用就越低。邊緣運算的主要目標是在本機層級分析和處理盡可能越多的資料,讓資料傳輸到雲端的作業達到最佳化。但有些應用,如自駕車或工業機器人等,必須要有敏捷的反應。可能沒有足夠的時間能讓資料傳輸到雲端。本地資料整理是減少延遲的要求之一。


Robbie Paul也強調,資料在本機處理有其必要。這意味著,邊緣裝置裡必須有微控制器或微處理器。可採用簡易的設置,例如使用微控制器剖析數據直到達到臨界值為止,並於此時發送通知。例如,工廠的溫度感測器連接到馬達,並以本機微控制器監測資料。 裝置太熱時,例如超過華式100度時,會發送通知、關閉設備,或兩者並行。


而在工業應用中,預測性維護是金科玉律。提前瞭解設備會失效的時間,就能讓操作人員提早規劃維護,避免昂貴的生產線停機情況。 邊緣運算是預測性維護中的關鍵要素,因為有大量資料可在本機進行處理。


他指出,人工智慧,特別是機器學習(ML),可大幅增進預測性故障分析。 瞭解關鍵參數並學習其模式,就可相當精確地預測失效的時間範圍。以工業或工廠環境的馬達為例,其實振動才是預測故障的關鍵參數;每個馬達都有其獨特的振動模式或特徵。配有振動感測器和邊緣運算器 (含微控制器) 的馬達,就有能力可瞭解振動模式。當振動偏離過往模式時,微控制器就可推斷資料並預測故障的時間範圍。


為了讓軟體開發更加容易,Robbie Paul表示,可在ARM Cortex與ESP32等微控制器上運用Google TensorFlow Lite等ML架構。這些ML架構通常可提供預先訓練好的模型,可進行語音辨識、物件偵測和預測性維護。(文字整理/籃貫銘)


相關文章
利用邊緣運算節約能源和提升永續性
生成式AI與PC革新
邊緣運算伺服器全方位應用場景
機器學習可以幫助未來的癌症診斷
工業轉型、雲端與邊緣運算
comments powered by Disqus
相關討論
  相關新聞
» 帆宣與佳世達合組「達宣智慧」公司 啟動智慧醫療引擎
» 台灣三豐攜手SAP 轉型上雲 鞏固量測儀器市場優勢
» 助工具機業者拓展海外市場 經濟部提供融資20億元
» 海大與法國濱海大學合作 推升智慧永續海洋
» 國研盃智慧機械競賽揭曉 聯合大學高爾夫機器人奪冠


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  v3.20.2048.54.242.75.224
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