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）

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）

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)