账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
AI走进工业物联网 逐步打造制造智慧化
 

【作者: 王明德】2019年01月04日 星期五

浏览人次:【8938】

1969年PLC问世后,自动化技术在制造领域逐渐站稳脚步,如今已是全球制造系统的核心架构,由于制造系统讲究稳定,因此对新技术、新架构的接受速度向来缓慢,不过近年来消费市场快速变动,对全球制造业带来严峻挑战,导入智慧化架构成为业者永续经营的必要策略,而在新世代的制造系统中,工业物联网不仅成为核心架构,更会与AI(人工智慧)结合,落实智慧化愿景。


所有场域应用的物联网,其架构都相同,都是由感测器、通讯网路与云端管理平台所组成的3层架构,由感测器撷取设备数据,再经由通讯网路传送到上层云端平台储存、运算,最后再以分析出来的资料作为系统运作的决策参考,而在整体架构中,AI过去多被建置在上层的云端平台,透过强大的机器学习演算法,分析由终端感测层传回的海量数据。



图1 : 现在工业物联网的研究议题,主要是集中在生产系统、产品品质、制程优化与数位建模等4个方向。(Source: DirectIndustry e-Magazine)
图1 : 现在工业物联网的研究议题,主要是集中在生产系统、产品品质、制程优化与数位建模等4个方向。(Source: DirectIndustry e-Magazine)

不过,机器学习演算法需要一定的运算时间,其目的也多在解决制造业类似像是制程排程最佳化的长时间问题,对于制程中会遇到的即时问题反应与控制指令回馈会缓不济急,近两年边缘运算概念兴起,成为工业物联网的即时性问题的最佳答案。


上层AI多用于长期规划

边缘运算的做法是让终端设备具有一定的运算能力,具有边缘运算设计的工业物联网架构,必须先建立起一套数据流模式,当感测器撷取到设备的状态数据后,就将数据传送到通讯层的闸道器,闸道器再依照系统建构时的设定让数据分流,需要即时处理数据传送到前端控制器,让自动化设备可以快速反应,需要储存累绩为长期资料的数据,则送往资料库储存,上层再透过运算平台分析出结果,提供管理者作为决策参考,因此现在完整的工业物联网,其AI会被分别设计在会有终端与云端两部分,让分散式与集中式运算在架构中并存,彼此各司所职。


再从设备供应端在工业物联网的研究议题来看,现在主要是集中在4个方向,包括生产系统、产品品质、制程优化与数位建模。在这4大方向中,各有其需要解决的问题,像是生产系统中,设备的状态感测、监控与预诊,产品品质的检测、预测,制程优化的参数设定、能源运用,数位建模的数位双生平泰建立等,透过工业物联网的数据撷取与分析,将可逐步解决这些问题,提升系统整体效能。



图2 : 透过感测联网,系统可掌握设备状态,并依据不同参数的AI设定,使其效能最佳化。 (Source: Digital Commerce 360)
图2 : 透过感测联网,系统可掌握设备状态,并依据不同参数的AI设定,使其效能最佳化。 (Source: Digital Commerce 360)

在工业物联网中,AI主要用来做制程的最佳化与长期规画等非即时性决策,例如现在消费性市场的产品类别多样,制程系统的换线将成为常态,透过大数据与AI的运算,就可尽量缩短换线生产的停机时间,让排程最佳化。


进行产线排程时,需从机器环境、制程加工特性与限制、排程目标,依据工作到达达生产现场的情况区分,可分静态及动态排程两种,静态排程是到达生产现场时,其制造数目?固定且可一次完成的任务进行排程,后续如果出现新工作,再并入下一次制程处理。动态排程则是若制程连续、产品随机,而且数目不固定的到达生产现场,须不断的更新生?排程。


就上述两种排程方式来看,静态排程通常为少样多样方式,AI在其中要解决的问题,主要是透过深度学习演算法分析各环节的时间与品质,不断的改进工序,让效能与品质最佳化;动态排程则用于少量多样生产,AI会针对不同产品的工序,建立起换线模式,有不同产品上线时,即启动专属换线模式,尽量缩短停机时间,同时让产品维持固定品质。


边缘运算效益可快速浮现

由于工业物联网上层的AI建置,效益需要一段时间才浮现,不会是立竿见影的发生,而且对制造业者来说并非当务之急,因此目前投入者大多为大型制造业,中小规模的业者,则以底层的边缘运算为主。


目前中小企业的工业物联网建置,制造设备的预知保养与制程检测仍是两大主要功能,由于设备的无预警停机,将会造成整体产线停摆,轻则产线上的半成品报废,重则交期延宕影响商誉,设备保养过去多采人工记录方式,人员再按照时间维护,不过这种方式除了有可能因人员疏失或懈怠,未能定时作业外,设备也有可能在未达维护时间时故障。


工业物联网中的设备预知保养可分两类,一种是直接在管理系统上设计提醒功能,主动告知相关人员维修时间,另一种则是由感测器侦测设备状态,若是出现异常,AI则会依据出现的状态频率,判断可能发生的情况,再做不同处理,例如感测器发现马达的震动,有可能是轴心歪斜,系统会依据震动的大小与频率判断马达现在的状态,如果有可能会立即损坏,就马上告知设备维护人员停机更换,如果没有立即危险,则会让马达持续运作,并记录该马达的状况,让管理人员自行决定维护时间,让产线可以维持稳定的运作效能。


边缘运算的另一种主要功能是制程检测,从目前AI的发展来看,影像处理占有70%以上的应用,在工业物联网架构中也是如此。过去制程中多靠人眼检测产品品质,由于人眼容易疲劳,随着工作时间的拉长,检测品质会逐渐降低,再者,部分消费性产品的体积越来越小,产线速度越来越快,人眼已难以负荷,现在已被取代机器视觉所取代。


现在的机器视觉判断速度非常快,且精准度越来越高,不过其运作模式仍是贴合大量制造的制程为设计,其快速与精准的辨识,仅能适用于少数类型,在少量多样或混线生产的制程中仍力有未逮,而AI则可让机器视觉拥有学习能力,未来的设备将可透过演算法自我学习,遇到不一样的产品种类或瑕疵时,即可自主判断,不必再由管理人员重新设定、调整判别模式。


感知运算会是下一步

在现有的设备预诊与制测检测之后,制造系统的边缘运算接下来将会有那些重点应用?易用性将会是下一个趋势,而要让设备易用,感知会是系统的必要设计理念。


相对于现在的工业物联网中,边缘运算只能找出系统问题,感知运算则可找到问题的原因,并直接提出最佳解决方式,制造系统的智慧化设计,必须针对不同使用者提供适用功能,决策者、管理者、操作者所需的资讯大不相同,第一线的设备作业者遇到问题时,往往面临极大的时间压力,此时系统并不需要问题以外的资讯,只需要系统直接告知问题所在,甚至提出可行的解决方式,像是设备故障,系统会直接在画面显示或以语音提示,告知操作人员先按下某个按键,让系统先恢复安全状态,之后再提示紧急状态的发生原因。这就是感知运算最大的优势所在,随着IT领域软硬体技术提升与制造业对智慧化概念的逐渐接受,感知运算将成为制造业的应用会越来越多。



图3 : 透过联网技术让机器与机器间能够互相通讯、进行串联。 (Source: Dogtown Media)
图3 : 透过联网技术让机器与机器间能够互相通讯、进行串联。 (Source: Dogtown Media)

观察发展现况,工业4.0在制造业已是大势所趋,无论是设备应应商或制造业者,导入工业物联网的动作也都转趋积极,不过有成效者仍占少数,之前研究机构麦肯锡(McKinsey)就曾针对欧、美、日等地的制造大厂进行调查,根据调查显示,建置相关系统的企业中,仅有四成认为有获得成效或确实改善了制程,此一结果虽然不至于太惨,但与当初预期仍有一段距离。


至于台湾市场,由于制造业族群分布零散,工业4.0要落实在不同产业中仍有困难,原因在于无论是技术成熟度、策略方针到问题痛点,不同型态的制造业,其差异都相当大,因此制造业导入工业物联网的第一步,就是先审视自己所处的位置,以找出最合适的解决方案。


业者指出,各族群制程系统的技术成熟度不同,对工业物联网的功能需求差异也极大,例如传产可能连第一步将设备连网的阶段都还未达到,更遑论AI,但也有产业已在深入研究AI、机器学习等技术的深化应用,让设备自主优化。


你在工业4.0的哪一阶段?

至于制造业要审视本身在工业4.0中所占的位置,则可透过讯息物理系统(Cyber Physics System)当中的5C架构来进行评判标准,5C标准非常适合用来检视工业4.0技术的成熟度,并辅助企业审视各阶段所需的代表性能力与技术,顺利导入工业物联网。 5C架构从最底层初阶技术至最高层高阶应用共可分为五个能力组成,分别是连结(Connect)、转化(Covert)、虚拟(Cyber)、感知(Cognition)以及自我配置(Configure)。



图4 : 工业物联网中的设备预知保养,由感测器侦测设备状态,出现异常时,AI可判断可能发生的情况,再做不同处理。(Source: Gattaca plc)
图4 : 工业物联网中的设备预知保养,由感测器侦测设备状态,出现异常时,AI可判断可能发生的情况,再做不同处理。(Source: Gattaca plc)

第一阶段的连结,最主要是整合OT与IT系统,透过联网技术让机器与机器间能够互相通讯、进行串联。其次是转化,这阶段是让设备机台在初步的连网后,将撷取到的资讯转换为具有分析价值的数据资讯,例如设备的失效或良率的分析。其中,设备端点须具备分析、智慧化的能力是这一阶段中非常关键的能力。


在第三个阶段虚拟中,则是强调虚拟化的数位双生(Digital Twins),在所有机台都连网之后,形成另外一个虚拟、同步化的工厂运行,而其数位工厂具备感知、预测能力,可预测「非计画内」的设备故障,当故障讯息被数位工厂撷取后,更可以模拟接下来如何执行最佳化的重新排程,例如像日本近年就非常致力于推动数位工厂的运行。


至于第四层感知阶段,主要则是导入如机器学习、深度学习等一系列的人工智慧技术,让机器可自我学习、进化,并从大数据分析中不断进行推算与模拟,进而在设备端预防机器故障与良率不佳的状况。


最后一个阶段自我配置,则是能够机器能够藉由感知、学习的结果,以自主的方式改变机器设备的设定,就好比自动驾驶的概念,利用系统对环境变化的判断与分析自动更改执行命令。而工厂的机器同样也能够根据感测系统、订单需求等的变化重新排程,订立最佳化的结果,这也是目前工业4.0追求的最高层级。


透过不同阶段的认知,制造业即可掌握目前自身系统所在的位置,并根据自身问题,向系统整合商提出功能需求,例如产品品质不佳,就以影像处理强化品质控管;要提升效能,则可侦测设备的使用状态,提升OEE(整体设备效率),而这些功能都可透过简单的AI设置,加快效益的浮现速度。


谈到AI,过去多认为是遥不可及的概念,但其实AI可分为强AI与弱AI,在工业物联网的边缘运算中,通常只需要用到有限效能的弱AI,就可有效提升效能,因此制造业者不必认为太过遥远就一径排斥,可与系统厂商沟通讨论,先从影响不大、成本不高之处先行建置,再视成效决定下一步动作,透过不断的尝试、修正与导入,企业就可在有限的成本与风险下逐步转型,维持市场竞争力。


**刊头图(Source: Jaroop)


相关文章
AI赋能智慧制造转型
以「熄灯制造」心法实现全面自动化生产
以边缘AI运算强化智慧制造应用
大数据时代下,我们仍需要更大的工厂空间吗?
数位智慧催动绿色制造进程
comments powered by Disqus
相关讨论
  相关新闻
» 明纬推出新系列30W~90W??墙式可换AC??头适配器环球认证
» RIN国际研发高峰会手举行 金属中心展出亮眼成果
» 西门子工具机软硬体解决方案 构建数位制造核心应用
» 明纬推出NGE100(U)系列:100W环球通用4埠USB氮化??快速充电器
» TPCA展??2024台湾PCB产值 有??复苏达8,182亿新台币


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83TD1O4GCSTACUKC
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw