dailyorder
活動+
 

【智慧製造2019 Flashback】突破貿易戰阻撓 智慧機械從萬機連網、高值應用拚轉型

自中美貿易戰爆發以來,雖不免對於台灣工具機產業整體景氣造成影響,但長期來看,卻是台灣往智慧機械發展的大好機會。廖家宜攝

回顧2019年智慧機械發展,自中美貿易戰爆發以來,雖不免對於台灣工具機產業整體景氣造成影響,但長期來看,對於台灣目前正積極往智慧機械發展來說是契機也是轉機,更是動機。現階段貿易戰雖進入暫時緩和期,但市場仍呼籲機械產業得加緊腳步升級,慎防中國大陸或南韓的競爭對手超車,也幫助台灣工具機產業往高階產品發展邁進。

工研院智慧機械中心主任陳來勝指出,目前全球發展智慧機械是各國齊頭並進,各家廠商仍在挖掘智慧機械的創新應用與功能,短時間內尚未在產業中成熟落地,對此,陳來勝則認為台灣起步時間不晚、技術水準差距不大、進展速度也與國際差不多,因此台灣業者在設法提升產品效能,提高精度與可靠度之外,再以軟體服務加值,加上台灣深厚的製造業領域知識作為後盾,未來在市場上仍有相當大的競爭空間。

智慧機械打好根基 萬機聯網正逐漸收效

如果說智慧機械是智慧製造的根基,那麼設備聯網就是智慧機械的基本要素。當前業者導入設備聯網,不僅協助製造業者優化整廠生產效率,也為機械業者本身生產的機械設備賦予更高的價值,近年最明顯的是過去設備商賣的是單一機台產品,現在的整機業者不僅賣產品,更整合服務成一套完整解決方案,越加趨近朝製造終端。畢竟,「現在的產品若無法連網,不會有客人買單,而就算產品能連網,如不善用連網產生的數據,也會有別人把服務你客戶的生意搶走。」

目前產業在智慧機上盒SMB計劃下,已促成許多中小企業跨出數位轉型第一步,成功讓產線數據可視化並提升生產管理效能。自2018年起歷經一年的推動後,目前已有車輛零件製造業、金屬零件製造業、電子產品製造業、半導體設備暨零件製造業、紡織業與機械設備暨零件製造業等八大領域的中小企業導入機聯網推動生產可視化,完成1,300的台設備聯網,而2019年則是擴大推動1,500台機器聯網,正加速實現「萬機聯網上雲端」的目標。

機械業者表示,智慧型機上盒是智慧機械很重要的數位化管理工具,讓其不再仰賴人工抄表或者走動式管理,只要有網路連線,不論身處何時何地都能管理工廠。目前在工業物聯網架構下,機上盒可自動蒐集機台資料並上傳企業雲端,即時監控生產效能與狀況,而像是機台稼動率、設備運轉狀態、設備監控等,都是目前機上盒相當基本的功能,而隨著進入各垂直產業,機上盒也發展出進階版的功能以因應不同專業需求。

延伸閱讀:主動把關生產品質 機械業者紛自主開發「智慧黑盒子」

零組件廠商結盟攜手並進 往智慧機械前進一大步

機械產業朝向智慧化發展,從零組件開始就是一門學問。然台灣工具機產業中的零組件廠商多以中小企業為主,相較整機業者可獨自發展從整機、整線甚至整廠智慧化,零組件廠商在智慧化研發上不僅腳步稍慢,投入的力道也不多。

不過虎尾科大偕同中華電信與台灣超過50家工具機零組件廠商在2018年10月籌組「TANGRAM工具機零組件物聯網聯盟」,主推建構工具機零組件為主的物聯網解決方案,經過1年發展後,目前在智慧關鍵零組件的研發成果上,也陸續開發出許多實際應用,不僅吸引了零組件廠商極大興趣,對於整機智慧化的推動也形成一股助力。

像是聯盟的發起廠商豪力輝將感測器嵌入在複合刀座產品中,偵測刀座狀態如震動、溫度等,再將訊息傳送到使用者的行動裝置,或通知機台設備協同動作,通過智慧化的感測可預防大量異常發生,或提前進行保養規劃。在應用中比較特別的是搭配AR,可以讓使用者透過行動裝置以3D模擬圖拆解零組件構造,除了顯示刀頭的基本資料如溫度、振動等資訊外,未來在零件維修時還能提供SOP,將維修流程標準化。

延伸閱讀:智慧機械發展趨完整 工具機零組件串起整機建構物聯網服務

智慧機械基本要素 預防保養成殺手應用

關注目前市場上強打的各式智慧化應用中,當屬針對機械設備進行預防性維護最是火熱,現階段智能設備維護管理,儼然已成為殺手級應用之一,也促使人工智慧這項科技在製造領域中百花齊放。從物聯網到人工智慧,工業設備監控水準一步步從傳統利用手持式測試設備以週期式檢測方式,演變為即時達到預測性的監控,讓設備管理防患於未然。

根據研究統計,不合理的維護保養策略,會導致產線產能降低5~20%,而真正令業者頭痛的,是設備故障導致意外停機所造成的損失,因此預防性維護功能對業者而言至關重要,也催化市場相關應用方案遍地開花。像是ABB針對馬達監控推出ABB Ability低壓馬達智能感測器,由於外型設計輕巧如貼片,可以簡易地加裝於馬達外殼,另外也有像是張榮森實驗室開發的「智慧貼紙」,外型如貼紙般輕薄、可撓折,貼在機器設備上就能獲取運轉時的各種數據,而由於通常此種作法較不受限於各家廠牌、無須額外配線,讓許多工廠更易於無痛升級。

不過,如何正確判讀感測訊號背後所代表的意義才是最具有挑戰的部分。以馬達振動異常偵測的例子來說,振動異常所呈現的波形的並非只有一種樣態,何種波形代表軸承損壞、何種波型代表電壓異常等都需要長期累積馬達的振動數據,甚至是異常的數據,才能透過深度學習讓系統達到自主判讀。通常在正常產線或設備的運作上,發生異常的比例相對低很多,因此如何累積數據訓練AI,也成為目前製造業對於「異常」偵測多少會面臨的難題之一。

延伸閱讀:銓寶工業透過智慧機械預測維護 減少客戶75%故障停線時間

  •     按讚加入DIGITIMES智慧應用粉絲團