真正的“工业智能”该如何实现？

shuszhao

今年汉诺威工业展主题为“工业智能”，意指人类透过人工智能(AI)系统教导机器采取有逻辑、目的性的行动，以满足生产线与客户端的需求。可见AI已成为实现工业4.0或智能制造的关键，但真正的“工业智能”该如何实现？

今年汉诺威工业展主题为“工业智能”，意指人类透过人工智能(AI)系统教导机器采取有逻辑、目的性的行动，并能具备预测的能力，以满足生产线与客户端的需求。可见AI已成为实现工业4.0(Industry 4.0)或智能制造下一步重要的关键，但真正的“工业智能”该如何实现？业者如何透过AI系统，以及进一步融合工厂内外部技术，如传感器、巨量资料(big data)、工业物联网(IIoT)及5G通讯...等，并让工厂中的系统与机器间能无缝沟通，将是实现工业智能前将面临的新挑战。

何谓“真正”的工业智能？


目前在工业4.0、智能制造…等火热议题的带动下，已行之有年的工厂自动化，逐渐改变——纳入AI、机器学习、各种自动化生产设备…等，以期进一步打造可降低人力成本、同时提升生产效率的现代化工厂。
因此有心想转型为智能工厂的业者们，大多认为，似乎只要在机器上装上传感器、收集了资料由中控中心传至云端分析，再回传到机器端执行，这就是所谓的工业智能或是智能制造的呈现。不过，“纸上谈兵”毕竟容易得多，但这样的做法究竟能真正协助企业，还是会带来新的挑战？
皮托科技执行长简荣富表示，首先要弄清楚何谓智能制造、工业4.0，这些谈了几年的概念最终目标并不是打造无人工厂，将人力完全削减。而是实现人机协作、分工，各司其职地使整个工厂具备高度自动化，并将过去制程批量订单“单一化”状况转变为高度客制化，以因应市场少量多样的订单需求，进而提升产能、创造更丰沛的营收，这才是真正的“工业智能”。
工业智能不仅是产线自动化生产工具的AI智能化，更重要的是“人”的管理，例如现场作业员是否依照标准操作程序(SOP)、身心状况，或是作业出现问题以至于产线发生塞车…等。事实上，工厂中最重要的资产且花费最高成本的是作业员，因此工业4.0或智能制造强调透过自动化的生产设备，取代人力，不只可以节省成本，还可解决人工速度较慢和其他问题。然而这并不是指工厂完全不需要作业员，而是进一步提升人力的价值及人工的效率。简荣富认为，若是人类作业员消失在工厂中，则智能工厂将失去其意义，因为人类需在智能工厂担任监控多台机台、决策与训练机器及AI的角色。
换句话说，现有的生产设备仍很难拥有人类“五感”，比如衣料质感的检验、汽车烤漆均匀度等较依赖人力的工作，机器尚无法达到人工的质量，因此需要作业员“教导”，如此一来，机器才得以真正智能化。不仅如此，人类可以举一反三、触类旁通、多关联性的思考以综观全局，这是机器或AI仍缺乏的特质，因此人员如何与机器协作、无缝沟通，彼此“深入了解”并由经验老到的“师傅”传承经验给机器，也是实现“工厂智能”的重要议题之一。
另一方面，业者除了解工业4.0或智能制造的意涵外，也需要检视目前市场趋势，以及自家工厂的状况，探索要如何利用及导入工业4.0概念，而不是一味的“人云亦云”。凌华科技(ADLINK)设备联网事业产品中心经理杨家玮认为，目前制造业面临的挑战包括市场碎片化、业主仅关心投资报酬率(ROI)，以及不知痛点在何处。市场碎片化即需让产线具备弹性、模块化，并可在最短的时间内调整现有设备，生产下一种产品；而若企业不了解现有工厂的痛点，亦即最需要解决的问题，贸然进行工厂的翻新、引入AI/机器学习系统…等以达到智能工厂的目标，将很容易落入ROI陷阱，反而浪费许多成本，悖离工厂智能目标。
事实上，现阶段真正打造出智能工厂的企业为数不多，尤其对于台湾许多的中小企业而言，要将现有的厂房摇身变为想象中美好的智能制造工厂，成本与相关人才首先就是一个很大的问题；再者，如何将信息科技(IT)技术融入现有的操作科技(OT)，也是一门极大的工程。可以想见，要实现工业智能，不仅是一件难事，还是不知道该从何开始的大挑战。然而业者们究竟该如何达成工业4.0组织擘划的以自动化方式作决策，利用AI技术实现工业智能，进而打造智能工厂的愿景？以下将试着归纳几个要点。

实现“真”智能第一步：资料可视化


众所周知，智能工厂最前端的机器设备与作业员的状况，需透过各式传感器或摄影机，收集相关的资料，再到中控中心或是云端分析及处理。四零四(Moxa)亚太区事业处工业物联网解决方案处市场开发经理林昌翰表示，直到目前，仍有工厂使用人工手抄机器显示的数据，这样的数据可能会不够准确，进而无法正确判断何时该维修机器设备，甚至导致停工。因此实现工业智能最基本的第一步就是收集数据，让机器或人员的信息可以被看见，也就是可视化，后续才能利用这些巨量数据进行分析，或是利用AI/机器学习预防及预测机器损坏。
宇瞻科技(Apacer)垂直市场应用事业处台湾事业部经理曾元鸿进一步说明，工业4.0宗旨之一是利用可视化信息降低物料的浪费、提升产能，同时节能。数据可视化也让人与机器之间能有共通的语言，并藉由传输接口送到战情室或边缘平台，或是云端做出及时分析回馈，让机器连动改善问题。
数据可视化简单说即是数字化，整个工厂若是无法数字化，并利用数字双胞胎(digital twins)的概念将收集到的信息透明化，则AI或机器学习系统会如同一个无法理解的“黑盒子”，系统作出的实时决定，可能会有问题。不过，数据可视化并不是将工厂设备装上传感器、或是利用摄影机监控整个厂区这么简单，这中间牵涉到传统的OT设备如何与IT产品融合。更何况，目前新型的生产设备可能都还没100%数字化，现有的旧设备也不可能因未数字化就淘汰，再加上OT与IT之间“隔行如隔山”，即使招聘新的IT人员，其如何与懂OT的作业员沟通，亦为一大挑战。因此光是数据可视化这一点，就让许多想转型为智能工厂的企业“一个头好几个大”。

AI/机器学习基础


数据可视化之后，才能为AI、机器学习与深度学习系统打下基础，换句话说，数据若是无法透明化，导入AI与机器学习等技术，对于提升生产效率的作用不大。简荣富解释，AI需要透过机器学习算法，例如卷积神经网络(CNN)、深度学习的辅助才能建立好的数据模型，而机器学习需要精确的数据，才能协助AI精准建立模型。因此收集来自各种不同设备、计算机数值控制(CNC)工具机、机械手臂、传感器，甚至手抄…等异质信息，才能建置AI模型。
更重要的是，若是“塞”了一堆杂乱且无用的信息给机器学习与AI系统，这样“囫囵吞枣”的结果将是成本的浪费。因此庞大的异类数据需要进一步“萃取”及前处理，AI分析的结果才做出有效的决策，而AI也才能肩负起智能工厂“大脑”的角色。
超恩亚太区业务主管萧世杰表示，AI/机器学习的应用，主要目的不仅是减少人力重复性或在危险环境工作，还包括透过大数据、云端去整合跨界的资源，以实现工业智能。另一方面，拥有AI与机器学习技术后，并不表示就不再需要“师傅”，人类的智能可再思考如何进行产业知识(domain know-how)结合云端、大数据创造新型态应用服务。

实现“真”智能第二步：无缝沟通


数字化信息是实现智能工厂的基础，亦为“工业智能”的重要关键之一，但是，收集不同来源的异质信息时，这些信息人类如何能懂？机器与作业员之间如何无缝沟通？工厂设备与AI/机器学习系统如何“交心”？随即衍生新挑战。
该如何让工厂内部的人机与系统无缝沟通，着实是个“大哉问”。起因在于，各家厂商皆想“独霸一方”，导致各家产品说着自己的语言；另外，AI模型的开发者必定都是IT背景，因此在告知机器该做什么事，例如怎么告诉摄影机取得所需的影像，供AI模型进行分析，若无共通的语言，得花许多心思弄懂该如何和机器沟通，否则很难成功“使唤”机器，何况是有点年纪的老设备。

从新到旧来看目前机器设备内置的通讯接口，林昌翰说明，现今最新的工厂机台多内置以太网络，以及明年将可看到支持时效性网络(TSN)的设备；中期或是近期较新的设备采用串行接口为主，以RS232/485占多数，但目前有业者计划从RS485转为以太网络，扩展数据传输距离；至于最老旧的机器则是透过Remote IO与数字IO(DIO)作为接口，有些甚至没有建置通讯接口，因此需另加传感器将利用三色灯显示状态的机台，转为数字化的信息。
为达成智能制造，工厂信息得先一切透明化、数字化，然而，面对这么多种的通讯接口，萧世杰指出，可透过工业计算机(IPC)统整不同的“语言”。他进一步解释，导入智能工厂常会面临的问题是兼容性问题，因为不同的硬件可能使用不同的平台或数据库，必需透过工业计算机内置的软件整并机器间与人类共享信息的协作。如此一来，工厂数字化所产生的大量数据，透过AI数据分析，及时诊断产线状态，即可提供优化的产品制程路径；最后，管理者透过这些信息进行改善制程环节，提高质量产能。
瀚达认为，要建构工业4.0环境，实现人机无缝沟通的工业智能，势必要有智能物联网网关(IoT Gateway)，成为厂在地(OT)跟云在天(IT)之间的桥梁。由于制造现场的设备种类非常多样，有些传感器所产生的数据非常复杂，但也有传感器只会产生电流输出之类的简单数据，加上还要考虑不同的通讯方式，因此可透过智能IoT网关作为沟通桥梁。
艾讯则提出，应制定一个以网络为架构或以因特网为基础，让跨产业、跨厂牌、不同的装置之间，可以通讯与控制的标准。现阶段这种“各自为政”的复杂沟通情况，才有可能解决，进而协助企业顺利打造智能工厂，目前也有一些企业或是组织在推动工业统一性标准。
艾讯并表示，现阶段机器间的通讯有可能会成为未来统一性标准的是OPC UA。另外，诺基亚(Nokia)制定 Future X for industries的策略架构，尝试让跨产业的机器、设备等之间互连。萧世杰认为，智能工厂势必会透过行动装置控制，因此整合行动装置，如平板、手机、笔电等可以直接控制前端动作，达到端到端(end-to-end)应用；而机器间的通讯协议主要有MTConnect及OPC UA两项开放性标准。
林昌翰指出，除上述机器间的通讯协议外，连接云端、并基于ISO标准协议的MQTT，近期在工业市场上也相当火热；但若是考虑到成本，亦负责机器间通讯的M-Bus，也因成本较低，仍获得许多厂商青睐。
另外，传感器与微控制器(MCU)组件的沟通，目前也有出现新的接口。意法半导体(STMicroelectronics；ST)亚太区资深营销经理陈建成表示，现阶段传感器与微控制器或处理器间传输数据的接口是SPI或是I2C，但随着数据量越来越大，SPI和I2C的传输速度逐渐捉襟见肘。因此在智能型手机处理器已内置的I3C，其高于SPI速度的特性，可望在手机处理器供货商如高通(Qualcomm)、联发科(MTK)等开发出针对工业应用的处理器，并待I3C接口价格更加合理后，有机会将应用领域延伸到智能工业市场。
不仅如此，意法半导体也与其他合作伙伴携手推动传感器和致动器标准化输入输出通讯技术IO-Link(IEC 61131-9)，该接口并非现场总线(Fieldbus)技术，对于线材亦无额外要求，因此可能被选为工业4.0标准通讯接口。陈建成透露，IO-Link为传感器与PLC控制器间数据传输的接口，在欧洲的接受度已很高，但由于成本较高，在亚太区仍未广泛被采用。
由此看来，为实现工厂内部无缝沟通的目标，众多标准似有渐渐收敛的状况。但最后哪项标准能成为业界唯一，则仍需时间观察。Maxim资深FAE高义达表示，智能工厂很难出现单一标准，毕竟“群雄争霸”，谁也不愿意分享自家know-how，因此短时间内，很难有最后的胜利者。

实现“真”智能第三步电子组件、软硬件配合


智能工厂或智能制造架构中，生产工具数据的收集需要传感器；数据分析处理得仰赖处理器；节能方面则需电源管理IC…等电子组件协助。艾讯表示，工业智能并不是单一存在的技术或应用，而是有预期目的性的整套系统设备，包含自动控制机器、各种传感器、运算加速装置、数据存储设备、互连网络、数据分析软件、数据库管理软件…等。因此要实现工厂智能，相关组件与接口设备的搭配、协助，也不可忽略。
·微控制器/处理器：举凡工厂前端生产机具的马达控制到网关这一段，微控制器在其中扮演不可或缺的角色。意法半导体亚太区资深产品营销经理杨正廉说明，工厂作业机台、机械手臂…等各式各样装置内部，皆需透过微控制器执行该做的动作或是整合传感器收集到的信息；不仅如此，工厂生产设备间或是与网关间的沟通，无论采用有线以太网络/CAT，或是无线技术，如Wi-Fi、LoRa、Zigbee…等或正在起飞的NB-IoT，也都需要微控制器的协助。
近期AI与机器学习技术进入工业领域，对于处理器的运算力需求高涨，但运算能力越高的处理器相对需要更多的能源，促使边缘运算概念的兴起。杨正廉表示，为分担处理器的运算负载，在边缘端的装置若可以先对数据进行筛选，势必能减轻中央控制中心或云端服务器处理器的运算负担。因此，目前微控制器内部也开始整合较为简单的AI模型，执行数据预分析、处理的工作，以及达成预防提醒的功能，使工厂设备能够提升其寿命与安全性。但微控制器内置的简单AI模型并不具备学习的能力，若要执行机器学习或是更庞大的AI模型，仍需藉由处理器的能力。
杨家玮表示，由于AI需要较高的运算能力，因此GPU、CPU及FPGA需要具备较强的处理效能，以建构满足AI运算需求的工业计算机或是云端数据中心服务器。
·传感器：负责收集信息的传感器，在构筑工业智能中，不仅只是收集、传递信息，还需要具备其他特性。陈建成指出，工业环境中的传感器需具备稳固性与低功耗特性，更重要的是高准确度。由于传感器要负责“监控”机器设备的工作状况，以免发生停机风险，因此传感器分辨率越高、可侦测范围越广，就越能巨细靡遗、更真实的感测到机器的各种样貌，协助后端分析平台更正确地判断生产设备的健康状况。
值得注意的是，受到边缘运算的影响，传感器亦开始导入简单的AI能力。陈建成认为，具备简单AI的传感器可先行过滤“垃圾”信息，以作为后端AI运算辅助，也能减轻网络传输庞大数据的负担，还能进一步节能。
·存储装置：若以人体来比喻，AI如同大脑、生产设备就像四肢、通讯接口有如神经…而存储装置就如大脑中的记忆、回忆区，需要各个时间点的信息时，就必须到存储装置中寻找；而有更新或是最新的数据时，也需存储以供AI/机器学习系统取用。

智能工厂战情室与工厂端相关设备架构图。(图片来源：Apacer)
曾元鸿表示，前端机械手臂与生产设备的状况利用传感器撷取，相关资料传送到基于PC的控制中心处理分析后的信息，再成为指令回传到微控制器让机器动作，此一循环内所产生的各种有用数据都需要被存储。因此工业用存储装置，如固态硬盘(SSD)，需要有快速写入与读取、较长的使用寿命、能在严苛的工业环境中使用、符合工规宽温范围运作需求，以及具备高存储容量。
而为配合基于PC的控制面板或工业计算机、服务器外型的限制，工业用存储装置也已走向轻薄、无风扇及模块化。甚至为了不因存储装置出问题而使工厂停工、降低不必要的成本投资，因此透过软件、韧体，用户能掌握工业应用端实时数据读写活动与系统运作状态，更精准分析使用行为与环境应用需求，协助用户优化系统资源分配，进而挑选最适合的工业级存储装置。

实现“真”智能第四步：漫步云端


数据可视化、传输接口及电子组件、周边装置搭配等问题一一解决并逐渐到位后，接下来的重点即是将数据送到云端进行AI分析与机器学习，少了云端这一段，“工业智能”将缺少一大片拼图。目前许多因特网大厂如Google、亚马逊(Amazon)、微软(Microsoft)或工业计算机相关业者…等，都架设了云端管理平台与AI/机器学习平台，供智能工厂业者建构符合所需的系统。不过，若是将所有的数据都上传云端处理，对于云端数据中心服务器来说将是很大的负担，因此边缘运算概念被提出。

边缘运算辅助


如同上述，透过边缘运算可将应用程序、数据数据与服务的运算，由网络中心节点，移往网络逻辑上的边缘节点处理；且由于边缘节点更接近终端装置，可减少网络的延迟，降低云端运算负载，因此也被导入工业智能的框架中。高义达表示，除了机器与作业现场大量的信息外，目前工业应用中AI与机器学习最主要的工作是透过大量的影像，实现更精确的机器视觉，或是利用扩增实境(AR)/虚拟现实(VR)进行远程作业。此时，大量的影像数据若是都送往云端分析，将会“卡住”，这时就需要边缘运算协助。
而这也是促使工业终端装置内部的微控制器、传感器或是电源解决方案开始逐渐添加简单AI运算功能的契机。

5G可望成为重要战力


对云端数据中心、服务器来说，数据的传输速度越快，越能够实现大范围管理，甚至统筹分散在各地的工厂，而5G技术的高传输速率与低延迟，正巧符合智能制造相关应用的需求。萧世杰表示，5G提供快更的连接速度、更大的带宽、更低的延迟，且传输速度比4G快100倍。在工业上应用，尤其是智能工厂来说，未来面对大量机台设备及传感器所产生的数据数据，透过5G可更快速的进行数据采集，低延迟的进行信息传达、回馈，以提升制造效率，降低维运成本。
瀚达指出，由于用户需求改变，产品规格将从标准化批量制造，走到“多样化、个性化小量生产”的新规模，而工厂也需要更弹性的因应模式。
因此，未来工厂也需要新反应速度与新型态网络，其中工厂低延迟的部分可由5G网络取代实体讯号线，使机器人与人力之间更流畅的协作。除4G网络实现连网，5G可补充运用，让远地带宽和本地达到相近的效率，实现时间与空间的无接缝整合。
虽然5G可成为建构工业智能的新战力，但由于目前全球5G基础建设部署正开始，仅小量商用，而台湾5G频谱第一波竞标将于2019年12月开始，2020年1月完成释照作业；再加上成本考虑，因此，智能制造相关业者皆认为，目前工厂仍是以4G为主，5G技术需要一段时间之后才可能进驻。
杨正廉指出，对智能造业者而言，目前5G可谓“牛刀”，因为工厂传输的感测数据仍算“小量”，若是工厂有更多涉及影像的应用，则业者可以既有的无线传输基础，加上5G技术，以达成本与经济上的平衡。陈建成则认为，未来智能工厂必定朝透过便携设备控制的趋势发展，因此5G要全面进入工业市场，需待5G智能型手机、平板计算机…等行动装置普及。

实现“真”智能第五步：团体战


要进入工业智能AI殿堂，确实不是件简单的事，光是上述提到的四项步骤所衍生的各种挑战，就可能让业者却步。艾讯认为，要建置具工业智能的工厂需要庞大完整的整合能力，除软硬件整合、机电整合，还需要网络整合与数据管理…等能力，挑战在于如何快速的选取适当的零件与机器，以利于缩短软件、AI算法及应用程序…等开发时程。
杨家玮强调，面对未来使用者需求多样的碎片化市场，每一家智能工厂要做的事情完全不同，不可能用一套标准通用架构就能完全满足需求。无论是智能工厂企业主或是意欲进军智能制造市场的业者，都需要寻找垂直市场的伙伴，才有可能成功。
因此，单打独斗绝对不是最佳的方式，众志成城、结合众多不同领域合作伙伴的经验及技术，将可缩短实现工业智能的道路。

2012~2019年全球智能制造市场规模与预估。(数据源：资策MIC)

步步到位　实现工厂“真”智能


若是上述几个步骤都能一一戮力实践，最后，再将智能工厂连网安全性进一步补齐、强化，AI工业智能将不会是遥不可及的梦想，智能造迈向AI殿堂的道路也将不再困难重重。

lqsgg

  

maogege-chen

1491147136

不错

1491147136

很好看

1491147136

分享

zengfanlong

  

lizhennin

yyh135m

[s:152

学海无涯