AI在工業(yè)物聯(lián)網(wǎng)領(lǐng)域興起 邊緣運算效益可快速浮現(xiàn)

1969年PLC問世后，自動化技術(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，因此對新技術(shù)、新架構(gòu)的接受速度向來緩慢，不過近年來消費市場快速變動，對全球制造業(yè)帶來嚴峻挑戰(zhàn)， 導(dǎo)入智能化架構(gòu)成為業(yè)者永續(xù)經(jīng)營的必要策略，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)，更會與AI（人工智能）結(jié)合，落實智能化愿景。

所有場域應(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儲存、運算，最后再以分析出來的數(shù)據(jù)作為系統(tǒng)運作的決策參考，而在整體架構(gòu)中， AI過去多被建置在上層的云端平臺，透過強大的機器學習算法，分析由終端感測層傳回的海量數(shù)據(jù)。

不過，機器學習算法需要一定的運算時間，其目的也多在解決制造業(yè)類似像是制程排程優(yōu)化的長時間問題，對于制程中會遇到的實時問題反應(yīng)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(yè)物聯(lián)網(wǎng)的實時性問題的最佳答案。

上層AI多用于長期規(guī)劃

邊緣運算的做法是讓終端設(shè)備具有一定的運算能力，具有邊緣運算設(shè)計的工業(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)時的設(shè)定讓數(shù)據(jù)分流， 需要實時處理數(shù)據(jù)傳送到前端控制器，讓自動化設(shè)備可以快速反應(yīng)，需要儲存累績?yōu)殚L期數(shù)據(jù)的數(shù)據(jù)，則送往數(shù)據(jù)庫儲存，上層再透過運算平臺分析出結(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會被分別設(shè)計在會有終端與云端兩部分，讓分布式與集中式運算在架構(gòu)中并存，彼此各司所職。

再從設(shè)備供應(yīng)端在工業(yè)物聯(lián)網(wǎng)的研究議題來看，現(xiàn)在主要是集中在4個方向，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、監(jiān)控與預(yù)診，產(chǎn)品質(zhì)量的檢測、預(yù)測，制程優(yōu)化的參數(shù)設(shè)定、能源運用，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主要用來做制程的優(yōu)化與長期規(guī)畫等非實時性決策，例如現(xiàn)在消費性市場的產(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的運算，就可盡量縮短換線生產(chǎn)的停機時間，讓排程優(yōu)化。

進行產(chǎn)線排程時，需從機器環(huán)境、制程加工特性與限制、排程目標，依據(jù)工作到達達生產(chǎn)現(xiàn)場的情況區(qū)分，可分靜態(tài)及動態(tài)排程兩種，靜態(tài)排程是到達生產(chǎn)現(xiàn)場時，其制造數(shù)目？固定且可一次完成的任務(wù)進行排程，后續(xù)如果出現(xiàn)新工作， 再并入下一次制程處理。 動態(tài)排程則是若制程連續(xù)、產(chǎn)品隨機，而且數(shù)目不固定的到達生產(chǎn)現(xiàn)場，須不斷的更新生？排程。

就上述兩種排程方式來看，靜態(tài)排程通常為少樣多樣方式，AI在其中要解決的問題，主要是透過深度學習算法分析各環(huán)節(jié)的時間與質(zhì)量，不斷的改進工序，讓效能與質(zhì)量優(yōu)化；動態(tài)排程則用于少量多樣生產(chǎn)，AI會針對不同產(chǎn)品的工序， 建立起換線模式，有不同產(chǎn)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(chǎn)品維持固定質(zhì)量。

邊緣運算效益可快速浮現(xiàn)

由于工業(yè)物聯(lián)網(wǎng)上層的AI建置，效益需要一段時間才浮現(xiàn)，不會是立竿見影的發(fā)生，而且對制造業(yè)者來說并非當務(wù)之急，因此目前投入者大多為大型制造業(yè)，中小規(guī)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(shè)備的預(yù)知保養(yǎng)與制程檢測仍是兩大主要功能，由于設(shè)備的無預(yù)警停機，將會造成整體產(chǎn)線停擺，輕則產(chǎn)在線的半成品報廢，重則交期延宕影響商譽，設(shè)備保養(yǎng)過去多采人工記錄方式，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(yè)外，設(shè)備也有可能在未達維護時間時故障。

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)計提醒功能，主動告知相關(guān)人員維修時間，另一種則是由傳感器偵測設(shè)備狀態(tài)，若是出現(xiàn)異常，AI則會依據(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)馬達的震動，有可能是軸心歪斜，系統(tǒng)會依據(jù)震動的大小與頻率判斷馬達現(xiàn)在的狀態(tài)，如果有可能會立即損壞，就馬上告知設(shè)備維護人員停機更換，如果沒有立即危險，則會讓馬達持續(xù)運作，并記錄該馬達的狀況， 讓管理人員自行決定維護時間，讓產(chǎn)線可以維持穩(wěn)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產(chǎn)品質(zhì)量，由于人眼容易疲勞，隨著工作時間的拉長，檢測質(zhì)量會逐漸降低，再者，部分消費性產(chǎn)品的體積越來越小，產(chǎn)線速度越來越快，人眼已難以負荷，現(xiàn)在已被取代機器視覺所取代。

現(xiàn)在的機器視覺判斷速度非?？欤揖珳识仍絹碓礁?，不過其運作模式仍是貼合大量制造的制程為設(shè)計，其快速與精準的辨識，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則可讓機器視覺擁有學習能力， 未來的設(shè)備將可透過算法自我學習，遇到不一樣的產(chǎn)品種類或瑕疵時，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。

感知運算會是下一步

在現(xiàn)有的設(shè)備預(yù)診與制測檢測之后，制造系統(tǒng)的邊緣運算接下來將會有那些重點應(yīng)用？ 易用性將會是下一個趨勢，而要讓設(shè)備易用，感知會是系統(tǒng)的必要設(shè)計理念。

相對于現(xiàn)在的工業(yè)物聯(lián)網(wǎng)中，邊緣運算只能找出系統(tǒng)問題，感知運算則可找到問題的原因，并直接提出最佳解決方式，制造系統(tǒng)的智能化設(shè)計，必須針對不同用戶提供適用功能，決策者、管理者、操作者所需的信息大不相同， 第一線的設(shè)備作業(yè)者遇到問題時，往往面臨極大的時間壓力，此時系統(tǒng)并不需要問題以外的信息，只需要系統(tǒng)直接告知問題所在，甚至提出可行的解決方式，像是設(shè)備故障，系統(tǒng)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(tǒng)先恢復(fù)安全狀態(tài)，之后再提示緊急狀態(tài)的發(fā)生原因。 這就是感知運算最大的優(yōu)勢所在，隨著IT領(lǐng)域軟硬件技術(shù)提升與制造業(yè)對智能化概念的逐漸接受，感知運算將成為制造業(yè)的應(yīng)用會越來越多。

觀察發(fā)展現(xiàn)況，工業(yè)4.0在制造業(yè)已是大勢所趨，無論是設(shè)備應(yīng)應(yīng)商或制造業(yè)者，導(dǎo)入工業(yè)物聯(lián)網(wǎng)的動作也都轉(zhuǎn)趨積極，不過有成效者仍占少數(shù)，之前研究機構(gòu)麥肯錫（McKinsey）就曾針對歐、美、日等地的制造大廠進行調(diào)查， 根據(jù)調(diào)查顯示，建置相關(guān)系統(tǒng)的企業(yè)中，僅有四成認為有獲得成效或確實改善了制程，此一結(jié)果雖然不至于太慘，但與當初預(yù)期仍有一段距離。

至于臺灣地區(qū)市場，由于制造業(yè)族群分布零散，工業(yè)4.0要落實在不同產(chǎn)業(yè)中仍有困難，原因在于無論是技術(shù)成熟度、策略方針到問題痛點，不同型態(tài)的制造業(yè)，其差異都相當大，因此制造業(yè)導(dǎo)入工業(yè)物聯(lián)網(wǎng)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(yè)者指出，各族群制程系統(tǒng)的技術(shù)成熟度不同，對工業(yè)物聯(lián)網(wǎng)的功能需求差異也極大，例如傳產(chǎn)可能連第一步將設(shè)備連網(wǎng)的階段都還未達到，更遑論AI，但也有產(chǎn)業(yè)已在深入研究AI、機器學習等技術(shù)的深化應(yīng)用，讓設(shè)備自主優(yōu)化。

你在工業(yè)4.0的哪一階段？

至于制造業(yè)要審視本身在工業(yè)4.0中所占的位置，則可透過訊息物理系統(tǒng)（Cyber Physics System）當中的5C架構(gòu)來進行評判標準， 5C標準非常適合用來檢視工業(yè)4.0技術(shù)的成熟度，并輔助企業(yè)審視各階段所需的代表性能力與技術(shù)，順利導(dǎo)入工業(yè)物聯(lián)網(wǎng)。 5C架構(gòu)從最底層初階技術(shù)至最高層高階應(yīng)用共可分為五個能力組成，分別是鏈接（Connect）、轉(zhuǎn)化（Covert）、虛擬（Cyber）、感知（Cognition）以及自我配置（Configure）。

第一階段的鏈接，最主要是整合OT與IT系統(tǒng)，透過聯(lián)網(wǎng)技術(shù)讓機器與機器間能夠互相通訊、進行串聯(lián)。 其次是轉(zhuǎn)化，這階段是讓設(shè)備機臺在初步的連網(wǎng)后，將擷取到的信息轉(zhuǎn)換為具有分析價值的數(shù)據(jù)信息，例如設(shè)備的失效或良率的分析。 其中，設(shè)備端點須具備分析、智能化的能力是這一階段中非常關(guān)鍵的能力。

在第三個階段虛擬中，則是強調(diào)虛擬化的數(shù)字雙生（Digital Twins），在所有機臺都連網(wǎng)之后，形成另外一個虛擬、同步化的工廠運行，而其數(shù)字工廠具備感知、預(yù)測能力，可預(yù)測“ 非計劃內(nèi)”的設(shè)備故障，當故障訊息被數(shù)字工廠擷取后，更可以仿真接下來如何執(zhí)行優(yōu)化的重新排程，例如像日本近年就非常致力于推動數(shù)字工廠的運行。

至于第四層感知階段，主要則是導(dǎo)入如機器學習、深度學習等一系列的人工智能技術(shù)，讓機器可自我學習、進化，并從大數(shù)據(jù)分析中不斷進行推算與仿真，進而在設(shè)備端預(yù)防機器故障與良率不佳的狀況。

最后一個階段自我配置，則是能夠機器能夠藉由感知、學習的結(jié)果，以自主的方式改變機器設(shè)備的設(shè)定，就好比自動駕駛的概念，利用系統(tǒng)對環(huán)境變化的判斷與分析自動更改執(zhí)行命令。 而工廠的機器同樣也能夠根據(jù)感測系統(tǒng)、訂單需求等的變化重新排程，訂立優(yōu)化的結(jié)果，這也是目前工業(yè)4.0追求的最高層級。

透過不同階段的認知，制造業(yè)即可掌握目前自身系統(tǒng)所在的位置，并根據(jù)自身問題，向系統(tǒng)整合商提出功能需求，例如產(chǎn)品質(zhì)量不佳，就以圖像處理強化質(zhì)量控管；要提升效能，則可偵測設(shè)備的使用狀態(tài)，提升OEE（整體設(shè)備效率）， 而這些功能都可透過簡單的AI設(shè)置，加快效益的浮現(xiàn)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(yè)物聯(lián)網(wǎng)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，因此制造業(yè)者不必認為太過遙遠就一徑排斥，可與系統(tǒng)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(dǎo)入，企業(yè)就可在有限的成本與風險下逐步轉(zhuǎn)型，維持市場競爭力。