1969年PLC問世后，自動化技術在制造領域逐漸站穩腳步，如今已是全球制造系統的核心架構，由于制造系統講究穩定，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，對全球制造業帶來嚴峻挑戰， 導入智能化架構成為業者永續經營的必要策略，而在新世代的制造系統中，工業物聯網不僅成為核心架構，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網，其架構都相同，都是由傳感器、通訊網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據，再經由通訊網絡傳送到上層云端平臺儲存、運算，最后再以分析出來的數據作為系統運作的決策參考，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據。
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類似像是制程排程優化的長時間問題，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，成為工業物聯網的實時性問題的最佳答案。
上層AI多用于長期規劃
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物聯網架構，必須先建立起一套數據流模式，當傳感器擷取到設備的狀態數據后，就將數據傳送到通訊層的網關，網關再依照系統建構時的設定讓數據分流， 需要實時處理數據傳送到前端控制器，讓自動化設備可以快速反應，需要儲存累績為長期數據的數據，則送往數據庫儲存，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，因此現在完整的工業物聯網， 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物聯網的研究議題來看，現在主要是集中在4個方向，包括生產系統、產品質量、制程優化與數字建模。 在這4大方向中，各有其需要解決的問題，像是生產系統中，設備的狀態感測、監控與預診，產品質量的檢測、預測，制程優化的參數設定、能源運用，數字建模的數字雙生平泰建立等，透過工業物聯網的數據擷取與分析，將可逐步解決這些問題， 提升系統整體效能。
在工業物聯網中，AI主要用來做制程的優化與長期規畫等非實時性決策，例如現在消費性市場的產品類別多樣，制程系統的換線將成為常態，透過大數據與AI的運算，就可盡量縮短換線生產的停機時間，讓排程優化。
進行產線排程時，需從機器環境、制程加工特性與限制、排程目標，依據工作到達達生產現場的情況區分，可分靜態及動態排程兩種，靜態排程是到達生產現場時，其制造數目?固定且可一次完成的任務進行排程，后續如果出現新工作， 再并入下一次制程處理。 動態排程則是若制程連續、產品隨機，而且數目不固定的到達生產現場，須不斷的更新生?排程。
就上述兩種排程方式來看，靜態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節的時間與質量，不斷的改進工序，讓效能與質量優化;動態排程則用于少量多樣生產，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質量。
邊緣運算效益可快速浮現
由于工業物聯網上層的AI建置，效益需要一段時間才浮現，不會是立竿見影的發生，而且對制造業者來說并非當務之急，因此目前投入者大多為大型制造業，中小規模的業者，則以底層的邊緣運算為主。
目前中小企業的工業物聯網建置，制造設備的預知保養與制程檢測仍是兩大主要功能，由于設備的無預警停機，將會造成整體產線停擺，輕則產在線的半成品報廢，重則交期延宕影響商譽，設備保養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，未能定時作業外，設備也有可能在未達維護時間時故障。
工業物聯網中的設備預知保養可分兩類，一種是直接在管理系統上設計提醒功能，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，若是出現異常，AI則會依據出現的狀態頻率，判斷可能發生的情況，再做不同處理， 例如傳感器發現馬達的震動，有可能是軸心歪斜，系統會依據震動的大小與頻率判斷馬達現在的狀態，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，讓產線可以維持穩定的運作效能。
邊緣運算的另一種主要功能是制程檢測，從目前AI的發展來看，圖像處理占有70%以上的應用，在工業物聯網架構中也是如此。 過去制程中多靠人眼檢測產品質量，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，部分消費性產品的體積越來越小，產線速度越來越快，人眼已難以負荷，現在已被取代機器視覺所取代。
現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制造的制程為設計，其快速與精準的辨識，僅能適用于少數類型，在少量多樣或混線生產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。
京公網安備 11010502049343號