提到AIoT，多數人最先想到的就是AI運算與物聯網（IoT）。臺達以多年豐富的「智」造經驗和深厚的軟、硬體實力，從不同的角度切入AIoT的應用，深度剖析如何從設備的控制、感測導入AI和IIoT技術，真正打造貫穿設備層（OT）和資訊層（IT）的AIoT整合方案，並透過自身成功經驗，協助客戶落實AIoT的建置升級。

圖一 : 隨著近年智能製造潮流引領工廠、產線、設備升級，AIoT已從概念開始落地應用。（source：臺達）

在各行業數位轉型的時代，設備、製程、產線正在不斷的進步，各種過去可度量的、不可度量的資料和記錄，都在快速地轉化成數位資訊，進而產生大量的數據。為了收集這些數據資料，物聯網的需求也日益提高。

此外，除了收集數據，後續還需進行逐一分析、歸納、解析，產生有效的系統化資訊提供給執行單位做為決策判斷。然而現代設備日益精密，資訊量的成長速度遠超出人類可以學習判斷的能力，因此造就人工智慧（AI）的發展應用。當AI與物聯網（IoT）結合，即形成謂的AIoT（AI + IoT）。

隨著近年智能製造潮流引領工廠、產線、設備升級，AIoT已從概念開始落地應用。臺達已針對設備聯網推出許多軟硬體產品，也將相關技術和設備導入自家產線，打造數位化、可視化的機臺與產線。在AI方面，臺達也已成功將AI技術應用在外觀檢測、馬達異音辨別和檢測，大幅將漏檢率降至趨近於零。透過聯網，可將AI檢測know-how快速複製到不同產線、廠區，後續亦持續推廣至其他的應用需求。

但要真正落實AIoT，必須從工廠中最小的單位 – 設備的控制、感測元件開始導入。而其中AI、IIoT（Industrial IoT；工業物聯網）分別扮演不同的角色、發揮各自功能，並串連、整合成一體化的方案。

串連數位及物理世界 打造虛實整合的工業物聯網

IoT可說是AIoT的基礎。在智慧工廠的應用領域中，整體系統的可靠度及響應速度要求較高，所應用的物聯網平臺需加上工業應用規範，因而被稱為工業物聯網、即所謂的IIoT。

不論是1989年的CIM（Computer Integrated Manufacturing）參考模式，還是2011年工業4.0 （Reference Architecture Model for Industrial 4.0；RAMI 4.0），要完成工廠數位轉型，最基礎的仍是車間的數位化。經由各種IT技術將生產及檢量測設備所輸出的資訊收集與分析，產生有效的決策資訊，提高工廠的管理能力，減少不必要的人力、物料成本浪費，將投資效益最大化。

製造型企業的數位轉型，需要將資訊流貫穿車間的垂直及水平二個面向：在垂直面向，包含最基礎的工控元件、製程設備、數據收集、向上串接製造執行系統（MES）；而水平面向則涵蓋整個製造流程，由ERP訂單轉工單至最終的成品出貨。要整合這垂直及水平的資訊，IIoT是最重要的關鍵。

在工廠製造產品的過程中，設備層（Operation Technology；OT）會大量產生各式的資訊，最主要的包括：製程的動態資料（Process Data），例如生產過程履歷、機臺工程參數（Engineering Data），以及資產的靜態資料（Asset Data），例如機臺設定參數、在製品的檢量測結果等。

至於串連IT與OT層，需要由工控元件的連線能力（Connectivity）開始探討，包含感測元件、驅動元件、運動控制、工業用通訊模組等。將這些具有連線能力的工控元件，透過自動化整合的流程實現標準化、規範化，並連結至工業物聯網平臺，才能為實現智慧工廠的打下基礎，進一步走向工業4.0虛實整合。

圖二 : 臺達IIoT與AI整合應用方案架構（source：臺達）

IIoT與AI加值 打造智慧工廠

眾所周知，在AI應用領域需要大量的資料收集、運算分析。各大IT公司，如Microsoft、Amazon、Google等都投入大量的資源，在自家的雲端平臺上打造AI解決方案，希望可以在IoT平臺提供更多的加值服務，建構自己的AIoT生態圈。

臺達亦導入AI和IoT在許多工廠製程，真正實現先進智能製造。舉例來說，臺達將AI運算建構在IIoT平臺上，成功應用在被動元件的AOI六面檢測，加上即時的在線AI影像識別技術，實現AOI機臺自我學習，精準判斷、快速響應，識別速度達毫秒等級、正確率在99.5%以上，並為客戶實現零漏檢要求。

圖三 : 臺達將AI技術應用在風扇檢測，為客戶實現零漏檢要求。（source：臺達）

此外，在面板業的應用領域，利用AI技術能夠精準分類各製程段超過50種之上的缺陷（Defect），取代約60%人工複檢，解決人力不足、檢驗品質不穩定的問題。臺達不斷擴大AI相關技術的應用，如前述在風扇 / 馬達等異音驗測等頗具成效。

垂直貫穿的AIoT

當業界將目光聚焦在AI、數據、聯網等上層管理時，臺達透過自身實戰經驗，從不同的角度來解析AIoT。根據臺達的觀點，要實現AIoT，除了人工智慧、物聯網平臺等關鍵技術之外，更重要的是感測元件的連線能力（Connectivity），可以讓現場設備實現第一層的智能化和優化。

在設備、裝置（Device）上加上各種感測元件，收集大量的資料，將資料傳到雲端（Cloud）或地端（Edge）的物聯網系統，而後利用系統中的AI進行運算、分析，再將結果回饋至設備本身的運動控制元件，達到機臺自我學習、自我調試，運作時可以更快、更好的適應各式使用場景。

舉例來說，臺達成功應用AI輔助製程和決策，更希望進一步實現預防性調整，在產品製造還未出現不良品或缺陷前，就可以發現、並透過自我調整即時阻止，確保品質。要提前解決品質問題、甚至預防問題發生，需要在生產過程實時監控每臺機臺的生產情況。然而，每個機臺的感測、控制元件可能有上百個，更不用說一個車間可能有上百臺各式機臺；加上生產過程所產生的數據，資料總量非常可觀。

以現有技術，要建構一個可以全整連線、收集資料、及運算資源的工業物聯網平臺，成本非常高且十分困難。因此，在思考AI導入時，首先必須考量連線能力，由工控元件開始探討，讓IT層與OT層各司其職、各展所長，依其所能利用的資源及響應速度要求，設計、規劃其應具備的數位化能力及AI的自我判斷能力。

惟有透過這樣的概念，善用自身的技術、經驗和軟硬體產品實力，從設備OT層向上延伸至管理IT層，才能夠一條龍式的打造垂直貫穿的AIoT智能製造工廠。

由基礎科學開始 深耕行業AIoT實現落地

在實際建置AIoT架構時，若只利用數據科學的AI的技術，其實可以達到的效果有限。要真正發揮數據資訊的最大價值，需要結合實際的應用場景，以製造工藝的物理特性為基礎，賦於數據物理意義，才能成為真正落地使用的解決方案。

以臺達發展智慧金屬成形解決方案的伺服沖床為例，與客戶實際合作共同創新，將物理世界轉化為虛擬世界的模型，也就是經由Finite Element Method及Experiment Method簡化沖壓成形的等效模型，再利用IIoT平臺的大量運算資源產生AI預測模型，內嵌至變頻器之中，讓變頻器利用最佳化方法運算、調整伺服沖床運動曲線，在不需增加設備成本下，增加產能32%。

此外，在製造過程中，同時在IIoT平臺上利用AI模型，實現虛擬量測 （Virtual Metrology）及預測診斷（Predictive Maintenance），預知生產狀態，提早進行機臺調整或模具修復，提高設備稼動率。

結語

臺達以創新的思維及技術推動產業數位轉型，將AIoT的概念垂直延伸，由IIoT平臺至工控元件，在擁用強大運算資源的IIoT平臺上生成AI預測模型，同時應用於IT層及OT層，即時運算、即時回饋、快速決策，協助客戶打造全方面的智慧工廠，提升自身與客戶產品競爭力！