製造業數位轉型藉由AI + IoT 來提升生產效率

作者：旅行中 4月 25, 2019

製造業數位轉型藉由AI + IoT 來提升生產效率

製造業為什麼需要數位轉型？不能單看技術層面為了引進新技術而提出數位轉型，需要從商業價值出發，數位轉型可以帶來什麼好處？

其中數位轉型對於製造業而言最顯而易見的目標是提升生產效率，製造業可藉由生產效率提昇而帶來利潤的提升，對於管理者而言，這是企業決策是否要進行數位轉型的一個重要考量。

公司管理高層需要帶頭思考，針對哪些棘手問題必須要加以改善，從而找出適合的數位化轉型方案。初步生產及製造議題中，建議藉由數據分析提升生產效率來做為切入點。

製造業工廠過去以機台資訊為主，因此著重在內部流程改善及與原廠的技術支援合作，長期而言老舊機器的維護成本逐年提高，新機器的導入對於整體工廠規劃都是一大考驗。

參考影片AIoT 價值

因此在現有機台不變動的前提下，導入數據分析提升生產效率成為持續升級的重要議題。

近年因物聯網技術及人工智慧技術的發展，製造業也可以藉由新技術完成工廠端機器資料收集、

資料視覺化與智慧化，藉由數據分析來提升生產效率。以下將一一說明。

智慧製造從設備聯網做起

物聯網帶動數據自動化

許多製造業者已導入製造執行系統(Manufacturing Execution System，MES)
或企業資源規劃 (Enterprise Resource Planning，ERP)等數位化製造管理系統，但對於工廠內機器設備的相關資訊卻仍以人工抄寫與事後輸入的方式，或者由工作人員現場巡視來確認機台運轉與否的做法，均讓管理者無法即時掌握生產線狀況，因此紙本記錄的數位化成為關鍵問題。可見當企業想要深化生產管理並有效控管生產設備時，設備聯網絕對是必不可少的重要一環。

2018 自動化展應用介紹

2019 自動化展應用介紹

(可以看到工廠的智能化，相關應用持續在累積)

以能源監控為例，傳統電表顯示方式造成紀錄只能依賴人工抄表，但在電表數位化之後，對於供電及用電的紀錄就可以藉由無線通訊連結閘道器再傳送到對應的系統，達成數據自動化避免人工抄寫疏失。除了設備本身的數位化之外，也可以藉由感測器的佈署來作機台監測。以空調系統為例，

冰水主機的效率也會影響到耗電量，可以藉由感測器偵測室內外溫濕度，
並蒐集空調系統冰水主機的冷卻水溫度及主機電流量，來進行智慧節電運轉調控。

參考影片：QNAP 企業電費精省方案

機器網路傳輸協議統一架構-OPC UA推動數據整合

製造業產線中所需要的設備，鮮少由單一廠商產品即可涵蓋，也會因應不同需求及成本考量而採購不同廠商的機器。由於既有機台設備不可能全面換新，如何讓既有機台設備聯網將會是重要關鍵。過去以完成生產為目標下，主要以人工記錄整合生產過程中所需資料，廠商雖然可以理解整合資訊所帶來的好處，實務上各廠牌設備難以整合。

在OPC基金會提出基於機器網路傳輸協議的OPC統一架構(OPC Unified Architecture，OPC UA) 後，許多廠商投入開發讓新型設備支援OPC UA或提出OPC UA外接模組，讓舊型設備也可以藉由OPC UA支援其它設備，工業物聯網平台支援OPC UA client/server後，可以連結底層的設備；而上層系統如MES，也可以藉由OPC UA來與工業物聯網平台連結收集資料。

OPC UA介紹影片：

QNAP NAS 開始支援OPC UA Server/Client 來做工業應用資料收集

現階段人工智慧技術導入主要用於節約成本

在AlphaGo一戰成名後，展現人工智慧的技術確實能為人類生活帶來更多便利與增加工作效率，也造成產業對於人工智慧及深度學習有更多的想法，對於智能化與訓練 AI 模型的需求也因此有更多企業願意投入資源並逐步落實。

現階段的人工智慧主要藉由GPU所帶來的計算力提升，而進一步使用GPU讓深度學習(Deep Learning) 落地實現。深度學習屬於狹義領域人工智慧 (Narrow AI)，或稱為應用型人工智慧 (Applied AI)，需要藉由標記資料預先處理，再進一步開始訓練。

在應用需求上主要分為：

模型訓練 (Model Training)
對應的AI推論(Inference)落地運作

目前在發展初期著重模型訓練，待有可靠度高的模型產生後，才會進入到落地運作。

在物聯網及人工智慧(深度學習) 逐漸被重視及在各產業落實後，人工智慧物聯網應用 (AIoT)也受到關注。近年來持續發熱的AI 應用市場，在雲端業者不斷提供各式各樣的AI模型訓練服務加持下，已經有數以萬計的 AI 模型被發展，其中醫療、影像監控、金融等領域都發展的非常快，一般情況下客戶在研發出 AI 模型後，就希望快速導入各個作業現場做推論(Inference)使用。然而一開始使用 AI 模型在現場操作時就會發現需要非常低的系統運作延遲時間才能確保 AI 執行效果，例如行駛中的汽車車牌辨識、行動中人臉辨識與生產線瑕疵品檢測等。除了效能等級夠高的硬體規格之外，還需要完整配套的軟體環境才能符合低延遲時間的AI系統運作。

現階段工廠AI應用主要用於影像資料，如瑕疵品的檢測。品質與良率仍然是製造業最重視的議題，因此從應用端需求來看，品質檢測的相關解決方案是智慧製造市場上的龐大商機，其中以結合機器視覺與機器學習的自動光學檢測(Automatic Optical Inspection, AOI)已成為製造領域檢測方案的發展主流。AOI是以快速、非接觸的方式，運用機器視覺技術擷取影像進行分析，進而判斷物件是否存在瑕疵，是業界廣泛應用的檢測手法。藉由大量的資料收集，採用深度學習產生出瑕疵品的判斷模型來協助檢測，

目前產業的作法主要藉由自動檢測做為第一個關卡，設定一個初步的門檻來做初篩。在產品測試上主要有兩種問題：

漏檢（Leakage，缺陷被判斷為正常）
過檢（Overkill，正常被判定為缺陷）

初篩後會由人工進行第二次檢驗，主要檢查初篩被認為是缺陷品的部分，人工判別是不是缺陷，對於研發部門而言主要希望找出缺陷的產生模式；對於生產部門而言，主要希望藉由第二次檢驗來減少過篩，將被判定為缺陷品但實際上是正常的，藉由人工檢測增加產出。在大量的資料輸入並導入深度學習較傳統的影像辨識技術準確度高，可以提高初篩的門檻以降低第二次檢驗人力成本，提升整體效率。

機器視覺影像判斷技術除了在生產上使用，也有業者應用老舊機台不同產線之間的資訊收集，主要藉由額外的影像擷取將系統資訊轉化為畫面，再藉由影像分析，萃取出資訊，以解決老舊機台無法達成機器直接溝通(Machine to Machine，M2M)的缺憾。

相關資訊：