今年漢諾威工業展主題為「工業智慧」,意指人類透過人工智慧(AI)系統教導機器採取有邏輯、目的性的行動,並能具備預測的能力,以滿足生產線與客戶端的需求。可見AI已成為實現工業4.0(Industry 4.0)或智慧製造下一步重要的關鍵,但真正的「工業智慧」該如何實現?業者如何透過AI系統,以及進一步融合工廠內外部技術,如感測器、巨量資料(big data)、工業物聯網(IIoT)及5G通訊...等,並讓工廠中的系統與機器間能無縫溝通,將是實現工業智慧前將面臨的新挑戰。

何謂「真正」的工業智慧?

目前在工業4.0、智慧製造…等火熱議題的帶動下,已行之有年的工廠自動化,逐漸改變——納入AI、機器學習、各種自動化生產設備…等,以期進一步打造可降低人力成本、同時提升生產效率的現代化工廠。

因此有心想轉型為智慧工廠的業者們,大多認為,似乎只要在機器上裝上感測器、收集了資料由中控中心傳至雲端分析,再回傳到機器端執行,這就是所謂的工業智慧或是智慧製造的呈現。不過,「紙上談兵」畢竟容易得多,但這樣的做法究竟能真正協助企業,還是會帶來新的挑戰?

皮托科技執行長簡榮富表示,首先要弄清楚何謂智慧製造、工業4.0,這些談了幾年的概念最終目標並不是打造無人工廠,將人力完全削減。而是實現人機協作、分工,各司其職地使整個工廠具備高度自動化,並將過去製程批量訂單「單一化」狀況轉變為高度客製化,以因應市場少量多樣的訂單需求,進而提升產能、創造更豐沛的營收,這才是真正的「工業智慧」。

工業智慧不僅是產線自動化生產工具的AI智慧化,更重要的是「人」的管理,例如現場作業員是否依照標準操作程序(SOP)、身心狀況,或是作業出現問題以至於產線發生塞車…等。事實上,工廠中最重要的資產且花費最高成本的是作業員,因此工業4.0或智慧製造強調透過自動化的生產設備,取代人力,不只可以節省成本,還可解決人工速度較慢和其他問題。然而這並不是指工廠完全不需要作業員,而是進一步提升人力的價值及人工的效率。簡榮富認為,若是人類作業員消失在工廠中,則智慧工廠將失去其意義,因為人類需在智慧工廠擔任監控多台機台、決策與訓練機器及AI的角色。

換句話說,現有的生產設備仍很難擁有人類「五感」,比如衣料質感的檢驗、汽車烤漆均勻度等較依賴人力的工作,機器尚無法達到人工的品質,因此需要作業員「教導」,如此一來,機器才得以真正智慧化。不僅如此,人類可以舉一反三、觸類旁通、多關聯性的思考以綜觀全局,這是機器或AI仍缺乏的特質,因此人員如何與機器協作、無縫溝通,彼此「深入了解」並由經驗老到的「師傅」傳承經驗給機器,也是實現「工廠智慧」的重要議題之一。

另一方面,業者除了解工業4.0或智慧製造的意涵外,也需要檢視目前市場趨勢,以及自家工廠的狀況,探索要如何利用及導入工業4.0概念,而不是一味的「人云亦云」。凌華科技(ADLINK)設備聯網事業產品中心經理楊家瑋認為,目前製造業面臨的挑戰包括市場碎片化、業主僅關心投資報酬率(ROI),以及不知痛點在何處。市場碎片化即需讓產線具備彈性、模組化,並可在最短的時間內調整現有設備,生產下一種產品;而若企業不了解現有工廠的痛點,亦即最需要解決的問題,貿然進行工廠的翻新、引入AI/機器學習系統…等以達到智慧工廠的目標,將很容易落入ROI陷阱,反而浪費許多成本,悖離工廠智慧目標。

事實上,現階段真正打造出智慧工廠的企業為數不多,尤其對於台灣許多的中小企業而言,要將現有的廠房搖身變為想像中美好的智慧製造工廠,成本與相關人才首先就是一個很大的問題;再者,如何將資訊科技(IT)技術融入現有的操作科技(OT),也是一門極大的工程。可以想見,要實現工業智慧,不僅是一件難事,還是不知道該從何開始的大挑戰。然而業者們究竟該如何達成工業4.0組織擘劃的以自動化方式作決策,利用AI技術實現工業智慧,進而打造智慧工廠的願景?以下將試著歸納幾個要點。

實現「真」智慧第一步:資料可視化

眾所周知,智慧工廠最前端的機器設備與作業員的狀況,需透過各式感測器或攝影機,收集相關的資料,再到中控中心或是雲端分析及處理。四零四(Moxa)亞太區事業處工業物聯網解決方案處市場開發經理林昌翰表示,直到目前,仍有工廠使用人工手抄機器顯示的數據,這樣的數據可能會不夠準確,進而無法正確判斷何時該維修機器設備,甚至導致停工。因此實現工業智慧最基本的第一步就是收集資料,讓機器或人員的訊息可以被看見,也就是可視化,後續才能利用這些巨量資料進行分析,或是利用AI/機器學習預防及預測機器損壞。

宇瞻科技(Apacer)垂直市場應用事業處台灣事業部經理曾元鴻進一步說明,工業4.0宗旨之一是利用可視化資訊降低物料的浪費、提升產能,同時節能。資料可視化也讓人與機器之間能有共通的語言,並藉由傳輸介面送到戰情室或邊緣平台,或是雲端做出及時分析回饋,讓機器連動改善問題。

資料可視化簡單說即是數位化,整個工廠若是無法數位化,並利用數位雙胞胎(digital twins)的概念將收集到的資訊透明化,則AI或機器學習系統會如同一個無法理解的「黑盒子」,系統作出的即時決定,可能會有問題。不過,資料可視化並不是將工廠設備裝上感測器、或是利用攝影機監控整個廠區這麼簡單,這中間牽涉到傳統的OT設備如何與IT產品融合。更何況,目前新型的生產設備可能都還沒100%數位化,現有的舊設備也不可能因未數位化就淘汰,再加上OT與IT之間「隔行如隔山」,即使招聘新的IT人員,其如何與懂OT的作業員溝通,亦為一大挑戰。因此光是資料可視化這一點,就讓許多想轉型為智慧工廠的企業「一個頭好幾個大」。

AI/機器學習基礎

資料可視化之後,才能為AI、機器學習與深度學習系統打下基礎,換句話說,資料若是無法透明化,導入AI與機器學習等技術,對於提升生產效率的作用不大。簡榮富解釋,AI需要透過機器學習演算法,例如卷積神經網路(CNN)、深度學習的輔助才能建立好的資料模型,而機器學習需要精確的資料,才能協助AI精準建立模型。因此收集來自各種不同設備、電腦數值控制(CNC)工具機、機械手臂、感測器,甚至手抄…等異質資訊,才能建置AI模型。

更重要的是,若是「塞」了一堆雜亂且無用的資訊給機器學習與AI系統,這樣「囫圇吞棗」的結果將是成本的浪費。因此龐大的異質資料需要進一步「萃取」及前處理,AI分析的結果才做出有效的決策,而AI也才能肩負起智慧工廠「大腦」的角色。

超恩亞太區業務主管蕭世杰表示,AI/機器學習的應用,主要目的不僅是減少人力重覆性或在危險環境工作,還包括透過大數據、雲端去整合跨界的資源,以實現工業智慧。另一方面,擁有AI與機器學習技術後,並不表示就不再需要「師傅」,人類的智慧可再思考如何進行產業知識(domain know-how)結合雲端、大數據創造新型態應用服務。

實現「真」智慧第二步:無縫溝通

數位化資訊是實現智慧工廠的基礎,亦為「工業智慧」的重要關鍵之一,但是,收集不同來源的異質資訊時,這些資訊人類如何能懂?機器與作業員之間如何無縫溝通?工廠設備與AI/機器學習系統如何「交心」?隨即衍生新挑戰。

該如何讓工廠內部的人機與系統無縫溝通,著實是個「大哉問」。起因在於,各家廠商皆想「獨霸一方」,導致各家產品說著自己的語言;另外,AI模型的開發者必定都是IT背景,因此在告知機器該做什麼事,例如怎麼告訴攝影機取得所需的影像,供AI模型進行分析,若無共通的語言,得花許多心思弄懂該如何和機器溝通,否則很難成功「使喚」機器,何況是有點年紀的老設備。

從新到舊來看目前機器設備內建的通訊介面,林昌翰說明,現今最新的工廠機台多內建乙太網路,以及明年將可看到支援時效性網路(TSN)的設備;中期或是近期較新的設備採用串列介面為主,以RS232/485佔多數,但目前有業者計畫從RS485轉為乙太網路,擴展資料傳輸距離;至於最老舊的機器則是透過Remote IO與數位IO(DIO)作為介面,有些甚至沒有建置通訊介面,因此需另加感測器將利用三色燈顯示狀態的機台,轉為數位化的資訊。

為達成智慧製造,工廠資訊得先一切透明化、數位化,然而,面對這麼多種的通訊介面,蕭世杰指出,可透過工業電腦(IPC)統整不同的「語言」。他進一步解釋,導入智慧工廠常會面臨的問題是相容性問題,因為不同的硬體可能使用不同的平台或資料庫,必需透過工業電腦內建的軟體整併機器間與人類共享資訊的協作。如此一來,工廠數位化所產生的大量數據,透過AI資料分析,及時診斷產線狀態,即可提供最佳化的產品製程路徑;最後,管理者透過這些資訊進行改善製程環節,提高品質產能。

瀚達認為,要建構工業4.0環境,實現人機無縫溝通的工業智慧,勢必要有智慧物聯網閘道器(IoT Gateway),成為廠在地(OT)跟雲在天(IT)之間的橋樑。由於製造現場的設備種類非常多樣,有些感測器所產生的數據非常複雜,但也有感測器只會產生電流輸出之類的簡單數據,加上還要考慮不同的通訊方式,因此可透過智慧IoT閘道器作為溝通橋樑。

艾訊則提出,應制定一個以網路為架構或以網際網路為基礎,讓跨產業、跨廠牌、不同的裝置之間,可以通訊與控制的標準。現階段這種「各自為政」的複雜溝通情況,才有可能解決,進而協助企業順利打造智慧工廠,目前也有一些企業或是組織在推動工業統一性標準。

艾訊並表示,現階段機器間的通訊有可能會成為未來統一性標準的是OPC UA。另外,諾基亞(Nokia)制定 Future X for industries的策略架構,嘗試讓跨產業的機器、設備等之間互連。蕭世杰認為,智慧工廠勢必會透過行動裝置控制,因此整合行動裝置,如平板、手機、筆電等可以直接控制前端動作,達到端到端(end-to-end)應用;而機器間的通訊協議主要有MTConnect及OPC UA兩項開放性標準。

林昌翰指出,除上述機器間的通訊協議外,連接雲端、並基於ISO標準協議的MQTT,近期在工業市場上也相當火熱;但若是考慮到成本,亦負責機器間通訊的M-Bus,也因成本較低,仍獲得許多廠商青睞。

另外,感測器與微控制器(MCU)元件的溝通,目前也有出現新的介面。意法半導體(STMicroelectronics;ST)亞太區資深行銷經理陳建成表示,現階段感測器與微控制器或處理器間傳輸資料的介面是SPI或是I2C,但隨著資料量越來越大,SPI和I2C的傳輸速度逐漸捉襟見肘。因此在智慧型手機處理器已內建的I3C,其高於SPI速度的特性,可望在手機處理器供應商如高通(Qualcomm)、聯發科(MTK)等開發出針對工業應用的處理器,並待I3C介面價格更加合理後,有機會將應用領域延伸到智慧工業市場。

不僅如此,意法半導體也與其他合作夥伴攜手推動感測器和致動器標準化輸入輸出通訊技術IO-Link(IEC 61131-9),該介面並非現場總線(Fieldbus)技術,對於線材亦無額外要求,因此可能被選為工業4.0標準通訊介面。陳建成透露,IO-Link為感測器與PLC控制器間資料傳輸的介面,在歐洲的接受度已很高,但由於成本較高,在亞太區仍未廣泛被採用。

由此看來,為實現工廠內部無縫溝通的目標,眾多標準似有漸漸收斂的狀況。但最後哪項標準能成為業界唯一,則仍需時間觀察。Maxim資深FAE高義達表示,智慧工廠很難出現單一標準,畢竟「群雄爭霸」,誰也不願意分享自家know-how,因此短時間內,很難有最後的勝利者。

實現「真」智慧第三步電子元件、軟硬體配合

智慧工廠或智慧製造架構中,生產工具資料的收集需要感測器;資料分析處理得仰賴處理器;節能方面則需電源管理IC…等電子元件協助。艾訊表示,工業智慧並不是單一存在的技術或應用,而是有預期目的性的整套系統設備,包含自動控制機器、各種感測器、運算加速裝置、資料儲存設備、互連網路、資料分析軟體、資料庫管理軟體…等。因此要實現工廠智慧,相關元件與周邊設備的搭配、協助,也不可忽略。

·微控制器/處理器:舉凡工廠前端生產機具的馬達控制到閘道器這一段,微控制器在其中扮演不可或缺的角色。意法半導體亞太區資深產品行銷經理楊正廉說明,工廠作業機台、機械手臂…等各式各樣裝置內部,皆需透過微控制器執行該做的動作或是整合感測器收集到的訊息;不僅如此,工廠生產設備間或是與閘道器間的溝通,無論採用有線乙太網路/CAT,或是無線技術,如Wi-Fi、LoRa、Zigbee…等或正在起飛的NB-IoT,也都需要微控制器的協助。

近期AI與機器學習技術進入工業領域,對於處理器的運算力需求高漲,但運算能力越高的處理器相對需要更多的能源,促使邊緣運算概念的興起。楊正廉表示,為分擔處理器的運算負載,在邊緣端的裝置若可以先對資料進行篩選,勢必能減輕中央控制中心或雲端伺服器處理器的運算負擔。因此,目前微控制器內部也開始整合較為簡單的AI模型,執行資料預分析、處理的工作,以及達成預防提醒的功能,使工廠設備能夠提升其壽命與安全性。但微控制器內建的簡單AI模型並不具備學習的能力,若要執行機器學習或是更龐大的AI模型,仍需藉由處理器的能力。

楊家瑋表示,由於AI需要較高的運算能力,因此GPU、CPU及FPGA需要具備較強的處理效能,以建構滿足AI運算需求的工業電腦或是雲端資料中心伺服器。

·感測器:負責收集資訊的感測器,在構築工業智慧中,不僅只是收集、傳遞資訊,還需要具備其他特性。陳建成指出,工業環境中的感測器需具備穩固性與低功耗特性,更重要的是高準確度。由於感測器要負責「監控」機器設備的工作狀況,以免發生停機風險,因此感測器解析度越高、可偵測範圍越廣,就越能鉅細靡遺、更真實的感測到機器的各種樣貌,協助後端分析平台更正確地判斷生產設備的健康狀況。

值得注意的是,受到邊緣運算的影響,感測器亦開始導入簡單的AI能力。陳建成認為,具備簡單AI的感測器可先行過濾「垃圾」訊息,以作為後端AI運算輔助,也能減輕網路傳輸龐大資料的負擔,還能進一步節能。

·儲存裝置:若以人體來比喻,AI如同大腦、生產設備就像四肢、通訊介面有如神經…而儲存裝置就如大腦中的記憶、回憶區,需要各個時間點的資訊時,就必須到儲存裝置中尋找;而有更新或是最新的資料時,也需儲存以供AI/機器學習系統取用。

20191202NT31P1 智慧工廠戰情室與工廠端相關設備架構圖。(圖片來源:Apacer)

曾元鴻表示,前端機械手臂與生產設備的狀況利用感測器擷取,相關資料傳送到基於PC的控制中心處理分析後的資訊,再成為指令回傳到微控制器讓機器動作,此一循環內所產生的各種有用資料都需要被儲存。因此工業用儲存裝置,如固態硬碟(SSD),需要有快速寫入與讀取、較長的使用壽命、能在嚴苛的工業環境中使用、符合工規寬溫範圍運作需求,以及具備高儲存容量。

而為配合基於PC的控制台或工業電腦、伺服器外型的限制,工業用儲存裝置也已走向輕薄、無風扇及模組化。甚至為了不因儲存裝置出問題而使工廠停工、降低不必要的成本投資,因此透過軟體、韌體,使用者能掌握工業應用端即時資料讀寫活動與系統運作狀態,更精準分析使用行為與環境應用需求,協助使用者最佳化系統資源配置,進而挑選最適合的工業級儲存裝置。

實現「真」智慧第四步:漫步雲端

資料可視化、傳輸介面及電子元件、周邊裝置搭配等問題一一解決並逐漸到位後,接下來的重點即是將資料送到雲端進行AI分析與機器學習,少了雲端這一段,「工業智慧」將缺少一大片拼圖。目前許多網際網路大廠如Google、亞馬遜(Amazon)、微軟(Microsoft)或工業電腦相關業者…等,都架設了雲端管理平台與AI/機器學習平台,供智慧工廠業者建構符合所需的系統。不過,若是將所有的資料都上傳雲端處理,對於雲端資料中心伺服器來說將是很大的負擔,因此邊緣運算概念被提出。

邊緣運算輔助

如同上述,透過邊緣運算可將應用程式、數據資料與服務的運算,由網路中心節點,移往網路邏輯上的邊緣節點處理;且由於邊緣節點更接近終端裝置,可減少網路的延遲,降低雲端運算負載,因此也被導入工業智慧的框架中。高義達表示,除了機器與作業現場大量的資訊外,目前工業應用中AI與機器學習最主要的工作是透過大量的影像,實現更精確的機器視覺,或是利用擴增實境(AR)/虛擬實境(VR)進行遠端作業。此時,大量的影像資料若是都送往雲端分析,將會「卡住」,這時就需要邊緣運算協助。

而這也是促使工業終端裝置內部的微控制器、感測器或是電源解決方案開始逐漸添加簡單AI運算功能的契機。

5G可望成為重要戰力

對雲端資料中心、伺服器來說,資料的傳輸速度越快,越能夠實現大範圍管理,甚至統籌分散在各地的工廠,而5G技術的高傳輸速率與低延遲,正巧符合智慧製造相關應用的需求。蕭世杰表示,5G提供快更的連線速度、更大的頻寬、更低的延遲,且傳輸速度比4G快100倍。在工業上應用,尤其是智慧工廠來說,未來面對大量機台設備及感測器所產生的數據資料,透過5G可更快速的進行數據採集,低延遲的進行資訊傳達、回饋,以提升製造效率,降低維運成本。

瀚達指出,由於用戶需求改變,產品規格將從標準化批量製造,走到「多樣化、個性化小量生產」的新規模,而工廠也需要更彈性的因應模式。

因此,未來工廠也需要新反應速度與新型態網路,其中工廠低延遲的部分可由5G網路取代實體訊號線,使機器人與人力之間更流暢的協作。除4G網路實現連網,5G可補充運用,讓遠地頻寬和本地達到相近的效率,實現時間與空間的無接縫整合。

雖然5G可成為建構工業智慧的新戰力,但由於目前全球5G基礎建設部署正開始,僅小量商用,而台灣5G頻譜第一波競標將於2019年12月開始,2020年1月完成釋照作業;再加上成本考量,因此,智慧製造相關業者皆認為,目前工廠仍是以4G為主,5G技術需要一段時間之後才可能進駐。

楊正廉指出,對智慧造業者而言,目前5G可謂「牛刀」,因為工廠傳輸的感測資料仍算「小量」,若是工廠有更多涉及影像的應用,則業者可以既有的無線傳輸基礎,加上5G技術,以達成本與經濟上的平衡。陳建成則認為,未來智慧工廠必定朝透過可攜式裝置控制的趨勢發展,因此5G要全面進入工業市場,需待5G智慧型手機、平板電腦…等行動裝置普及。

實現「真」智慧第五步:團體戰

要進入工業智慧AI殿堂,確實不是件簡單的事,光是上述提到的四項步驟所衍生的各種挑戰,就可能讓業者卻步。艾訊認為,要建置具工業智慧的工廠需要龐大完整的整合能力,除軟硬體整合、機電整合,還需要網路整合與資料管理…等能力,挑戰在於如何快速的選取適當的零件與機器,以利於縮短軟體、AI演算法及應用程式…等開發時程。

楊家瑋強調,面對未來使用者需求多樣的碎片化市場,每一家智慧工廠要做的事情完全不同,不可能用一套標準通用架構就能完全滿足需求。無論是智慧工廠企業主或是意欲進軍智慧製造市場的業者,都需要尋找垂直市場的夥伴,才有可能成功。

因此,單打獨鬥絕對不是最佳的方式,眾志成城、結合眾多不同領域合作夥伴的經驗及技術,將可縮短實現工業智慧的道路。

20191202NT31P2 2012~2019年全球智慧製造市場規模與預估。(資料來源:資策MIC)

步步到位 實現工廠「真」智慧

若是上述幾個步驟都能一一戮力實踐,最後,再將智慧工廠連網安全性進一步補齊、強化,AI工業智慧將不會是遙不可及的夢想,智慧造邁向AI殿堂的道路也將不再困難重重。

本文同步刊登於EE Times Taiwan 12月號雜誌

製造產業新革命!你,準備好了嗎?
想要獲取獨家智慧製造商機,5G加持下的工業4.0浪潮中,不可錯過的年度盛會嗎?「2019智慧工業市場暨技術發展研討會」報名即日開跑!輕鬆帶走創新技術與多項好禮!