工業4.0和工業物聯網(IIoT)已成為大眾話題,但許多人都沒有意識到,在將物聯網(IoT)原理運用於工廠的生產流程時,在轉換過程中會損失什麼。

建立IIoT的理念是,運用於加速IT技術進展的技術同樣可以應用於營運技術(operational technology,OT)。這個想法仍然合理,但工廠生產線上有一些細微差別被忽略了,這兩種環境仍然有所不同。

一方面,摩爾定律(Moore’s Law)多年來一次又一次地滿足了IT界對速度更快、功能更強大的處理器的無止境追求。然後是人工智慧(AI);隨著深度學習開始應用到各個專業領域,例如機器翻譯(machine translation)、藥物設計(drug design)和西洋棋,製造產業開始意識到機器也可以產出與人類專家相當——在某些情況下甚至優於人類專家——的成果。

另一方面,現在OT領域中部署的控制系統仍處於工業時代,很多工廠和公用基礎設施尚未連網。它們建立在專屬控制系統之上,只能在封閉環境中運作,獨立於IT基礎設施。

工廠管理者發現,將IT基礎設施的進展轉移到工業控制系統並非易事;首先必須將IT機制轉化為OT,而最適合執行這個任務的,非早已熟悉工廠環境的那些公司莫屬,例如英飛凌(Infineon)、瑞薩(Renesas)、意法半導體(STMicroelectronics)和德州儀器(TI)等。

TI副總裁暨連網微控制器事業部門總經理Ray Upton表示,比較IT和OT系統,OT在能源消耗和延遲等方面的要求與IT截然不同,「工廠生產線上的各種幫浦和馬達內部有成百上千個感測器,絕不允許停機;」他表示:「可預測性、安全性、可靠度和能效等條件,對工業控制系統至關重要。」

而一座智慧工廠所需的基礎設施,其強韌度和可靠度要比一般的IT基礎設施高出一個等級。

公用網際網路連結?

最棘手的一個IIoT挑戰是連結,無論是有線還是無線;按照定義,工業物聯網需要與網際網路連結,但工廠管理層最不希望看到的是製造系統受到網路攻擊。實際上,多年來人們都認為工業控制系統(ICS)環境應該與IT網路隔離(air-gapped),以防範駭客攻擊。

但是大多數專家現在卻承認,除了像核能發電廠那樣的特殊環境,「隔離不切實際,」工業用網路安全方案供應商CyberX副總裁Phil Neray如是說。

Neray表示:「有越來越多IT和OT網路連網,以方便工業設備的遠端監控和維護;但這卻增加了遭受攻擊的可能性;」根據CyberX的「全球ICS與IIoT風險報告」(Global ICS & IIoT Risk Report),有三分之一的OT網路是與公共網路相連。

「更糟糕的是,」他補充指出:「大多數OT通訊協議都是多年前所設計,而且在設計時就不夠安全;」例如,對於將新的梯形邏輯(ladder logic)或韌體上傳到控制器而言,這類協議並不需要認證。簡而言之,破解了OT網路的攻擊者通常可以自由地破壞其許多ICS設備。顯然,除了OT管理人員願意承認的問題以外,還有很多的工廠安全問題需要解決。

工廠管理層所關注的另一個重要問題是,如何更妥善地將AI導入OT。動機很明確:德國和日本的人口數量正在迅速減少,尤其是15至64歲之間的勞動年齡層,製造業從業人數將在未來40年內急遽減少。即使是中國,2020年後的勞動人口也將大幅減少。

讓我們來假想一下,在你的工廠裡有一個老練的營運經理,我們暫且叫他Larry;他有很豐富的經驗,能夠發現生產線上的某些異常現象。然而,要是AI能夠做Larry的工作,那麼我們何必要讓Larry去工廠生產線上檢查製造過程中的每個環節,或者雇用更多像Larry這樣的經理呢?似乎AI可以發現並傳達任何可能引起生產故障的異常情況。AI可望實現生產線的持續監控,確保小缺陷不會進入到生產的下一個階段。

理論上是這樣,因此工廠管理層現在就渴望能嘗試AI;然而要想將AI運用到工廠生產線,要比預期困難得多。

日本MCU領導供應商瑞薩對客戶進行了調查,發現有超過30%的工廠已經導入AI技術,儘管它們的規模都不大;而在那些已經開始導入AI的客戶中,有80%表示他們還無法完成概念驗證。他們對AI的實現成本感到驚訝,並表示他們不知道何時可以看到投資報酬。瑞薩發現,只有6%的調查對象正在推進AI智慧製造。

有部份企業將這個問題歸咎於他們的AI應用經驗不足;其他公司則表示他們內部缺乏能夠充分利用這項技術的資料科學家。

統計性vs.即時連續AI

瑞薩工業解決方案事業部戰略和規劃部門資深總監馬場光男(Mitsuo Baba)認為最先會遇到的困難是IT和OT AI實現之間的差異。針對工廠營運的「即時連續AI」(Real-time continuous AI)與大數據公司推動IT自動化採用的「統計性AI」(statistical AI)有著鮮明對比。

AI不是萬靈藥,馬場表示,當生產線上的特定問題已經被確定時,AI最能妥善應用於OT;AI會要求OT管理者將生產過程分解為多個小塊,然後在每個終端節點進行AI推理,使用即時輸入資料來執行「做或不做」的決策。

每家想要在智慧工廠推銷IIoT和AI解決方案的晶片供應商,都是先在自己的晶圓廠進行概念驗證測試。Upton透露,該公司正在其德國工廠展開IIoT試運轉專案;TDK技術長松岡大(Dai Matsuoka)則表示,該公司已在其日本和歐洲的生產線上安裝了以多模感測器(multimodal sensor)為基礎的預測分析系統。

瑞薩已經在其那珂晶圓廠(Naka Fab)展開了為期兩年的AI試運轉專案;根據馬場表示,瑞薩工程師將AI單元連接至半導體製造設備,該裝置可以用20倍的速度收集資料並進行AI分析,無需連接到廣域網路,也不需要將資料傳送到雲端。瑞薩指出,在其傳統的故障檢測和分類系統中增加e-AI方案,可以使異常檢測精度提高六倍。

根據業界消息,美國大廠GE旗下子公司GE Healthcare Japan聽說瑞薩那珂廠的應用案例後,也在其日本的日野(Hino)廠採用瑞薩的AI解決方案來測試其效果。GE Healthcare在現有設施中以附加AI單元的形式,安裝了針對故障檢測和預測性維護開發的系統;根據該公司表示,測試結果顯示整體產品缺陷減少了65%。

AI在工廠中的應用仍處於初期發展階段,對於嵌入式技術供應商如何學會了讓AI在自家生產線上發揮作用,製造商將會聽到更多的案例;這些故事聽起來充滿希望,但還是先抱持懷疑的態度吧!

(參考原文: Translators Wanted,by Junko Yoshida)