智能应用 影音
科技产业报订阅
DForum

【专家观点】挑战智能制造 要从看不到的转型下手

中原大学机械工程系教授锺文仁谈智能制造下的数据转型。锺文仁

工业4.0和智能制造,经过多年来的讨论和演进,目标已相当明确并且也是一可达到的愿景,道理容易理解,导入AI,然后做出超过人类的成果,但是用在智能制造的时候,好像缺少什么。

AI要能成功,有三个主要的部分:算法(Algorithm)、计算机运算能力(Computing Power)以及数据(Data)。前两者只要有足够的资本便容易取得,也不难取得,但数据这块,特别麻烦。

麻烦之处在于,本身搜集即是一个问题,以及对数据不了解。以现在的技术来说,语言和影像可以转换成数据,但是机台种类繁多,产生的特性和要求也都还不了解,又要怎么去分析?

买技术是一种方法 但转型要从数据下手

工厂要先数码化(数码转型),搜集好数据、了解数据,才真的有机会往智能制造走。

只搜集营运数据是不够的,设备、技术的数据,都应该要完整搜集。市场上其实已有很多供应商提供解决方案,但是有很大一部分做的是「看得到的数码转型」。例如,哪里台机器有没有在加工、有没有料、有无亮灯等的提示。但真正需要的,应该是所谓看不到的资料,也就是机台里面的加工质量、效率、稳定性等,而非单纯检视有加工与没加工就好。

当然,掌控稼动率很好,但如果哪里天稼动率低,业者却不知道究竟事出何因。所以未来是关键,搜集能掌握未来的资料,透过分析去知道原因,未来这些事就能在掌控之中。

别把数码转型当专案在执行

工厂流程的环节不只一两个,但无论如何总要先透过数据分析,了解之后才能优化。目前业界普遍的做法是将最复杂最有价值的几个问题丢出来,先成立专案组,以专案方式处理。

但这样的作法会让企业内部产生责任推托,如果不是专案组的人员,那数码转型就跟之无关。事实上一间工厂要能真正进化,迈向工业4.0,将会有几百个甚至上千个问题需要解决,也就是所谓的「长尾」问题,而这些问题的总价值很可能还超越最贵的那几题,那怎么办?

数据分析全流程架构能解决长尾问题

过去在软件开发的领域,企业盛行一套DevOps的开发维运架构,为的是能系统化和规模化去应付频繁的部署需求。

面对数码化过程中对数据分析效率要求的提升,国际上现在也效法DevOps架构发起了AnalyticOps的概念,用一套系统化的平台建构一个可规模化的数据分析流程,以提升企业内部各环节数码化的效率。

举例来说,台湾就有新创公司如讯能集思所推出的产品理论架构,即跟AnalyticOps相似。推出的智能决策平台JarviX以OT(营运技术)端的需求切入,透过AI增强分析的技术来降低工具的使用门槛,让OT端能够自主完成数据分析全流程,减低企业为了数据分析付出的庞大跨部门沟通成本,对比以往需要IT和DT人员搭配组成的专案团队去做分析,现在OT的人员就能直接做数据分析,大规模的提升分析流程各环节的效率。

学习的机制会是最大挑战 让机台能够越来越好

要做更好的产品,当然可以透过提升机台的精度或者稳定度,但是如何用,就是数据分析的意义,透过分析能够加值,超越大家所使用的极限,并且从数据看到未来,真正解决问题或者持续优化流程。

传统老师傅将这些机台使用方法储存在脑袋里,转变为直觉反应,当然不排除老师傅也有做一些统计分析,但是主要还是依靠经验,这些事比较偏向「个人的修为」。事实上现在整个世界,透过软硬件技术的革新,是可以更精准的。

还有另一个问题,这世界变化这么快,老师父讲的虽不是错的,但也不见得是对的。数据的一个好处是,正确成分绝对更大,因为反映的是真正制程里面的东西。好比看一个人健不健康,如果能量测身体所有的数据,不是仅从表面来看,一定是更精准。

我在中原大学过去20~30年的时间,都在钻研模具设计和精密加工。2019年「知行领航馆」落成,然后智能制造研发中心正式启用,这几年,智能制造在经过无数讨论、报导和研讨会活动,大家已经更了解其中脉络,即便选择边走边观望,想先看看别人怎么做,可是基本上也都确定要走,但在这其中还是常常会遇到有些企业觉得资料和数据是重要资产,所以不愿意跟厂商合作,这种思维绝对要改变。

好比中原智能工厂示范场域的部分,我常跟学生分享,如果可以一看就学会,我们也就不会花这么多时间去研究,企业和厂商合作,数据才可以更有效地集成运用,便能一步步帮助企业往智能制造的领域迈进。(本文作者为中原大学机械工程系教授锺文仁)


  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 智能制造 大数据