圖1 : 要達成工業4.0中聯網的願景，首先可從數據可視化開始，並經由智慧機上盒將數據連結到雲端。（source：Bosch）

目前廠商所使用的機台多採購於十年前，若要全數汰換更新所費不貲，要達成工業4.0中聯網的願景，首先可從數據可視化開始，並經由智慧機上盒將數據連結到雲端。

雖目前政府大力支持推動工業4.0與智慧製造，不過由於台灣仍為中小企業居多，機台與設備升級成本不僅相當昂貴，許多老舊設備存在無法聯網的問題外，對於智慧製造的概念也仍相當模糊。

要達成工業4.0中聯網的願景，首先，就要先從機台的數據擷取上下手。工研院觀察到，由於目前廠商所使用的機台多採購於十年前，若要全數汰換更新所費不貲。

事實上，工業4.0不僅是為了多樣少量化的生產趨勢，更是為了協助工廠於生產時，減少出錯率及停機問題，以避免影響生產效率及設備稼動率。要達成工業4.0，首先就得先從底層設備著手，第一步就必須先將機械數據可視化，使機台的各項資訊與動態能夠被掌握，進而讓產線更穩定。

圖2 : 工研院研發智慧機上盒，能自動收集機台資料及生產資訊可視化，全方位線上監測掌握工具機製程，管理者能充分利用資源，降低成本與提升生產效率。

以擷取設備預警所需的數據而言，目前工研院也與自動化設備廠「盟立自動化」發表「射出成型機專用智慧機上盒」IM2 Box（Injection Moulding Information Model Box），結合盟立專用控制器，目前已應用於富強鑫、台中精機設備上。

同時，針對一般業者，工研院也發表「工業用泛用型智慧機上盒」PI Box（Production information box），透過簡易的安裝程序，讓機台設備上的感測器資訊快速聯網，業者可隨時掌握稼動率等製程數據，協助中小企業成功邁向智慧製造第一步。

在加工機設備領域，寶元數控副總經理施正修首先指出，相較於以往的精密機械，加入控制器核心、感測器、物聯網及大數據等智慧技術，經由分析各項數據所呈現的狀況與原因，協助人員進行機械停機原因偵測，並透過資料分析達到預防與自適應解決。

加裝感測器蒐集數據 首先須了解規格特性

不過，在使用感測器前，應先對感測器之規格特性進行初步了解，才不至於將工具「用錯地方」。施正修說明，目前常應用於工具機的主要包含壓力感測器、溫度感測器與震動感測器三種。對於工具機設備的加工產品來說，精度是首要的基本條件，卻也是難度曲線最陡峭的項目，而對於加工精度來說，最重要的兩個變因即是溫度與振動。

溫度主要帶來形變且對其對機台帶來的影響過程相當複雜，加工時切削產生的熱膨脹、環境溫度以及機構的設計方式所帶來的不同熱傳導速度都會深刻影響到機台本身的基礎結構，進而導致加工精度的下降。

使用溫度感測器可透過讀取機台溫度，進行冷暖機辨識與安全保護等臨界值式應用，以及溫升熱補償與閉迴路溫度控制等控制類應用。

目前在溫度感測上可分為熱電阻與熱電偶兩種，各有利弊之處，但整體價格對工具機設備本身來說相對低廉，所以，對於溫升熱補償功能的困難點，主要是在演算模型上，不同機台結構會有不同的演算模型需要考量，這是工具機製造廠商須逐步研究提升的項目。

值得注意的是，施正修指出，感測器的安裝數量與位置應用於不同機構時，須經由重新與建模測量；此外，環境溫度變化也須經由長期觀察控管、不同環境也將得出不同結果、不同刀具或加工物熱膨脹量也不同，這些都是在使用溫度感測器時，需要克服的難題。

另一方面，振動主要帶來位移進而導致精度下滑，一般振動的產生源自於機械結構上的動不平衡、刀具與工件接觸時的力不均勻或散熱風扇等外部裝置都會帶來振動影響；以現今技術而言要做到機台完全沒有振動是不現實的，所以振動感測的主要作用就會集中在判別當前振動為正常或異常上。

透過震動感測器的使用，將可從機台的振幅與讀取機台加速度時域資料，檢測出意外碰撞、誤操作保護等臨界值式應用，以及ISO 10816、斷刀即時檢測、崩刃即時檢測等診斷類應用。

不僅如此，透過震動感測器，也可進行機台剛性結構與共振頻率分析等分析類應用。他指出，透過機台待機、主軸空轉、加工空跑與實際加工等，4項震動感測器所蒐集出的數據，經由迴歸分析、建模等多種驗算方式分析運算後輸出結果，即可調整包括控制器運動參數、伺服器驅動器共振抑制等相關參數。

此外，震動感測器也可以進行刀具及軸承等壽命預測，施正修指出，在實驗建模階段，可將全新的待測物，透過感測器數據進行加工，之後再進行資料擷取分析儲存，將可檢測出待測物是否堪用，或弓箭是否為良品；線上偵測階段則透過進行加工後，讀取感測器數據，再套用模型演算，判斷是否需要提式警報，並進行相對應處裡動作。

施正修說明，實驗數據的分析可透過時域資料、頻域資料、時頻域資料等方式，進行採集與建模，並再刀具磨損、工件材質不穩定、參數設定異常等狀態時及時反映問題點。

智慧機械自動檢測 提升機台稼動率

他接著指出，相較於傳統機台僅能倚靠加工成品確認成果，或倚賴人員巡邏觀察機台狀況，加裝感測器的智慧機械將可自動在加工過程中檢測機台狀況，經由大幅降低問題發生時的反應時間，提升機台稼動率。

以目前智慧製造所發展的進程而言，製造能力變革已是勢在必行，而設備預診斷僅是第一步，透過感測器不僅可察覺該機台、設備的異常，更能從感測器測量點之間的關聯性，經由不變量分析技術，發現以往難以檢知的異常。

不變量分析為從多個感測器中，或去時間序列數據，進而提取不變量（不變的關係），並製作監視模型，利用此模型對現在的感測器時間序列進行異常檢知；與過去監視方式不同，不需要進行複雜的監視設定或閾值（警報值）設定，因此將可減輕運作監視負擔。

要達成智慧機械，施正修指出，智慧機械以技術難度和流程來區分可分為「資訊鏈結」、「可視化儲存」、「原因偵測」、「預測與預防」、「自適應解決」五大進程。

圖3 : 透過數據可視化及後續分析、偵測，可達到設備預警的目的。（source：festo）

施正修說明，由於過去機台控制器多半是提供部份參數讓使用者設定，然而這些參數對於加工過程實際的完整影響卻是曖昧不明的，缺乏客觀且精確的數據判斷參數調整好壞，導致調機多半得倚靠師傅的經驗累積來實現，且隨著加工條件如工件材質、刀具種類或是工藝改變時這些調適又必須重新再來一次，對於人力、技術力甚至時間的要求都相當高。因此首要的第一步驟便是資訊鏈結，使機台本身以及加工過程的資訊，能夠能被完整且客觀的讀取出。

透過資訊可視化可將資訊清晰透明且可被客觀分析，可儲存化則是後續數據分析或是深度學習不可或缺的基本功能。接下來，透過原因偵測，將前兩步所得到的資訊進行分析，找出機台設備上遇到的問題原因，進而使人員能知道需要調整的關鍵項目。

最後，透過在線持續檢測，在問題發生前預測及預防問題的發生，進而減少生產時的人為損失或自然損失，達到預測與預測的目標；最後一步才是自適應解決，要達成這一步，不僅需要強大的軟體功能及感測器外，也需要大量自動化的輔助設備來進行問題排解，才能讓工具機設備能夠自行解決所遇到的問題。