歡迎來到114ic交易網!登錄免費注冊 加為收藏
型號索引電子元器件現貨庫存IC熱賣
緊急采購日常采購采購商名錄
行業新聞經營管理電子展會人才招聘精選文摘企業新聞行業標準LED新聞
IC生產廠商電子縮略語封裝大全IC替換晶體管資料PDF資料電路圖

AI走進工業物聯網之后有什么改變

日期:2019/10/9 11:23:47
摘要:在新世代的制造系統中,工業物聯網不僅成為核心架構,更會與AI(人工智能)結合,落實智能化愿景。

關鍵詞:AI

1969年PLC問世后,自動化技術在制造領域逐漸站穩腳步,如今已是全球制造系統的核心架構,由于制造系統講究穩定,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,對全球制造業帶來嚴峻挑戰, 導入智能化架構成為業者永續經營的必要策略,而在新世代的制造系統中,工業物聯網不僅成為核心架構,更會與AI(人工智能)結合,落實智能化愿景。

所有場域應用的物聯網,其架構都相同,都是由傳感器、通訊網絡與云端管理平臺所組成的3層架構,由傳感器擷取設備數據,再經由通訊網絡傳送到上層云端平臺儲存、運算,最后再以分析出來的數據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據。

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類似像是制程排程優化的長時間問題,對于制程中會遇到的實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,成為工業物聯網的實時性問題的最佳答案。

上層AI多用于長期規劃

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,當傳感器擷取到設備的狀態數據后,就將數據傳送到通訊層的網關,網關再依照系統建構時的設定讓數據分流, 需要實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數據的數據,則送往數據庫儲存,上層再透過運算平臺分析出結果,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云端兩部分,讓分布式與集中式運算在架構中并存,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、產品質量、制程優化與數字建模。 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,產品質量的檢測、預測,制程優化的參數設定、能源運用,數字建模的數字雙生平泰建立等,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。

在工業物聯網中,AI主要用來做制程的優化與長期規畫等非實時性決策,例如現在消費性市場的產品類別多樣,制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,讓排程優化。

進行產線排程時,需從機器環境、制程加工特性與限制、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,其制造數目?固定且可一次完成的任務進行排程,后續如果出現新工作, 再并入下一次制程處理。 動態排程則是若制程連續、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算法分析各環節的時間與質量,不斷的改進工序,讓效能與質量優化;動態排程則用于少量多樣生產,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質量。

邊緣運算效益可快速浮現

由于工業物聯網上層的AI建置,效益需要一段時間才浮現,不會是立竿見影的發生,而且對制造業者來說并非當務之急,因此目前投入者大多為大型制造業,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,制造設備的預知保養與制程檢測仍是兩大主要功能,由于設備的無預警停機,將會造成整體產線停擺,輕則產在線的半成品報廢,重則交期延宕影響商譽,設備保養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,另一種則是由傳感器偵測設備狀態,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, 例如傳感器發現馬達的震動,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,并記錄該馬達的狀況, 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制程檢測,從目前AI的發展來看,圖像處理占有70%以上的應用,在工業物聯網架構中也是如此。 過去制程中多靠人眼檢測產品質量,由于人眼容易疲勞,隨著工作時間的拉長,檢測質量會逐漸降低,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制造的制程為設計,其快速與精準的辨識,僅能適用于少數類型,在少量多樣或混線生產的制程中仍力有未逮,而AI則可讓機器視覺擁有學習能力, 未來的設備將可透過算法自我學習,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制測檢測之后,制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。

相對于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,并直接提出最佳解決方式,制造系統的智能化設計,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, 第一線的設備作業者遇到問題時,往往面臨極大的時間壓力,此時系統并不需要問題以外的信息,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,之后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領域軟硬件技術提升與制造業對智能化概念的逐漸接受,感知運算將成為制造業的應用會越來越多。

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

至于臺灣地區市場,由于制造業族群分布零散,工業4.0要落實在不同產業中仍有困難,原因在于無論是技術成熟度、策略方針到問題痛點,不同型態的制造業,其差異都相當大,因此制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,各族群制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?

至于制造業要審視本身在工業4.0中所占的位置,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,并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,分別是鏈接(Connect)、轉化(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,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,這階段是讓設備機臺在初步的連網后,將擷取到的信息轉換為具有分析價值的數據信息,例如設備的失效或良率的分析。 其中,設備端點須具備分析、智能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字雙生(Digital Twins),在所有機臺都連網之后,形成另外一個虛擬、同步化的工廠運行,而其數字工廠具備感知、預測能力,可預測“ 非計劃內”的設備故障,當故障訊息被數字工廠擷取后,更可以仿真接下來如何執行優化的重新排程,例如像日本近年就非常致力于推動數字工廠的運行。

至于第四層感知階段,主要則是導入如機器學習、深度學習等一系列的人工智能技術,讓機器可自我學習、進化,并從大數據分析中不斷進行推算與仿真,進而在設備端預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,訂立優化的結果,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,制造業即可掌握目前自身系統所在的位置,并根據自身問題,向系統整合商提出功能需求,例如產品質量不佳,就以圖像處理強化質量控管;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,因此制造業者不必認為太過遙遠就一徑排斥,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。