1969年P(guān)LC問世後，自動(dòng)化技術(shù)在製造領(lǐng)域逐漸站穩(wěn)腳步，如今已是全球製造系統(tǒng)的核心架構(gòu)，由於製造系統(tǒng)講究穩(wěn)定，因此對(duì)新技術(shù)、新架構(gòu)的接受速度向來緩慢，不過近年來消費(fèi)市場(chǎng)快速變動(dòng)，對(duì)全球製造業(yè)帶來嚴(yán)峻挑戰(zhàn)，導(dǎo)入智慧化架構(gòu)成為業(yè)者永續(xù)經(jīng)營(yíng)的必要策略，而在新世代的製造系統(tǒng)中，工業(yè)物聯(lián)網(wǎng)不僅成為核心架構(gòu)，更會(huì)與AI（人工智慧）結(jié)合，落實(shí)智慧化願(yuàn)景。

所有場(chǎng)域應(yīng)用的物聯(lián)網(wǎng)，其架構(gòu)都相同，都是由感測(cè)器、通訊網(wǎng)路與雲(yún)端管理平臺(tái)所組成的3層架構(gòu)，由感測(cè)器擷取設(shè)備數(shù)據(jù)，再經(jīng)由通訊網(wǎng)路傳送到上層雲(yún)端平臺(tái)儲(chǔ)存、運(yùn)算，最後再以分析出來的資料作為系統(tǒng)運(yùn)作的決策參考，而在整體架構(gòu)中，AI過去多被建置在上層的雲(yún)端平臺(tái)，透過強(qiáng)大的機(jī)器學(xué)習(xí)演算法，分析由終端感測(cè)層傳回的海量數(shù)據(jù)。

圖1 : 現(xiàn)在工業(yè)物聯(lián)網(wǎng)的研究議題，主要是集中在生產(chǎn)系統(tǒng)、產(chǎn)品品質(zhì)、製程優(yōu)化與數(shù)位建模等4個(gè)方向。（Source: DirectIndustry e-Magazine）

不過，機(jī)器學(xué)習(xí)演算法需要一定的運(yùn)算時(shí)間，其目的也多在解決製造業(yè)類似像是製程排程最佳化的長(zhǎng)時(shí)間問題，對(duì)於製程中會(huì)遇到的即時(shí)問題反應(yīng)與控制指令回饋會(huì)緩不濟(jì)急，近兩年邊緣運(yùn)算概念興起，成為工業(yè)物聯(lián)網(wǎng)的即時(shí)性問題的最佳答案。

上層AI多用於長(zhǎng)期規(guī)劃

邊緣運(yùn)算的做法是讓終端設(shè)備具有一定的運(yùn)算能力，具有邊緣運(yùn)算設(shè)計(jì)的工業(yè)物聯(lián)網(wǎng)架構(gòu)，必須先建立起一套數(shù)據(jù)流模式，當(dāng)感測(cè)器擷取到設(shè)備的狀態(tài)數(shù)據(jù)後，就將數(shù)據(jù)傳送到通訊層的閘道器，閘道器再依照系統(tǒng)建構(gòu)時(shí)的設(shè)定讓數(shù)據(jù)分流，需要即時(shí)處理數(shù)據(jù)傳送到前端控制器，讓自動(dòng)化設(shè)備可以快速反應(yīng)，需要儲(chǔ)存累績(jī)?yōu)殚L(zhǎng)期資料的數(shù)據(jù)，則送往資料庫(kù)儲(chǔ)存，上層再透過運(yùn)算平臺(tái)分析出結(jié)果，提供管理者作為決策參考，因此現(xiàn)在完整的工業(yè)物聯(lián)網(wǎng)，其AI會(huì)被分別設(shè)計(jì)在會(huì)有終端與雲(yún)端兩部分，讓分散式與集中式運(yùn)算在架構(gòu)中並存，彼此各司所職。

再?gòu)脑O(shè)備供應(yīng)端在工業(yè)物聯(lián)網(wǎng)的研究議題來看，現(xiàn)在主要是集中在4個(gè)方向，包括生產(chǎn)系統(tǒng)、產(chǎn)品品質(zhì)、製程優(yōu)化與數(shù)位建模。在這4大方向中，各有其需要解決的問題，像是生產(chǎn)系統(tǒng)中，設(shè)備的狀態(tài)感測(cè)、監(jiān)控與預(yù)診，產(chǎn)品品質(zhì)的檢測(cè)、預(yù)測(cè)，製程優(yōu)化的參數(shù)設(shè)定、能源運(yùn)用，數(shù)位建模的數(shù)位雙生平泰建立等，透過工業(yè)物聯(lián)網(wǎng)的數(shù)據(jù)擷取與分析，將可逐步解決這些問題，提升系統(tǒng)整體效能。

圖2 : 透過感測(cè)聯(lián)網(wǎng)，系統(tǒng)可掌握設(shè)備狀態(tài)，並依據(jù)不同參數(shù)的AI設(shè)定，使其效能最佳化。（Source: Digital Commerce 360）

在工業(yè)物聯(lián)網(wǎng)中，AI主要用來做製程的最佳化與長(zhǎng)期規(guī)畫等非即時(shí)性決策，例如現(xiàn)在消費(fèi)性市場(chǎng)的產(chǎn)品類別多樣，製程系統(tǒng)的換線將成為常態(tài)，透過大數(shù)據(jù)與AI的運(yùn)算，就可盡量縮短換線生產(chǎn)的停機(jī)時(shí)間，讓排程最佳化。

進(jìn)行產(chǎn)線排程時(shí)，需從機(jī)器環(huán)境、製程加工特性與限制、排程目標(biāo)，依據(jù)工作到達(dá)達(dá)生產(chǎn)現(xiàn)場(chǎng)的情況區(qū)分，可分靜態(tài)及動(dòng)態(tài)排程兩種，靜態(tài)排程是到達(dá)生產(chǎn)現(xiàn)場(chǎng)時(shí)，其製造數(shù)目?固定且可一次完成的任務(wù)進(jìn)行排程，後續(xù)如果出現(xiàn)新工作，再併入下一次製程處理。動(dòng)態(tài)排程則是若製程連續(xù)、產(chǎn)品隨機(jī)，而且數(shù)目不固定的到達(dá)生產(chǎn)現(xiàn)場(chǎng)，須不斷的更新生?排程。

就上述兩種排程方式來看，靜態(tài)排程通常為少樣多樣方式，AI在其中要解決的問題，主要是透過深度學(xué)習(xí)演算法分析各環(huán)節(jié)的時(shí)間與品質(zhì)，不斷的改進(jìn)工序，讓效能與品質(zhì)最佳化；動(dòng)態(tài)排程則用於少量多樣生產(chǎn)，AI會(huì)針對(duì)不同產(chǎn)品的工序，建立起換線模式，有不同產(chǎn)品上線時(shí)，即啟動(dòng)專屬換線模式，盡量縮短停機(jī)時(shí)間，同時(shí)讓產(chǎn)品維持固定品質(zhì)。

邊緣運(yùn)算效益可快速浮現(xiàn)

由於工業(yè)物聯(lián)網(wǎng)上層的AI建置，效益需要一段時(shí)間才浮現(xiàn)，不會(huì)是立竿見影的發(fā)生，而且對(duì)製造業(yè)者來說並非當(dāng)務(wù)之急，因此目前投入者大多為大型製造業(yè)，中小規(guī)模的業(yè)者，則以底層的邊緣運(yùn)算為主。

目前中小企業(yè)的工業(yè)物聯(lián)網(wǎng)建置，製造設(shè)備的預(yù)知保養(yǎng)與製程檢測(cè)仍是兩大主要功能，由於設(shè)備的無預(yù)警停機(jī)，將會(huì)造成整體產(chǎn)線停擺，輕則產(chǎn)線上的半成品報(bào)廢，重則交期延宕影響商譽(yù)，設(shè)備保養(yǎng)過去多採(cǎi)人工記錄方式，人員再按照時(shí)間維護(hù)，不過這種方式除了有可能因人員疏失或懈怠，未能定時(shí)作業(yè)外，設(shè)備也有可能在未達(dá)維護(hù)時(shí)間時(shí)故障。

工業(yè)物聯(lián)網(wǎng)中的設(shè)備預(yù)知保養(yǎng)可分兩類，一種是直接在管理系統(tǒng)上設(shè)計(jì)提醒功能，主動(dòng)告知相關(guān)人員維修時(shí)間，另一種則是由感測(cè)器偵測(cè)設(shè)備狀態(tài)，若是出現(xiàn)異常，AI則會(huì)依據(jù)出現(xiàn)的狀態(tài)頻率，判斷可能發(fā)生的情況，再做不同處理，例如感測(cè)器發(fā)現(xiàn)馬達(dá)的震動(dòng)，有可能是軸心歪斜，系統(tǒng)會(huì)依據(jù)震動(dòng)的大小與頻率判斷馬達(dá)現(xiàn)在的狀態(tài)，如果有可能會(huì)立即損壞，就馬上告知設(shè)備維護(hù)人員停機(jī)更換，如果沒有立即危險(xiǎn)，則會(huì)讓馬達(dá)持續(xù)運(yùn)作，並記錄該馬達(dá)的狀況，讓管理人員自行決定維護(hù)時(shí)間，讓產(chǎn)線可以維持穩(wěn)定的運(yùn)作效能。

邊緣運(yùn)算的另一種主要功能是製程檢測(cè)，從目前AI的發(fā)展來看，影像處理占有70％以上的應(yīng)用，在工業(yè)物聯(lián)網(wǎng)架構(gòu)中也是如此。過去製程中多靠人眼檢測(cè)產(chǎn)品品質(zhì)，由於人眼容易疲勞，隨著工作時(shí)間的拉長(zhǎng)，檢測(cè)品質(zhì)會(huì)逐漸降低，再者，部分消費(fèi)性產(chǎn)品的體積越來越小，產(chǎn)線速度越來越快，人眼已難以負(fù)荷，現(xiàn)在已被取代機(jī)器視覺所取代。

現(xiàn)在的機(jī)器視覺判斷速度非?？欤揖珳?zhǔn)度越來越高，不過其運(yùn)作模式仍是貼合大量製造的製程為設(shè)計(jì)，其快速與精準(zhǔn)的辨識(shí)，僅能適用於少數(shù)類型，在少量多樣或混線生產(chǎn)的製程中仍力有未逮，而AI則可讓機(jī)器視覺擁有學(xué)習(xí)能力，未來的設(shè)備將可透過演算法自我學(xué)習(xí)，遇到不一樣的產(chǎn)品種類或瑕疵時(shí)，即可自主判斷，不必再由管理人員重新設(shè)定、調(diào)整判別模式。

感知運(yùn)算會(huì)是下一步

在現(xiàn)有的設(shè)備預(yù)診與製測(cè)檢測(cè)之後，製造系統(tǒng)的邊緣運(yùn)算接下來將會(huì)有那些重點(diǎn)應(yīng)用？易用性將會(huì)是下一個(gè)趨勢(shì)，而要讓設(shè)備易用，感知會(huì)是系統(tǒng)的必要設(shè)計(jì)理念。

相對(duì)於現(xiàn)在的工業(yè)物聯(lián)網(wǎng)中，邊緣運(yùn)算只能找出系統(tǒng)問題，感知運(yùn)算則可找到問題的原因，並直接提出最佳解決方式，製造系統(tǒng)的智慧化設(shè)計(jì)，必須針對(duì)不同使用者提供適用功能，決策者、管理者、操作者所需的資訊大不相同，第一線的設(shè)備作業(yè)者遇到問題時(shí)，往往面臨極大的時(shí)間壓力，此時(shí)系統(tǒng)並不需要問題以外的資訊，只需要系統(tǒng)直接告知問題所在，甚至提出可行的解決方式，像是設(shè)備故障，系統(tǒng)會(huì)直接在畫面顯示或以語音提示，告知操作人員先按下某個(gè)按鍵，讓系統(tǒng)先恢復(fù)安全狀態(tài)，之後再提示緊急狀態(tài)的發(fā)生原因。這就是感知運(yùn)算最大的優(yōu)勢(shì)所在，隨著IT領(lǐng)域軟硬體技術(shù)提升與製造業(yè)對(duì)智慧化概念的逐漸接受，感知運(yùn)算將成為製造業(yè)的應(yīng)用會(huì)越來越多。

圖3 : 透過聯(lián)網(wǎng)技術(shù)讓機(jī)器與機(jī)器間能夠互相通訊、進(jìn)行串聯(lián)。 （Source: Dogtown Media）

觀察發(fā)展現(xiàn)況，工業(yè)4.0在製造業(yè)已是大勢(shì)所趨，無論是設(shè)備應(yīng)應(yīng)商或製造業(yè)者，導(dǎo)入工業(yè)物聯(lián)網(wǎng)的動(dòng)作也都轉(zhuǎn)趨積極，不過有成效者仍佔(zhàn)少數(shù)，之前研究機(jī)構(gòu)麥肯錫（McKinsey）就曾針對(duì)歐、美、日等地的製造大廠進(jìn)行調(diào)查，根據(jù)調(diào)查顯示，建置相關(guān)系統(tǒng)的企業(yè)中，僅有四成認(rèn)為有獲得成效或確實(shí)改善了製程，此一結(jié)果雖然不至於太慘，但與當(dāng)初預(yù)期仍有一段距離。

至於臺(tái)灣市場(chǎng)，由於製造業(yè)族群分佈零散，工業(yè)4.0要落實(shí)在不同產(chǎn)業(yè)中仍有困難，原因在於無論是技術(shù)成熟度、策略方針到問題痛點(diǎn)，不同型態(tài)的製造業(yè)，其差異都相當(dāng)大，因此製造業(yè)導(dǎo)入工業(yè)物聯(lián)網(wǎng)的第一步，就是先審視自己所處的位置，以找出最合適的解決方案。

業(yè)者指出，各族群製程系統(tǒng)的技術(shù)成熟度不同，對(duì)工業(yè)物聯(lián)網(wǎng)的功能需求差異也極大，例如傳產(chǎn)可能連第一步將設(shè)備連網(wǎng)的階段都還未達(dá)到，更遑論AI，但也有產(chǎn)業(yè)已在深入研究AI、機(jī)器學(xué)習(xí)等技術(shù)的深化應(yīng)用，讓設(shè)備自主優(yōu)化。

你在工業(yè)4.0的哪一階段？

至於製造業(yè)要審視本身在工業(yè)4.0中所佔(zhàn)的位置，則可透過訊息物理系統(tǒng)（Cyber Physics System）當(dāng)中的5C架構(gòu)來進(jìn)行評(píng)判標(biāo)準(zhǔn)，5C標(biāo)準(zhǔn)非常適合用來檢視工業(yè)4.0技術(shù)的成熟度，並輔助企業(yè)審視各階段所需的代表性能力與技術(shù)，順利導(dǎo)入工業(yè)物聯(lián)網(wǎng)。5C架構(gòu)從最底層初階技術(shù)至最高層高階應(yīng)用共可分為五個(gè)能力組成，分別是連結(jié)（Connect）、轉(zhuǎn)化（Covert）、虛擬（Cyber）、感知（Cognition）以及自我配置（Configure）。

圖4 : 工業(yè)物聯(lián)網(wǎng)中的設(shè)備預(yù)知保養(yǎng)，由感測(cè)器偵測(cè)設(shè)備狀態(tài)，出現(xiàn)異常時(shí)，AI可判斷可能發(fā)生的情況，再做不同處理。（Source: Gattaca plc）

第一階段的連結(jié)，最主要是整合OT與IT系統(tǒng)，透過聯(lián)網(wǎng)技術(shù)讓機(jī)器與機(jī)器間能夠互相通訊、進(jìn)行串聯(lián)。其次是轉(zhuǎn)化，這階段是讓設(shè)備機(jī)臺(tái)在初步的連網(wǎng)後，將擷取到的資訊轉(zhuǎn)換為具有分析價(jià)值的數(shù)據(jù)資訊，例如設(shè)備的失效或良率的分析。其中，設(shè)備端點(diǎn)須具備分析、智慧化的能力是這一階段中非常關(guān)鍵的能力。

在第三個(gè)階段虛擬中，則是強(qiáng)調(diào)虛擬化的數(shù)位雙生（Digital Twins），在所有機(jī)臺(tái)都連網(wǎng)之後，形成另外一個(gè)虛擬、同步化的工廠運(yùn)行，而其數(shù)位工廠具備感知、預(yù)測(cè)能力，可預(yù)測(cè)「非計(jì)畫內(nèi)」的設(shè)備故障，當(dāng)故障訊息被數(shù)位工廠擷取後，更可以模擬接下來如何執(zhí)行最佳化的重新排程，例如像日本近年就非常致力於推動(dòng)數(shù)位工廠的運(yùn)行。

至於第四層感知階段，主要?jiǎng)t是導(dǎo)入如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等一系列的人工智慧技術(shù)，讓機(jī)器可自我學(xué)習(xí)、進(jìn)化，並從大數(shù)據(jù)分析中不斷進(jìn)行推算與模擬，進(jìn)而在設(shè)備端預(yù)防機(jī)器故障與良率不佳的狀況。

最後一個(gè)階段自我配置，則是能夠機(jī)器能夠藉由感知、學(xué)習(xí)的結(jié)果，以自主的方式改變機(jī)器設(shè)備的設(shè)定，就好比自動(dòng)駕駛的概念，利用系統(tǒng)對(duì)環(huán)境變化的判斷與分析自動(dòng)更改執(zhí)行命令。而工廠的機(jī)器同樣也能夠根據(jù)感測(cè)系統(tǒng)、訂單需求等的變化重新排程，訂立最佳化的結(jié)果，這也是目前工業(yè)4.0追求的最高層級(jí)。

透過不同階段的認(rèn)知，製造業(yè)即可掌握目前自身系統(tǒng)所在的位置，並根據(jù)自身問題，向系統(tǒng)整合商提出功能需求，例如產(chǎn)品品質(zhì)不佳，就以影像處理強(qiáng)化品質(zhì)控管；要提升效能，則可偵測(cè)設(shè)備的使用狀態(tài)，提升OEE（整體設(shè)備效率），而這些功能都可透過簡(jiǎn)單的AI設(shè)置，加快效益的浮現(xiàn)速度。

談到AI，過去多認(rèn)為是遙不可及的概念，但其實(shí)AI可分為強(qiáng)AI與弱AI，在工業(yè)物聯(lián)網(wǎng)的邊緣運(yùn)算中，通常只需要用到有限效能的弱AI，就可有效提升效能，因此製造業(yè)者不必認(rèn)為太過遙遠(yuǎn)就一逕排斥，可與系統(tǒng)廠商溝通討論，先從影響不大、成本不高之處先行建置，再視成效決定下一步動(dòng)作，透過不斷的嘗試、修正與導(dǎo)入，企業(yè)就可在有限的成本與風(fēng)險(xiǎn)下逐步轉(zhuǎn)型，維持市場(chǎng)競(jìng)爭(zhēng)力。

**刊頭圖（Source: Jaroop）