当前位置:物联网市场动态 → 正文

物联网2019年将走向何方?

责任编辑:zsheng |来源:企业网D1Net  2019-01-13 12:23:20 本文摘自:电子工程网

当前位置:EEChina首页 › 工业/测控 › 文章 > AI走进工业物联网 逐步打造制造智能化AI走进工业物联网 逐步打造制造智能化

1969年PLC问世后,自动化技术在制造领域逐渐站稳脚步,如今已是全球制造系统的核心架构,由于制造系统讲究稳定,因此对新技术、新架构的接受速度向来缓慢,不过近年来消费市场快速变动,对全球制造业带来严峻挑战, 导入智能化架构成为业者永续经营的必要策略,而在新世代的制造系统中,工业物联网不仅成为核心架构,更会与AI(人工智能)结合,落实智能化愿景。

所有场域应用的物联网,其架构都相同,都是由传感器、通讯网络与云端管理平台所组成的3层架构,由传感器撷取设备数据,再经由通讯网络传送到上层云端平台储存、运算,最后再以分析出来的数据作为系统运作的决策参考,而在整体架构中, AI过去多被建置在上层的云端平台,透过强大的机器学习算法,分析由终端感测层传回的海量数据。

不过,机器学习算法需要一定的运算时间,其目的也多在解决制造业类似像是制程排程优化的长时间问题,对于制程中会遇到的实时问题反应与控制指令回馈会缓不济急,近两年边缘运算概念兴起,成为工业物联网的实时性问题的最佳答案。

上层AI多用于长期规划

边缘运算的做法是让终端设备具有一定的运算能力,具有边缘运算设计的工业物联网架构,必须先建立起一套数据流模式,当传感器撷取到设备的状态数据后,就将数据传送到通讯层的网关,网关再依照系统建构时的设定让数据分流, 需要实时处理数据传送到前端控制器,让自动化设备可以快速反应,需要储存累绩为长期数据的数据,则送往数据库储存,上层再透过运算平台分析出结果,提供管理者作为决策参考,因此现在完整的工业物联网, 其AI会被分别设计在会有终端与云端两部分,让分布式与集中式运算在架构中并存,彼此各司所职。

再从设备供应端在工业物联网的研究议题来看,现在主要是集中在4个方向,包括生产系统、产品质量、制程优化与数字建模。 在这4大方向中,各有其需要解决的问题,像是生产系统中,设备的状态感测、监控与预诊,产品质量的检测、预测,制程优化的参数设定、能源运用,数字建模的数字双生平泰建立等,透过工业物联网的数据撷取与分析,将可逐步解决这些问题, 提升系统整体效能。

在工业物联网中,AI主要用来做制程的优化与长期规画等非实时性决策,例如现在消费性市场的产品类别多样,制程系统的换线将成为常态,透过大数据与AI的运算,就可尽量缩短换线生产的停机时间,让排程优化。

进行产线排程时,需从机器环境、制程加工特性与限制、排程目标,依据工作到达达生产现场的情况区分,可分静态及动态排程两种,静态排程是到达生产现场时,其制造数目?固定且可一次完成的任务进行排程,后续如果出现新工作, 再并入下一次制程处理。 动态排程则是若制程连续、产品随机,而且数目不固定的到达生产现场,须不断的更新生?排程。

就上述两种排程方式来看,静态排程通常为少样多样方式,AI在其中要解决的问题,主要是透过深度学习算法分析各环节的时间与质量,不断的改进工序,让效能与质量优化;动态排程则用于少量多样生产,AI会针对不同产品的工序, 建立起换线模式,有不同产品上线时,即启动专属换线模式,尽量缩短停机时间,同时让产品维持固定质量。

边缘运算效益可快速浮现

由于工业物联网上层的AI建置,效益需要一段时间才浮现,不会是立竿见影的发生,而且对制造业者来说并非当务之急,因此目前投入者大多为大型制造业,中小规模的业者,则以底层的边缘运算为主。

目前中小企业的工业物联网建置,制造设备的预知保养与制程检测仍是两大主要功能,由于设备的无预警停机,将会造成整体产线停摆,轻则产在线的半成品报废,重则交期延宕影响商誉,设备保养过去多采人工记录方式,人员再按照时间维护, 不过这种方式除了有可能因人员疏失或懈怠,未能定时作业外,设备也有可能在未达维护时间时故障。

工业物联网中的设备预知保养可分两类,一种是直接在管理系统上设计提醒功能,主动告知相关人员维修时间,另一种则是由传感器侦测设备状态,若是出现异常,AI则会依据出现的状态频率,判断可能发生的情况,再做不同处理, 例如传感器发现马达的震动,有可能是轴心歪斜,系统会依据震动的大小与频率判断马达现在的状态,如果有可能会立即损坏,就马上告知设备维护人员停机更换,如果没有立即危险,则会让马达持续运作,并记录该马达的状况, 让管理人员自行决定维护时间,让产线可以维持稳定的运作效能。

边缘运算的另一种主要功能是制程检测,从目前AI的发展来看,图像处理占有70%以上的应用,在工业物联网架构中也是如此。 过去制程中多靠人眼检测产品质量,由于人眼容易疲劳,随着工作时间的拉长,检测质量会逐渐降低,再者,部分消费性产品的体积越来越小,产线速度越来越快,人眼已难以负荷,现在已被取代机器视觉所取代。

现在的机器视觉判断速度非常快,且精准度越来越高,不过其运作模式仍是贴合大量制造的制程为设计,其快速与精准的辨识,仅能适用于少数类型,在少量多样或混线生产的制程中仍力有未逮,而AI则可让机器视觉拥有学习能力, 未来的设备将可透过算法自我学习,遇到不一样的产品种类或瑕疵时,即可自主判断,不必再由管理人员重新设定、调整判别模式。

感知运算会是下一步

在现有的设备预诊与制测检测之后,制造系统的边缘运算接下来将会有那些重点应用? 易用性将会是下一个趋势,而要让设备易用,感知会是系统的必要设计理念。

相对于现在的工业物联网中,边缘运算只能找出系统问题,感知运算则可找到问题的原因,并直接提出最佳解决方式,制造系统的智能化设计,必须针对不同用户提供适用功能,决策者、管理者、操作者所需的信息大不相同, 第一线的设备作业者遇到问题时,往往面临极大的时间压力,此时系统并不需要问题以外的信息,只需要系统直接告知问题所在,甚至提出可行的解决方式,像是设备故障,系统会直接在画面显示或以语音提示,告知操作人员先按下某个按键, 让系统先恢复安全状态,之后再提示紧急状态的发生原因。 这就是感知运算最大的优势所在,随着IT领域软硬件技术提升与制造业对智能化概念的逐渐接受,感知运算将成为制造业的应用会越来越多。

观察发展现况,工业4.0在制造业已是大势所趋,无论是设备应应商或制造业者,导入工业物联网的动作也都转趋积极,不过有成效者仍占少数,之前研究机构麦肯锡(McKinsey)就曾针对欧、美、日等地的制造大厂进行调查, 根据调查显示,建置相关系统的企业中,仅有四成认为有获得成效或确实改善了制程,此一结果虽然不至于太惨,但与当初预期仍有一段距离。

至于台湾地区市场,由于制造业族群分布零散,工业4.0要落实在不同产业中仍有困难,原因在于无论是技术成熟度、策略方针到问题痛点,不同型态的制造业,其差异都相当大,因此制造业导入工业物联网的第一步,就是先审视自己所处的位置, 以找出最合适的解决方案。

业者指出,各族群制程系统的技术成熟度不同,对工业物联网的功能需求差异也极大,例如传产可能连第一步将设备连网的阶段都还未达到,更遑论AI,但也有产业已在深入研究AI、机器学习等技术的深化应用,让设备自主优化。

你在工业4.0的哪一阶段?

至于制造业要审视本身在工业4.0中所占的位置,则可透过讯息物理系统(Cyber Physics System)当中的5C架构来进行评判标准, 5C标准非常适合用来检视工业4.0技术的成熟度,并辅助企业审视各阶段所需的代表性能力与技术,顺利导入工业物联网。 5C架构从最底层初阶技术至最高层高阶应用共可分为五个能力组成,分别是链接(Connect)、转化(Covert)、虚拟(Cyber)、感知(Cognition)以及自我配置(Configure)。

第一阶段的链接,最主要是整合OT与IT系统,透过联网技术让机器与机器间能够互相通讯、进行串联。 其次是转化,这阶段是让设备机台在初步的连网后,将撷取到的信息转换为具有分析价值的数据信息,例如设备的失效或良率的分析。 其中,设备端点须具备分析、智能化的能力是这一阶段中非常关键的能力。

在第三个阶段虚拟中,则是强调虚拟化的数字双生(Digital Twins),在所有机台都连网之后,形成另外一个虚拟、同步化的工厂运行,而其数字工厂具备感知、预测能力,可预测「 非计划内」的设备故障,当故障讯息被数字工厂撷取后,更可以仿真接下来如何执行优化的重新排程,例如像日本近年就非常致力于推动数字工厂的运行。

至于第四层感知阶段,主要则是导入如机器学习、深度学习等一系列的人工智能技术,让机器可自我学习、进化,并从大数据分析中不断进行推算与仿真,进而在设备端预防机器故障与良率不佳的状况。

最后一个阶段自我配置,则是能够机器能够藉由感知、学习的结果,以自主的方式改变机器设备的设定,就好比自动驾驶的概念,利用系统对环境变化的判断与分析自动更改执行命令。 而工厂的机器同样也能够根据感测系统、订单需求等的变化重新排程,订立优化的结果,这也是目前工业4.0追求的最高层级。

透过不同阶段的认知,制造业即可掌握目前自身系统所在的位置,并根据自身问题,向系统整合商提出功能需求,例如产品质量不佳,就以图像处理强化质量控管;要提升效能,则可侦测设备的使用状态,提升OEE(整体设备效率), 而这些功能都可透过简单的AI设置,加快效益的浮现速度。

据羿戓机器学习所了解,谈到AI,过去多认为是遥不可及的概念,但其实AI可分为强AI与弱AI,在工业物联网的边缘运算中,通常只需要用到有限效能的弱AI,就可有效提升效能,因此制造业者不必认为太过遥远就一径排斥,可与系统厂商沟通讨论,先从影响不大 、成本不高之处先行建置,再视成效决定下一步动作,透过不断的尝试、修正与导入,企业就可在有限的成本与风险下逐步转型,维持市场竞争力。

关键字:智能化制造物联网工业

本文摘自:电子工程网

x 物联网2019年将走向何方? 扫一扫
分享本文到朋友圈
当前位置:物联网市场动态 → 正文

物联网2019年将走向何方?

责任编辑:zsheng |来源:企业网D1Net  2019-01-13 12:23:20 本文摘自:电子工程网

当前位置:EEChina首页 › 工业/测控 › 文章 > AI走进工业物联网 逐步打造制造智能化AI走进工业物联网 逐步打造制造智能化

1969年PLC问世后,自动化技术在制造领域逐渐站稳脚步,如今已是全球制造系统的核心架构,由于制造系统讲究稳定,因此对新技术、新架构的接受速度向来缓慢,不过近年来消费市场快速变动,对全球制造业带来严峻挑战, 导入智能化架构成为业者永续经营的必要策略,而在新世代的制造系统中,工业物联网不仅成为核心架构,更会与AI(人工智能)结合,落实智能化愿景。

所有场域应用的物联网,其架构都相同,都是由传感器、通讯网络与云端管理平台所组成的3层架构,由传感器撷取设备数据,再经由通讯网络传送到上层云端平台储存、运算,最后再以分析出来的数据作为系统运作的决策参考,而在整体架构中, AI过去多被建置在上层的云端平台,透过强大的机器学习算法,分析由终端感测层传回的海量数据。

不过,机器学习算法需要一定的运算时间,其目的也多在解决制造业类似像是制程排程优化的长时间问题,对于制程中会遇到的实时问题反应与控制指令回馈会缓不济急,近两年边缘运算概念兴起,成为工业物联网的实时性问题的最佳答案。

上层AI多用于长期规划

边缘运算的做法是让终端设备具有一定的运算能力,具有边缘运算设计的工业物联网架构,必须先建立起一套数据流模式,当传感器撷取到设备的状态数据后,就将数据传送到通讯层的网关,网关再依照系统建构时的设定让数据分流, 需要实时处理数据传送到前端控制器,让自动化设备可以快速反应,需要储存累绩为长期数据的数据,则送往数据库储存,上层再透过运算平台分析出结果,提供管理者作为决策参考,因此现在完整的工业物联网, 其AI会被分别设计在会有终端与云端两部分,让分布式与集中式运算在架构中并存,彼此各司所职。

再从设备供应端在工业物联网的研究议题来看,现在主要是集中在4个方向,包括生产系统、产品质量、制程优化与数字建模。 在这4大方向中,各有其需要解决的问题,像是生产系统中,设备的状态感测、监控与预诊,产品质量的检测、预测,制程优化的参数设定、能源运用,数字建模的数字双生平泰建立等,透过工业物联网的数据撷取与分析,将可逐步解决这些问题, 提升系统整体效能。

在工业物联网中,AI主要用来做制程的优化与长期规画等非实时性决策,例如现在消费性市场的产品类别多样,制程系统的换线将成为常态,透过大数据与AI的运算,就可尽量缩短换线生产的停机时间,让排程优化。

进行产线排程时,需从机器环境、制程加工特性与限制、排程目标,依据工作到达达生产现场的情况区分,可分静态及动态排程两种,静态排程是到达生产现场时,其制造数目?固定且可一次完成的任务进行排程,后续如果出现新工作, 再并入下一次制程处理。 动态排程则是若制程连续、产品随机,而且数目不固定的到达生产现场,须不断的更新生?排程。

就上述两种排程方式来看,静态排程通常为少样多样方式,AI在其中要解决的问题,主要是透过深度学习算法分析各环节的时间与质量,不断的改进工序,让效能与质量优化;动态排程则用于少量多样生产,AI会针对不同产品的工序, 建立起换线模式,有不同产品上线时,即启动专属换线模式,尽量缩短停机时间,同时让产品维持固定质量。

边缘运算效益可快速浮现

由于工业物联网上层的AI建置,效益需要一段时间才浮现,不会是立竿见影的发生,而且对制造业者来说并非当务之急,因此目前投入者大多为大型制造业,中小规模的业者,则以底层的边缘运算为主。

目前中小企业的工业物联网建置,制造设备的预知保养与制程检测仍是两大主要功能,由于设备的无预警停机,将会造成整体产线停摆,轻则产在线的半成品报废,重则交期延宕影响商誉,设备保养过去多采人工记录方式,人员再按照时间维护, 不过这种方式除了有可能因人员疏失或懈怠,未能定时作业外,设备也有可能在未达维护时间时故障。

工业物联网中的设备预知保养可分两类,一种是直接在管理系统上设计提醒功能,主动告知相关人员维修时间,另一种则是由传感器侦测设备状态,若是出现异常,AI则会依据出现的状态频率,判断可能发生的情况,再做不同处理, 例如传感器发现马达的震动,有可能是轴心歪斜,系统会依据震动的大小与频率判断马达现在的状态,如果有可能会立即损坏,就马上告知设备维护人员停机更换,如果没有立即危险,则会让马达持续运作,并记录该马达的状况, 让管理人员自行决定维护时间,让产线可以维持稳定的运作效能。

边缘运算的另一种主要功能是制程检测,从目前AI的发展来看,图像处理占有70%以上的应用,在工业物联网架构中也是如此。 过去制程中多靠人眼检测产品质量,由于人眼容易疲劳,随着工作时间的拉长,检测质量会逐渐降低,再者,部分消费性产品的体积越来越小,产线速度越来越快,人眼已难以负荷,现在已被取代机器视觉所取代。

现在的机器视觉判断速度非常快,且精准度越来越高,不过其运作模式仍是贴合大量制造的制程为设计,其快速与精准的辨识,仅能适用于少数类型,在少量多样或混线生产的制程中仍力有未逮,而AI则可让机器视觉拥有学习能力, 未来的设备将可透过算法自我学习,遇到不一样的产品种类或瑕疵时,即可自主判断,不必再由管理人员重新设定、调整判别模式。

感知运算会是下一步

在现有的设备预诊与制测检测之后,制造系统的边缘运算接下来将会有那些重点应用? 易用性将会是下一个趋势,而要让设备易用,感知会是系统的必要设计理念。

相对于现在的工业物联网中,边缘运算只能找出系统问题,感知运算则可找到问题的原因,并直接提出最佳解决方式,制造系统的智能化设计,必须针对不同用户提供适用功能,决策者、管理者、操作者所需的信息大不相同, 第一线的设备作业者遇到问题时,往往面临极大的时间压力,此时系统并不需要问题以外的信息,只需要系统直接告知问题所在,甚至提出可行的解决方式,像是设备故障,系统会直接在画面显示或以语音提示,告知操作人员先按下某个按键, 让系统先恢复安全状态,之后再提示紧急状态的发生原因。 这就是感知运算最大的优势所在,随着IT领域软硬件技术提升与制造业对智能化概念的逐渐接受,感知运算将成为制造业的应用会越来越多。

观察发展现况,工业4.0在制造业已是大势所趋,无论是设备应应商或制造业者,导入工业物联网的动作也都转趋积极,不过有成效者仍占少数,之前研究机构麦肯锡(McKinsey)就曾针对欧、美、日等地的制造大厂进行调查, 根据调查显示,建置相关系统的企业中,仅有四成认为有获得成效或确实改善了制程,此一结果虽然不至于太惨,但与当初预期仍有一段距离。

至于台湾地区市场,由于制造业族群分布零散,工业4.0要落实在不同产业中仍有困难,原因在于无论是技术成熟度、策略方针到问题痛点,不同型态的制造业,其差异都相当大,因此制造业导入工业物联网的第一步,就是先审视自己所处的位置, 以找出最合适的解决方案。

业者指出,各族群制程系统的技术成熟度不同,对工业物联网的功能需求差异也极大,例如传产可能连第一步将设备连网的阶段都还未达到,更遑论AI,但也有产业已在深入研究AI、机器学习等技术的深化应用,让设备自主优化。

你在工业4.0的哪一阶段?

至于制造业要审视本身在工业4.0中所占的位置,则可透过讯息物理系统(Cyber Physics System)当中的5C架构来进行评判标准, 5C标准非常适合用来检视工业4.0技术的成熟度,并辅助企业审视各阶段所需的代表性能力与技术,顺利导入工业物联网。 5C架构从最底层初阶技术至最高层高阶应用共可分为五个能力组成,分别是链接(Connect)、转化(Covert)、虚拟(Cyber)、感知(Cognition)以及自我配置(Configure)。

第一阶段的链接,最主要是整合OT与IT系统,透过联网技术让机器与机器间能够互相通讯、进行串联。 其次是转化,这阶段是让设备机台在初步的连网后,将撷取到的信息转换为具有分析价值的数据信息,例如设备的失效或良率的分析。 其中,设备端点须具备分析、智能化的能力是这一阶段中非常关键的能力。

在第三个阶段虚拟中,则是强调虚拟化的数字双生(Digital Twins),在所有机台都连网之后,形成另外一个虚拟、同步化的工厂运行,而其数字工厂具备感知、预测能力,可预测「 非计划内」的设备故障,当故障讯息被数字工厂撷取后,更可以仿真接下来如何执行优化的重新排程,例如像日本近年就非常致力于推动数字工厂的运行。

至于第四层感知阶段,主要则是导入如机器学习、深度学习等一系列的人工智能技术,让机器可自我学习、进化,并从大数据分析中不断进行推算与仿真,进而在设备端预防机器故障与良率不佳的状况。

最后一个阶段自我配置,则是能够机器能够藉由感知、学习的结果,以自主的方式改变机器设备的设定,就好比自动驾驶的概念,利用系统对环境变化的判断与分析自动更改执行命令。 而工厂的机器同样也能够根据感测系统、订单需求等的变化重新排程,订立优化的结果,这也是目前工业4.0追求的最高层级。

透过不同阶段的认知,制造业即可掌握目前自身系统所在的位置,并根据自身问题,向系统整合商提出功能需求,例如产品质量不佳,就以图像处理强化质量控管;要提升效能,则可侦测设备的使用状态,提升OEE(整体设备效率), 而这些功能都可透过简单的AI设置,加快效益的浮现速度。

据羿戓机器学习所了解,谈到AI,过去多认为是遥不可及的概念,但其实AI可分为强AI与弱AI,在工业物联网的边缘运算中,通常只需要用到有限效能的弱AI,就可有效提升效能,因此制造业者不必认为太过遥远就一径排斥,可与系统厂商沟通讨论,先从影响不大 、成本不高之处先行建置,再视成效决定下一步动作,透过不断的尝试、修正与导入,企业就可在有限的成本与风险下逐步转型,维持市场竞争力。

关键字:智能化制造物联网工业

本文摘自:电子工程网

电子周刊
回到顶部

关于我们联系我们版权声明隐私条款广告服务友情链接投稿中心招贤纳士

企业网版权所有 ©2010-2024 京ICP备09108050号-6 京公网安备 11010502049343号

^