1969年PLC問世后,自動化技術在制造領域逐漸站穩(wěn)腳步,如今已是全球制造系統(tǒng)的核心架構,由于制造系統(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,對全球制造業(yè)帶來嚴峻挑戰(zhàn), 導入智能化架構成為業(yè)者永續(xù)經(jīng)營的必要策略,而在新世代的制造系統(tǒng)中,工業(yè)物聯(lián)網(wǎng)不僅成為核心架構,更會與AI(人工智能)結合,落實智能化愿景。
本文引用地址:http://www.eepw.com.cn/article/201901/396558.htm
所有場域應用的物聯(lián)網(wǎng),其架構都相同,都是由傳感器、通訊網(wǎng)絡與云端管理平臺所組成的3層架構,由傳感器擷取設備數(shù)據(jù),再經(jīng)由通訊網(wǎng)絡傳送到上層云端平臺儲存、運算,最后再以分析出來的數(shù)據(jù)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云端平臺,透過強大的機器學習算法,分析由終端感測層傳回的海量數(shù)據(jù)。
不過,機器學習算法需要一定的運算時間,其目的也多在解決制造業(yè)類似像是制程排程優(yōu)化的長時間問題,對于制程中會遇到的實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(wǎng)的實時性問題的最佳答案。
上層AI多用于長期規(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(wǎng)架構,必須先建立起一套數(shù)據(jù)流模式,當傳感器擷取到設備的狀態(tài)數(shù)據(jù)后,就將數(shù)據(jù)傳送到通訊層的網(wǎng)關,網(wǎng)關再依照系統(tǒng)建構時的設定讓數(shù)據(jù)分流, 需要實時處理數(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期數(shù)據(jù)的數(shù)據(jù),則送往數(shù)據(jù)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(wǎng), 其AI會被分別設計在會有終端與云端兩部分,讓分布式與集中式運算在架構中并存,彼此各司所職。
再從設備供應端在工業(yè)物聯(lián)網(wǎng)的研究議題來看,現(xiàn)在主要是集中在4個方向,包括生產(chǎn)系統(tǒng)、產(chǎn)品質量、制程優(yōu)化與數(shù)字建模。 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,設備的狀態(tài)感測、監(jiān)控與預診,產(chǎn)品質量的檢測、預測,制程優(yōu)化的參數(shù)設定、能源運用,數(shù)字建模的數(shù)字雙生平泰建立等,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。
在工業(yè)物聯(lián)網(wǎng)中,AI主要用來做制程的優(yōu)化與長期規(guī)畫等非實時性決策,例如現(xiàn)在消費性市場的產(chǎn)品類別多樣,制程系統(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(chǎn)的停機時間,讓排程優(yōu)化。
進行產(chǎn)線排程時,需從機器環(huán)境、制程加工特性與限制、排程目標,依據(jù)工作到達達生產(chǎn)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(chǎn)現(xiàn)場時,其制造數(shù)目?固定且可一次完成的任務進行排程,后續(xù)如果出現(xiàn)新工作, 再并入下一次制程處理。 動態(tài)排程則是若制程連續(xù)、產(chǎn)品隨機,而且數(shù)目不固定的到達生產(chǎn)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算法分析各環(huán)節(jié)的時間與質量,不斷的改進工序,讓效能與質量優(yōu)化;動態(tài)排程則用于少量多樣生產(chǎn),AI會針對不同產(chǎn)品的工序, 建立起換線模式,有不同產(chǎn)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(chǎn)品維持固定質量。
邊緣運算效益可快速浮現(xiàn)
由于工業(yè)物聯(lián)網(wǎng)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,而且對制造業(yè)者來說并非當務之急,因此目前投入者大多為大型制造業(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(wǎng)建置,制造設備的預知保養(yǎng)與制程檢測仍是兩大主要功能,由于設備的無預警停機,將會造成整體產(chǎn)線停擺,輕則產(chǎn)在線的半成品報廢,重則交期延宕影響商譽,設備保養(yǎng)過去多采人工記錄方式,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(wǎng)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,另一種則是由傳感器偵測設備狀態(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, 例如傳感器發(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,并記錄該馬達的狀況, 讓管理人員自行決定維護時間,讓產(chǎn)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制程檢測,從目前AI的發(fā)展來看,圖像處理占有70%以上的應用,在工業(yè)物聯(lián)網(wǎng)架構中也是如此。 過去制程中多靠人眼檢測產(chǎn)品質量,由于人眼容易疲勞,隨著工作時間的拉長,檢測質量會逐漸降低,再者,部分消費性產(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??欤揖珳识仍絹碓礁?,不過其運作模式仍是貼合大量制造的制程為設計,其快速與精準的辨識,僅能適用于少數(shù)類型,在少量多樣或混線生產(chǎn)的制程中仍力有未逮,而AI則可讓機器視覺擁有學習能力, 未來的設備將可透過算法自我學習,遇到不一樣的產(chǎn)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。