micron
活動+
 

導入製造大數據分析 新舊設備並存易陷資料斷層將是最大挑戰

過去製造業擅長做自動化,但卻缺少數據分析的經驗。FORD

儘管製造業目前已普遍認知大數據分析對於提升生產效率與品質有顯著的幫助,業者也已能認知數據的重要性與價值,但現階段台灣製造業面臨的一大挑戰卻是在前期資料蒐集與完整性不足,而生產端的資料斷層也讓大數據分析應用往往難以持續進展。

在半導體產業具有十數年經驗的傑騰智能執行長徐紹鐘,目前以大數據分析角度切入市場,協助包括半導體、電子組裝、面板等產業,透過數據分析診斷產線以藉此優化生產流程。長期觀察台灣智慧製造發展的挑戰,徐紹鐘分享實際從製造業者端觀察到的現象。

徐紹鐘指出,現階段產業面臨到的核心問題其實並不在於AI技術的導入,這並非表示AI在製造業的發展已相當成熟,而是在導入AI之前,目前台灣製造業者對於如數據採集與整理等前置作業尚未完全準備好,而最主要的問題在於產線數據資料蒐集產生斷點,導致資料難以完整串接與整合。

過去製造業擅長做自動化,但卻缺少數據分析的經驗,因此在過去的製造體系中,當初業者導入生產設備並不會從數據分析的角度考量如何藉由自動化的介入擷取完整數據。在欠缺數據分析思維的情況下,多數生產設備對於數據採集行為的頻率與格式不一,例如有的機台是批量採集,有的則可達到更細微如每工件資料蒐集,這導致前後資料不一,也就是產生資料斷層。

這也是為何現階段多數智慧製造方案仍是從單點功能提升開始的原因之一。徐紹鐘表示,製造業中90%都在做影像瑕疵辨識,由於此應用可從單一量測機台進行影像資料收集開始,因此也較少發生前述資料斷層的問題,然一旦要與產線其他製程串接,進入更高階的智能應用,就會衍生其他資料整合的挑戰。

因此,如何在自動化思維下納入數據分析考量,依據分析目標透過自動化採集所需的數據並將之串聯起來,則將是製造業值得思考的問題。

大部分台灣製造業投入智慧製造仍是從舊系統改造與升級居多,不若新產線在初期投資就以智能設備為發展目標,多數製造現場的生產設備多屬於新舊並存,然舊型設備如前所提,從一開始就缺乏強調數據分析的功能,對數據資料採集的完整性仍不足,因此業者在投入智慧製造改造前,除了需強調統一通訊標準的確立外,同時亦不能忽略應設法讓數據資料的蒐集趨於統一,以便從單機智慧化橫跨到整線甚至整廠時,能夠以更完整的大數據分析達到更精準的決策輔助。

更多關鍵字報導: 大數據分析 智慧製造 人工智慧