medicaltaiwan
活動+
 

製造自動化要智慧 雲端大數據缺一不可

導入智動化技術提升製造業競爭力已是大勢所趨。Wiki

全球製造業近年來紛紛導入各種資訊科技,包括物聯網(IoT)、雲端運算(Cloud Computing)、大數據(Big Data)、人工智慧(Artificial Intelligence)等以精進製造技術,試圖達到提升製造精度、效率及降低成本等目的。

值得注意的是,智慧製造因為可以提升製造業競爭力,創造市場榮景,不僅不會減少對人力的需求,反而可以創造就業機會。根據美國勞工部的就業數據顯示,從2010年上半年起至2016年5月,民間企業已連續75個月增加就業機會,失業率也持續下探至4.7%,主要是拜推動先進製造夥伴計畫(Advanced Manufacturing Partnership;AMP)計畫所賜。

 點擊圖片放大觀看

智動化技術要做到IoT應用,必須要以雲端大數據技術平台作為基礎。VGTCommunity

根據聯合國發表的經濟展望報告指出,製造、貿易及食品產業等交易成長將帶動全球經濟,尤以東亞地區成長最強勁,2016年全球經濟成長率雖僅2.3%,但2017年全球經濟成長率即已回升至2.7%,2018年更將增至2.9%,市場回溫的同時,製造業也應趁勢努力提升製造實力,朝向智慧化及自動化兩大方向努力。

經濟部技術處指出,目前智慧化製造技術於前瞻研究投入重點,包括離線商務模式(Online to Offline;O2O),也就是在智慧化機器設備的生產過程中,導入各式智慧化軟硬體,藉由設備的精度提升,製造出高品質與差異化的高附加價值產品,如何深度結合物聯網、雲端運算、AI及大數據分析等技術,發展以AIoT為基礎的智慧化製造系統,將會是厚實台灣製造關聯產業發展的利基。

事實上,物聯網、雲端運算、AI及大數據分析等技術的關係緊緊相依,如果沒有雲端運算技術及應用,大數據的採集、儲存、處理及發布,都會遭遇不同程度的困難,也因為現在的雲端應用環境已經相當成熟,讓愈來愈多的個人及企業用戶,樂於將資料存放在雲端,甚至分享給其他人,進一步加以應用,讓許多智動化技術結合IoT應用的過程中,也必須要導入雲端大數據技術,才能提供全方位的服務。

物聯網、雲端運算、AI及大數據分析等技術的結合,除了帶來更經濟的備份成本,數據的可用性也變得更加方便,企業內部的資料庫在處理大量資訊時,不用擔心在達到系統性能的極限時,無法迅速擴充,還可以減少自建高效能大數據應用平台的成本。

雲端大數據平台對智慧製造影響大

雲端大數據應用在智動化技術與IoT應用的領域十分廣泛,舉凡資料販售、提供資料預測分析或是運用資料改進製程或產品等應用,包括資料清理(Data Cleansing)、資料整合(Data Integration)、資料轉換(Data Transformation)的資料前置處理(Data Preparation),都會需要雲端大數據技術。

整體而言,雲端大數據技術的發展,希望能達成的目標,不外乎提高效率及降低成本,與製造業導入智動化的目標可說是不謀而合。但由於製造趨勢朝向少量多樣,產品生命週期日趨縮短的方向發展,加上市場需求瞬息萬變,產品組合結構日趨複雜,資料來源也相當多元,資料處理難度有增無減,雲端大數據技術發展的需求,勢必也會跟著水漲船高。

根據經濟部技術處ITIS計畫報告指出,資料處理作業往往占業者整體開發計畫近八成的投入時間,特別是當接取的資料來源很多且複雜,後續維運成本高(資料儲存設備、維運成本)時,就需要投入更多人力進行系統對接與資料清理、整合與轉換等前置處理工作。

ITIS計畫報告中也指出,約有40%的萃取(extract)、轉換(transform)與載入(load)的ETL過程,需手動操作且容易出錯資料的累積、轉置與重新載入都需要耗費時間與資源,往往影響資料處理效果,勢必也會連帶也會影響智動化的成果。

雲端大數據平台的導入原則

對雲端大數據而言,目前已有很多演算法和模型,可以解決資料處理過程中的技術問題,而且為了讓終端用戶使用方便,通常也已經包裝成各種解決方案,甚至提供簡單易用的操作介面,但就處理的過程而言,至少要能夠做到包括資料採集、ETL、存儲、結構化處理、挖掘、分析、預測、應用,以及為完成前述作業的高效計算平台。

至於雲端大數據需要處理的資料類型,由於資料來源眾多,資料本身所使用的詮釋資料、字彙、格式等都不盡相同,如果沒有一致性的資料互通性標準,雲端大數據技術就必須要能做好資料清理、轉換等工作,而且要設法降低因為資料定義未通而可能產生的資料遺漏或是錯誤的問題。

選擇一個合適的雲端大數據平台,作為智動化應用的基礎,才能讓大數據應用的開發能更加容易、讓開發人員能更集中精力在業務層面的資料分析與處理上。

選擇平台應當考慮的因素,首先是平台的功能與性能,不同的平台所側重的功能也都不同,如強調資料存儲能力的平台,資料的存儲效率、讀寫效率、對結構化與非結構化資料存儲的支援,資料存取介面的親和度就是比較重要的。但如果重點是放在資料採集,能否採集挖掘到有價值的資料,就必須更加重視支援的演算法、演算法的封裝程度、演算法的複雜度、資料採集結果的展示能力等重要指標。

好的平台同時要具有較高的整合度,可以為使用者提供良好的操作介面,具有完善的說明和使用手冊、系統易於配置、移植性好。同時隨著目前軟體開源的趨勢,開源平台有助於其版本的快速升級,儘快發現其中的錯誤,此外,開源的架構也比較容易進行擴展,植入更多的新演算法,對於使用者而言,也是比較重要的。

好的平台還必須符合技術發展趨勢,大數據分析技術已是當前各行各業發展和研究的重點,但可以預見在市場競爭之下,並非所有的技術平台都能生存下來。只有符合技術發展趨勢的技術平台,才會被用戶、被技術開發人員所接受。因此,一些不支持分散式、集群計算的平台,大概只能針對較小的資料量,側重於對挖掘演算法的驗證,而與雲端運算、物聯網、人工智慧聯繫密切的技術平台,才會成為主流。

業者必須要意識到,不管是產品、技術或應用的更新速度都在加快,如果要花很多時間去掌握熟悉某種技術平台,可能等到熟悉之後,更好更新的技術平台就出現了,業者千萬不要受累奔波於各種技術平台之間,而是要全面系統地掌握雲端大數據應用於智慧製造的原理和具體案例,導入或學習新的技術平台才會容易上手。

  •     按讚加入DIGITIMES智慧應用粉絲團