1969年PLC問世後，自動化技術在製造領域逐漸站穩(wěn)腳步，如今已是全球製造系統(tǒng)的核心架構，由於製造系統(tǒng)講究穩(wěn)定，因此對新技術、新架構的接受速度向來緩慢，不過近年來消費市場快速變動，對全球製造業(yè)帶來嚴峻挑戰(zhàn)，導入智慧化架構成為業(yè)者永續(xù)經營的必要策略，而在新世代的製造系統(tǒng)中，工業(yè)物聯(lián)網不僅成為核心架構，更會與AI（人工智慧）結合，落實智慧化願景。

所有場域應用的物聯(lián)網，其架構都相同，都是由感測器、通訊網路與雲(yún)端管理平臺所組成的3層架構，由感測器擷取設備數(shù)據(jù)，再經由通訊網路傳送到上層雲(yún)端平臺儲存、運算，最後再以分析出來的資料作為系統(tǒng)運作的決策參考，而在整體架構中，AI過去多被建置在上層的雲(yún)端平臺，透過強大的機器學習演算法，分析由終端感測層傳回的海量數(shù)據(jù)。

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

不過，機器學習演算法需要一定的運算時間，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時間問題，對於製程中會遇到的即時問題反應與控制指令回饋會緩不濟急，近兩年邊緣運算概念興起，成為工業(yè)物聯(lián)網的即時性問題的最佳答案。

上層AI多用於長期規(guī)劃

邊緣運算的做法是讓終端設備具有一定的運算能力，具有邊緣運算設計的工業(yè)物聯(lián)網架構，必須先建立起一套數(shù)據(jù)流模式，當感測器擷取到設備的狀態(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)建構時的設定讓數(shù)據(jù)分流，需要即時處理數(shù)據(jù)傳送到前端控制器，讓自動化設備可以快速反應，需要儲存累績?yōu)殚L期資料的數(shù)據(jù)，則送往資料庫儲存，上層再透過運算平臺分析出結果，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，其AI會被分別設計在會有終端與雲(yún)端兩部分，讓分散式與集中式運算在架構中並存，彼此各司所職。

再從設備供應端在工業(yè)物聯(lián)網的研究議題來看，現(xiàn)在主要是集中在4個方向，包括生產系統(tǒng)、產品品質、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，像是生產系統(tǒng)中，設備的狀態(tài)感測、監(jiān)控與預診，產品品質的檢測、預測，製程優(yōu)化的參數(shù)設定、能源運用，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 : 透過感測聯(lián)網，系統(tǒng)可掌握設備狀態(tài)，並依據(jù)不同參數(shù)的AI設定，使其效能最佳化。（Source: Digital Commerce 360）

在工業(yè)物聯(lián)網中，AI主要用來做製程的最佳化與長期規(guī)畫等非即時性決策，例如現(xiàn)在消費性市場的產品類別多樣，製程系統(tǒng)的換線將成為常態(tài)，透過大數(shù)據(jù)與AI的運算，就可盡量縮短換線生產的停機時間，讓排程最佳化。

進行產線排程時，需從機器環(huán)境、製程加工特性與限制、排程目標，依據(jù)工作到達達生產現(xiàn)場的情況區(qū)分，可分靜態(tài)及動態(tài)排程兩種，靜態(tài)排程是到達生產現(xiàn)場時，其製造數(shù)目?固定且可一次完成的任務進行排程，後續(xù)如果出現(xiàn)新工作，再併入下一次製程處理。動態(tài)排程則是若製程連續(xù)、產品隨機，而且數(shù)目不固定的到達生產現(xiàn)場，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，主要是透過深度學習演算法分析各環(huán)節(jié)的時間與品質，不斷的改進工序，讓效能與品質最佳化；動態(tài)排程則用於少量多樣生產，AI會針對不同產品的工序，建立起換線模式，有不同產品上線時，即啟動專屬換線模式，盡量縮短停機時間，同時讓產品維持固定品質。

邊緣運算效益可快速浮現(xiàn)

由於工業(yè)物聯(lián)網上層的AI建置，效益需要一段時間才浮現(xiàn)，不會是立竿見影的發(fā)生，而且對製造業(yè)者來說並非當務之急，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，則以底層的邊緣運算為主。

目前中小企業(yè)的工業(yè)物聯(lián)網建置，製造設備的預知保養(yǎng)與製程檢測仍是兩大主要功能，由於設備的無預警停機，將會造成整體產線停擺，輕則產線上的半成品報廢，重則交期延宕影響商譽，設備保養(yǎng)過去多採人工記錄方式，人員再按照時間維護，不過這種方式除了有可能因人員疏失或懈怠，未能定時作業(yè)外，設備也有可能在未達維護時間時故障。

工業(yè)物聯(lián)網中的設備預知保養(yǎng)可分兩類，一種是直接在管理系統(tǒng)上設計提醒功能，主動告知相關人員維修時間，另一種則是由感測器偵測設備狀態(tài)，若是出現(xiàn)異常，AI則會依據(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，例如感測器發(fā)現(xiàn)馬達的震動，有可能是軸心歪斜，系統(tǒng)會依據(jù)震動的大小與頻率判斷馬達現(xiàn)在的狀態(tài)，如果有可能會立即損壞，就馬上告知設備維護人員停機更換，如果沒有立即危險，則會讓馬達持續(xù)運作，並記錄該馬達的狀況，讓管理人員自行決定維護時間，讓產線可以維持穩(wěn)定的運作效能。

邊緣運算的另一種主要功能是製程檢測，從目前AI的發(fā)展來看，影像處理占有70％以上的應用，在工業(yè)物聯(lián)網架構中也是如此。過去製程中多靠人眼檢測產品品質，由於人眼容易疲勞，隨著工作時間的拉長，檢測品質會逐漸降低，再者，部分消費性產品的體積越來越小，產線速度越來越快，人眼已難以負荷，現(xiàn)在已被取代機器視覺所取代。

現(xiàn)在的機器視覺判斷速度非常快，且精準度越來越高，不過其運作模式仍是貼合大量製造的製程為設計，其快速與精準的辨識，僅能適用於少數(shù)類型，在少量多樣或混線生產的製程中仍力有未逮，而AI則可讓機器視覺擁有學習能力，未來的設備將可透過演算法自我學習，遇到不一樣的產品種類或瑕疵時，即可自主判斷，不必再由管理人員重新設定、調整判別模式。

感知運算會是下一步

在現(xiàn)有的設備預診與製測檢測之後，製造系統(tǒng)的邊緣運算接下來將會有那些重點應用？易用性將會是下一個趨勢，而要讓設備易用，感知會是系統(tǒng)的必要設計理念。

相對於現(xiàn)在的工業(yè)物聯(lián)網中，邊緣運算只能找出系統(tǒng)問題，感知運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)的智慧化設計，必須針對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，第一線的設備作業(yè)者遇到問題時，往往面臨極大的時間壓力，此時系統(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，像是設備故障，系統(tǒng)會直接在畫面顯示或以語音提示，告知操作人員先按下某個按鍵，讓系統(tǒng)先恢復安全狀態(tài)，之後再提示緊急狀態(tài)的發(fā)生原因。這就是感知運算最大的優(yōu)勢所在，隨著IT領域軟硬體技術提升與製造業(yè)對智慧化概念的逐漸接受，感知運算將成為製造業(yè)的應用會越來越多。

圖3 : 透過聯(lián)網技術讓機器與機器間能夠互相通訊、進行串聯(lián)。 （Source: Dogtown Media）

觀察發(fā)展現(xiàn)況，工業(yè)4.0在製造業(yè)已是大勢所趨，無論是設備應應商或製造業(yè)者，導入工業(yè)物聯(lián)網的動作也都轉趨積極，不過有成效者仍佔少數(shù)，之前研究機構麥肯錫（McKinsey）就曾針對歐、美、日等地的製造大廠進行調查，根據(jù)調查顯示，建置相關系統(tǒng)的企業(yè)中，僅有四成認為有獲得成效或確實改善了製程，此一結果雖然不至於太慘，但與當初預期仍有一段距離。

至於臺灣市場，由於製造業(yè)族群分佈零散，工業(yè)4.0要落實在不同產業(yè)中仍有困難，原因在於無論是技術成熟度、策略方針到問題痛點，不同型態(tài)的製造業(yè)，其差異都相當大，因此製造業(yè)導入工業(yè)物聯(lián)網的第一步，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)的技術成熟度不同，對工業(yè)物聯(lián)網的功能需求差異也極大，例如傳產可能連第一步將設備連網的階段都還未達到，更遑論AI，但也有產業(yè)已在深入研究AI、機器學習等技術的深化應用，讓設備自主優(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中所佔的位置，則可透過訊息物理系統(tǒng)（Cyber Physics System）當中的5C架構來進行評判標準，5C標準非常適合用來檢視工業(yè)4.0技術的成熟度，並輔助企業(yè)審視各階段所需的代表性能力與技術，順利導入工業(yè)物聯(lián)網。5C架構從最底層初階技術至最高層高階應用共可分為五個能力組成，分別是連結（Connect）、轉化（Covert）、虛擬（Cyber）、感知（Cognition）以及自我配置（Configure）。

圖4 : 工業(yè)物聯(lián)網中的設備預知保養(yǎng)，由感測器偵測設備狀態(tài)，出現(xiàn)異常時，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，最主要是整合OT與IT系統(tǒng)，透過聯(lián)網技術讓機器與機器間能夠互相通訊、進行串聯(lián)。其次是轉化，這階段是讓設備機臺在初步的連網後，將擷取到的資訊轉換為具有分析價值的數(shù)據(jù)資訊，例如設備的失效或良率的分析。其中，設備端點須具備分析、智慧化的能力是這一階段中非常關鍵的能力。

在第三個階段虛擬中，則是強調虛擬化的數(shù)位雙生（Digital Twins），在所有機臺都連網之後，形成另外一個虛擬、同步化的工廠運行，而其數(shù)位工廠具備感知、預測能力，可預測「非計畫內」的設備故障，當故障訊息被數(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數(shù)位工廠的運行。

至於第四層感知階段，主要則是導入如機器學習、深度學習等一系列的人工智慧技術，讓機器可自我學習、進化，並從大數(shù)據(jù)分析中不斷進行推算與模擬，進而在設備端預防機器故障與良率不佳的狀況。

最後一個階段自我配置，則是能夠機器能夠藉由感知、學習的結果，以自主的方式改變機器設備的設定，就好比自動駕駛的概念，利用系統(tǒng)對環(huán)境變化的判斷與分析自動更改執(zhí)行命令。而工廠的機器同樣也能夠根據(jù)感測系統(tǒng)、訂單需求等的變化重新排程，訂立最佳化的結果，這也是目前工業(yè)4.0追求的最高層級。

透過不同階段的認知，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，例如產品品質不佳，就以影像處理強化品質控管；要提升效能，則可偵測設備的使用狀態(tài)，提升OEE（整體設備效率），而這些功能都可透過簡單的AI設置，加快效益的浮現(xiàn)速度。

談到AI，過去多認為是遙不可及的概念，但其實AI可分為強AI與弱AI，在工業(yè)物聯(lián)網的邊緣運算中，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)者不必認為太過遙遠就一逕排斥，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作，透過不斷的嘗試、修正與導入，企業(yè)就可在有限的成本與風險下逐步轉型，維持市場競爭力。

**刊頭圖（Source: Jaroop）