智慧應用 影音
Advantech
event

【專家觀點】挑戰智慧製造 要從看不到的轉型下手

中原大學機械工程系教授鍾文仁談智慧製造下的數據轉型。鍾文仁

工業4.0和智慧製造,經過多年來的討論和演進,目標已相當明確並且也是一可達到的願景,道理容易理解,導入AI,然後做出超過人類的成果,但是用在智慧製造的時候,好像缺少什麼。

AI要能成功,有三個主要的部分:演算法(Algorithm)、電腦運算能力(Computing Power)以及數據(Data)。前兩者只要有足夠的資本便容易取得,也不難取得,但數據這塊,特別麻煩。

麻煩之處在於,本身蒐集即是一個問題,以及對數據不了解。以現在的技術來說,語言和影像可以轉換成數據,但是機台種類繁多,產生的特性和要求也都還不了解,又要怎麼去分析?

買技術是一種方法 但轉型要從數據下手

工廠要先數位化(數位轉型),蒐集好數據、了解數據,才真的有機會往智慧製造走。

只蒐集營運數據是不夠的,設備、技術的數據,都應該要完整蒐集。市場上其實已有很多供應商提供解決方案,但是有很大一部分做的是「看得到的數位轉型」。例如,哪台機器有沒有在加工、有沒有料、有無亮燈等的提示。但真正需要的,應該是所謂看不到的資料,也就是機台裡面的加工品質、效率、穩定性等,而非單純檢視有加工與沒加工就好。

當然,掌控稼動率很好,但如果哪天稼動率低,業者卻不知道究竟事出何因。所以未來是關鍵,蒐集能掌握未來的資料,透過分析去知道原因,未來這些事就能在掌控之中。

別把數位轉型當專案在執行

工廠流程的環節不只一兩個,但無論如何總要先透過數據分析,了解之後才能優化。目前業界普遍的做法是將最複雜最有價值的幾個問題丟出來,先成立專案組,以專案方式處理。

但這樣的作法會讓企業內部產生責任推託,如果不是專案組的人員,那數位轉型就跟之無關。事實上一間工廠要能真正進化,邁向工業4.0,將會有幾百個甚至上千個問題需要解決,也就是所謂的「長尾」問題,而這些問題的總價值很可能還超越最貴的那幾題,那怎麼辦?

數據分析全流程架構能解決長尾問題

過去在軟體開發的領域,企業盛行一套DevOps的開發維運架構,為的是能系統化和規模化去應付頻繁的部署需求。

面對數位化過程中對數據分析效率要求的提升,國際上現在也效法DevOps架構發起了AnalyticOps的概念,用一套系統化的平台建構一個可規模化的數據分析流程,以提升企業內部各環節數位化的效率。

舉例來說,台灣就有新創公司如訊能集思所推出的產品理論架構,即跟AnalyticOps相似。推出的智慧決策平台JarviX以OT(營運技術)端的需求切入,透過AI增強分析的技術來降低工具的使用門檻,讓OT端能夠自主完成數據分析全流程,減低企業為了數據分析付出的龐大跨部門溝通成本,對比以往需要IT和DT人員搭配組成的專案團隊去做分析,現在OT的人員就能直接做數據分析,大規模的提升分析流程各環節的效率。

學習的機制會是最大挑戰 讓機台能夠越來越好

要做更好的產品,當然可以透過提升機台的精度或者穩定度,但是如何用,就是數據分析的意義,透過分析能夠加值,超越大家所使用的極限,並且從數據看到未來,真正解決問題或者持續優化流程。

傳統老師傅將這些機台使用方法儲存在腦袋裡,轉變為直覺反應,當然不排除老師傅也有做一些統計分析,但是主要還是依靠經驗,這些事比較偏向「個人的修為」。事實上現在整個世界,透過軟硬體技術的革新,是可以更精準的。

還有另一個問題,這世界變化這麼快,老師父講的雖不是錯的,但也不見得是對的。數據的一個好處是,正確成分絕對更大,因為反映的是真正製程裡面的東西。好比看一個人健不健康,如果能量測身體所有的數據,不是僅從表面來看,一定是更精準。

我在中原大學過去20~30年的時間,都在鑽研模具設計和精密加工。2019年「知行領航館」落成,然後智慧製造研發中心正式啟用,這幾年,智慧製造在經過無數討論、報導和研討會活動,大家已經更了解其中脈絡,即便選擇邊走邊觀望,想先看看別人怎麼做,可是基本上也都確定要走,但在這其中還是常常會遇到有些企業覺得資料和數據是重要資產,所以不願意跟廠商合作,這種思維絕對要改變。

好比中原智慧工廠示範場域的部分,我常跟學生分享,如果可以一看就學會,我們也就不會花這麼多時間去研究,企業和廠商合作,數據才可以更有效地整合運用,便能一步步幫助企業往智慧製造的領域邁進。(本文作者為中原大學機械工程系教授鍾文仁)


  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 智慧製造 大數據