打通任督二脉——智能制造就在眼前

shuszhao

智能制造、工业4.0、工业物联网(IIoT)…等引发的制造产业新革命正如火如荼地展开。其中，2019年移动通信技术正式开始进入商用部署阶段，借助5G技术特性，以及其他通信技术、创新组件，包括增强现实(AR)、人工智能(AI)、机器视觉、深度学习，以及云端服务…等，皆可望快速打通工业市场前端智慧化到后端云端服务管理的任督二脉，协助企业实现工业4.0智能制造愿景。
智能制造、工业4.0、工业物联网(IIoT)…等引发的制造产业新革命正如火如荼地展开。其中，2019年移动通信技术正式开始进入商用部署阶段，借助5G技术特性，以及其他通信技术、创新组件，包括增强现实(AR)、人工智能(AI)、机器视觉、深度学习，以及云端服务…等，皆可望快速打通工业市场前端智慧化到后端云端服务管理的任督二脉，协助企业实现工业4.0智能制造愿景。
任脉——AI渗透至终端设备
智能制造的终极目标之一是实现能够自我管理的无人工厂，因此将人工智能、机器学习等功能导入厂房生产机器内部，让机器可自行学习、排解困难，是目前智能制造发展项目之一。但人工智能与机器学习系统并不是那么容易建构，需要有专门的相关人才，才能建构符合各个制造现场所需的机器学习环境。
Amazon Web Services(AWS)解决方案架构师黄振维表示，建立整个机器学习系统时，选择算法、构建环境、将数据丢入系统中训练，以及仿真训练结果是否符合预期等步骤是无法避免的，且在具备数据与机器学习专家的情况下，还需要3~6个月才能完成整个机器学习的训练工作。但对于完全不具备机器学习相关知识人才的企业来说，很难在3~6个月内完成训练，势必会需要花上更多时间。所幸，Amazon在机器学习、人工智能所有的相关服务不但开放给客户，更不断更新现有的工具，以协助企业快速建立自有的机器学习系统。
值得注意的是，要能训练出令人满意的机器学习模式，数据很重要。黄振维指出，要让机器学习系统更加准确，收集“有用”的信息很关键，但企业在收集信息时得先判断需收集何种信息，才能经过运算成为有用的机器学习材料，这个过程也相当耗时。更何况，这个部分没有做好，后续建立的机器学习模型很可能会失败，或是不合预期。有鉴于此，Amazon也提供了相关服务，以期能够协助企业在构建机器学习的每一个过程中，能够一路过关斩将，顺利建立可用、精准、具自我学习能力的机器学习系统。
终端设备智能化进行中
所谓智能制造是指在工厂内具备感知制造机械状况、机械具备自我管理、决策等功能，更重要的是提升整体生产效率，换句话说，工厂内部的设备或是中控中心都需要智能化。其中，机器视觉功能是提高生产效率关键的一环，为让机器的“眼睛”看得更清楚、判断更准确，机器视觉加上人工智能势必成为大势所趋。
碁仕科技(G4 Technolohy)总经理周坤仁说，机器视觉是为了取代人眼而生，利用机器视觉可进一步降低人力及不良品流入市面需要回收的成本、提高产能，且视觉检测结果累积的大数据，可进一步配合统计模型，让企业推导出质量管理与决策方向，因此在智能制造中，机器视觉的重要性日益突出，并已大量被导入生产线中。
目前机器视觉的四大主要应用包括对位辨识(Guidance)、瑕疵检测(Inspection)、尺寸量测(Gauging)与文字和条形码识别(Indentification)，不过，现有的机器视觉技术却也面临无法提升复杂图像的分辨率，以及无法测量深度及厚度等门坎，此时，人工智能深度学习算法与3D测量技术将可望解决上述挑战。周坤仁表示，机器视觉加上人工智能与3D测量技术，不仅可让机器具备判读复杂图像瑕疵的能力，还可以在同一台机器上添加厚度和深度的检测功能，是实现工业4.0工厂自动化的重要环节之一，可以说，工业市场人工智能与3D测量时代即将来临。
根据Research & Markets全球市场研究报告统计数据显示，未来人工智能与3D测量技术成长将大于机器视觉，2017~2022年整体机器视觉年复合成长率约为8.15%、人工智能视觉软件年复合成长率高达49%；3D视觉产品的年复合成长率则为11.07%。该单位并预计2022年整体机器视觉市场产值预估为1443.亿美元，其中人工智能视觉软件的产值将达9.97亿美元；3D机器视觉产品产值则将达21.3亿美元。
除了机器视觉之外，工厂生产设备还有其他部分也开始进行智能化，换句话说，人工智能也开始渗透到生产设备的其他部分。意法半导体亚太区技术营销经理余玟宏表示，马达训练、传感器融合、语音控制…等，都是人工智能的范畴。更重要的是，目前这些应用领域大多还是透过人为训练机器的方式，因此通过微控制器(MCU)即可执行相关人工智能算法。
事实上，微控制器在工业物联网的重要性，执行人工智能算法，使终端设备更加聪明，只是近期的一项新功能，微控制器在整个智能制造架构中，是分布在各部分的“小大脑”，控制着马达、人机接口(HMI)、通信、云端链接、数字电源控制...等。余玟宏指出，过去，工厂系统中，就需要微控制器来处理、控制大小事务，而引入智能制造概念后，微控制器的地位与被采用数量也跟着水涨船高，甚至也能运行较简单的人工智能算法，促使智能工厂相关企业从微处理器(MPU)转而使用微控制器。
ADI分销销售经理Daniel Ho表示，未来是数字的世界，而数字的信号需要从模拟信号转换而来，例如工厂机械设备电流电压状况要能被传感器所理解，就需要转换器将模拟信号转换成数字信号，以进一步连结现实的模拟世界与机器的数字世界。若是转换器不够精确，收集到的数据对人工智能、机器学习算法来说，就会是没有任何帮助的“垃圾”，人工智能机器学习的效果将大打折扣。
为了避免此种“赔了夫人又折兵”的状态，工厂设备智能化的过程中，不能仅琢磨微控制器单一器件能否执行人工智能算法，而是得考虑到更细的器件，转换器即是一例。
另外，要让工厂设备，也就是边缘装置运行中的各项数据情报，可以被完整的收集、分析，所牵涉的器件相当广。Maxim技术应用部门资深工程师颜金福指出，包括传感器、IO、传输技术、电源相关组件…等，都是在架构完整、安全性兼具的智能制造系统时，不能忽略的组件。
举例来说，一般工业设备系统采用的电压是24V，目前虽然有部分开始朝48V转换，但无论是目前主流的24V或未来将越来越普遍的48V电源系统，都有可能因为市场要求更小、更智能的系统时，而使整体电路架构遭遇浪涌，此时，外部分压电组、隔离组件就必须在设计时一并考虑，以防止浪涌造成机械或操作员损害。
督脉——由局端至云端
智能制造前段装置智能化之后，接下来则是要考虑如何链接个别制造机器的信息，向后段传输到云端进行分析，再回传给机器进行训练学习。目前在工厂端的传输技术有上百种，并未统一，对于企业来说，会遭遇不兼容、导入每种通信技术可能会大幅提高布建成本等难题。
德州仪器(TI)资深应用工程师兼科技委员林忠衡表示，根据不同的应用环境对于无线技术的需求势必不同，例如Sub-1GHz技术适用于传输距离远、电池供电、须具备强健性的应用环境；蓝牙则是高速、传输更多信息、通过手机控制的状况，其他包括Thread、Wi-Fi…等技术也有各自的优势与适用情境。如果企业遇到需要配置好几种通信技术的状况，或是研发支持多标准的装置时，每一种无线技术都采用一颗微控制器，不但整个系统设计会变得相当复杂，成本也会因而增高不少。
有鉴于此，微控制器企业也开始在其产品中支持多标准或多协议，以协助相关厂商能快速、简单的进行设计工作。Silicon Labs业务经理江志良认为，无论工业或是智慧家庭等物联网应用，已可看到有越来越多的产品需要支持多协议标准，而若能在单一芯片中支持多协议，预期可以节省40%的成本。
SiP实现多标准芯片
要实现在单一芯片支持多协议，满足智能制造、工业物联网应用所需，通过封装技术，将是一条较平坦的道路。日月光(ASE)集团总监郑民耀指出，系统级封装(SiP)相较于系统单芯片(SoC)，将可在芯片子系统(sub-system)内部，使用所有如内存、射频(RF)等最先进的功能，还能整合特殊的组件，如振荡器，而无须迁就SoC工艺是否兼容的问题。
此外，SiP也可打造最完善的系统芯片，具备更小尺寸、更低系统成本的特性，因此在各种物联网应用中，企业可通过不同的排列组合，打造具备各种可能性的芯片。不过，郑民耀也坦言，物联网或是工业物联网市场对于芯片少量多样的需求，SiP的弹性的确稍显不足，若是已确定要走“成套”的芯片方式，如射频与微控制器的整合，SiP技术会较为合适。
模拟工具简化5G设计
工厂内部的短距无线技术，可通过网状网络(Mesh)覆盖整个厂区，但要将工厂连接到云端，则非5G技术莫属。Ansys区域技术经理魏培森表示，5G移动技术具备许多突破的特性，如超低延迟、超高传输速率、更大的覆盖范围、更大的带宽等，使得5G技术在智能制造或是其他应用市场实现增强现实、虚拟现实(VR)、人工智能、机器学习…等创新，更可通过5G技术将工厂与云端连结起来。
然而也因为5G的技术特性，需要采用不同以往的新技术，如Massive MIMO、新调制方式、阵列天线，以及5G还采用设计师较陌生的毫米波频段，因此无论是天线、裸晶、封装、PCB…等5G系统各部分的设计，对设计工程师而言，都将变得相当复杂且难以想象。
因此，若是设计工程师可以在设计早期通过仿真的方式，进行产品验证，不仅可以做出优化的设计，也可以避免产品接近成品，在验证时才发现设计缺陷，以至于要重启设计工作的时间及人力成本的浪费。魏培森进一步强调，即使仿真软件的价格可能让工程师“倒吸一口空气”，但与能够节省的成本相比，仿真软件的售价其实没有想象中的不亲民；再者，善用仿真软件可让工程师在产品硬件尚未诞生时，就可以先掌握对的产品结构与材料，免得最终做出来的产品不符合预期。最后，现今的仿真软件已结合大数据分析、云端运算等技术，准确度已可达90%以上，且仿真速度加快不少，将可协助设计师跨越5G设计难题，更能助力工程师增添高端设计能力。
云端平台架构非难事
许多企业在发展物联网或是工业4.0时，通常都能理解需要构建云端系统，以进行数据分析或管理等工作，但并不是每家公司都有相关人才，或是有额外的财力可以自行寻找人才并建立云端系统架构小组。有鉴于此，许多在网通、电商…等与网络架构有着密切关系领域的公司，也纷纷以其自身经验，提出构建云端系统的方式及解决方案，协助企业能够减少架构云端系统的“痛苦”。
AWS资深业务开发经理吕欣育表示，工业环境导入物联网技术与云端系统可以创造许多优势，例如防呆、防止重工，减少工厂管理员人数、提升产品质量并让产品可更贴近客户需求。然而要构建一整套从工厂机器端到云端的系统，并不简单，更何况还要考虑此系统能否符合实际需求、容易使用等问题，而AWS有来自Amazon资源的支持，不但从端点到网关及云端，AWS都可提供相关的产品供企业进行开发或使用，且该公司的工程师自云端系统开发初期即提供协助，以期能深入了解用户需求，甚至最重要的数据传输安全性问题，都能一并顾及。
顺利结合新旧系统
构建智能工厂时，许多企业会问：“原先采用的生产设备或是管理系统是不是无法再使用？”、“如何同时管理既有与新添购的设备？”Axiomtek软件兼解决方案产品处协理潘皇良认为，工业领域所使用的工业计算机(IPC)与一般个人计算机最大的差异在于可使用在严苛的环境，以及具备较广的温度耐受范围。换句话说，这表示工业计算机相当耐用，不会轻易损坏，生命周期自然也不会像消费电子一样短短几年就得汰换新品。
因此为了节省部署智能制造工厂的成本，在硬件架构没有大改动的状态之下，从更新软件着手，是较为经济的做法，也能迅速连结工厂内部的新旧系统。潘皇良举例说明，在旧设备上装上传感器与无线技术模块后，并在既有的工业计算机上增加新的软件，即可以让企业收集分析传感器的数据，并管理所有与系统连接的设备。相较之下，无需太多新的采购成本，就能让工厂朝智能化演进。
结合软硬实力实现智能制造
在人工智能与物联网概念在工厂发酵，开启第四次工业革命并打造新一代智慧工厂的同时，企业将会发现，该做的事情相当的多，不像以往单纯。艾睿电子(Arrow Electronics)亚太区销售副总裁梁淑琴表示，构建智能制造时，不仅复杂且过程中还会有相当多的痛点。
例如工厂的监控架构中，传感器易受工厂恶劣环境干扰、有线技术传输监控信息成本高昂、电磁兼容法规认证旷日废时；让工厂建筑智能化部分，缺乏无线通信专业知识、单一加速度传感器监测不够准确、单一麦克风声音监测易产生误报；而在销售库存管理方面，需要人工智能视觉技术辅助管理库存、数据边缘采集与云端储存...上述这些都是会让企业“抓狂”的问题。
梁淑琴认为，要一一解决上述痛点，企业需评估自身具备的资源，并寻找拥有丰富技术资源的合作伙伴，完美结合“软智能”与“硬件实力”，相信将能顺利打造符合所需的解决方案，实现智能制造愿景。
a0.jpg
图1：2016~2022年可链接因特网工业装置统计(来源：IHS、意法半导体)
a1.jpg
图2：2.4GHz无线技术摘要介绍(来源：德州仪器)
a2.jpg
图3：工业物联网架构与所需无线技术(来源：Silicon Labs)

riverhill

    

zhifang88

    

小鑫鑫

heming2216

cybi1861

longxuekai

来看一点咯