藉由IoT与智动化　助力实现制程优化及预防保养

诸如CNC车床刀座等精密机械设备，不适合安装任何传感器，此时可善用用品质检测方法另辟蹊径，发挥近似于振动分析的功效，满足预防保养应用需求。来源：Lathes

时至今日，「工业4.0」之于制造业，重要性堪与金融业的FinTech、Bank 3.0，及零售业的Retail 4.0等量齐观，旨在整合计算、通讯与控制之虚实化系统(CPS)，链结物联网(IoT)以建构智能工厂，以增进生产效能；细数工业4.0进化历程，举凡IoT、智动化，可谓个中两大关键要素。

曾有业界人士预估，待至2040年，全球物联网商机可望逼近1万亿美元，其中仅3分之1环绕于食衣住行育乐等B2C应用，另外3分之2偌大区块，将落在B2B应用范畴，而工业物联网、智能城市等题材，有望联手瓜分逾6,000亿美元市场大饼，其间最富含潜力的应用，无疑就是智能工厂。

进一步细分智能工厂商机，其中最具潜力的两大应用方向，分别是制程优化、预防保养；估计透过制程优化，可协助制造企业撙节5？12.5%成本，至于预防保养效益则更高，能够创造10？40%的成本节省空间，更有甚者，许多攸关工业4.0的研讨会都经常引用某知名空压机制造商之例，该公司便是充分善用物联网、大数据分析等科技助力，别出心裁为客户提供预防保养加值服务，因而驱动商业模式转型，不再以贩售空压机设备为主业，而是由卖转租，凭藉加值服务赚取细水长流收益。

综上所述，工业物联网之于制造业，不啻是竞争力再造的入门砖，一经成功导入，即可从传统制造跃升智能制造，开启无限机遇，其重要性可见一斑。

论及工业物联网，就产业界的定义而论，由下而上可区分为全面感知、可靠传递及智能运算等层次，综观这些层次所涉及之关键技术，则包括传感器、IoT闸道器(嵌入式运算)、网际网络，以及位居最上层的大数据分析，藉由传感器蒐集来自于工业现场暨周遭环境的巨量数据，接着由IoT闸道器执行数据格式的正规化程序，将许多异质工业通讯协定，「翻译」成为云端运算中心可以识别的语言，再透过网际网络上传云端，在此进行巨量数据的归纳与分析，据此繁衍有助促进制程优化、预防保养或其他面向的智能逻辑，最终根据智能逻辑进行反向回馈与控制，使得工厂内所有智能机械(IM)、智能机器人(IR)的能力同步跃进，形成正向循环。

工业4.0高楼平地起　须优先促使机台联网

因此曾有人说，利用物联网技术建构智能系统的过程，蕴藏了世纪大商机，此一形容乍听浮夸，但细究个中论述基础，其实不失合情合理。

只不过，欲从数码化、网络化循序推进到智能化的历程，绝非一蹴可几，有诸多环节亟待补强优化，但无论如何，设法让原本缺乏联网能力的现场设备，开始能够连结网络，并透过各种方式持续吐出状态信息，此一智动化程序，绝对是成就伟大智能工厂的重要起步。

具体来说，现今绝大多数工厂，其实都具备自动化实力，但部份企业的自动化层次，尚停留在单机自动化格局，相当于工业2.0水平；在单机自动化的情境下，厂务管理者并无一套足以综观全厂设备信息的机制，可立即掌握所有机台的当下状态，所以就连计算稼动率都不容易，别无他法，只能藉由土法炼钢方式，以人力充当「监视器」，要求每人负责看管一定数量的机台，定期汇整数据，再回报到厂务管理端，例如抄写三色灯所呈现的机台停机、待料或生产等各种状态，即是蒐集数据的方法之一。

但不管制造企业将前述作业模式运行得多麽纯熟，距离所谓的现场设备智动化、智能工厂乃至工业4.0等境界，其实都非常遥远，且因蒐集数据的历程相对艰辛，信息种类极其有限，加上受限于人的体力与专注力，导致信息的正确性与实时性皆有待商榷，故后续能藉由加值分析产生智能逻辑的空间，可谓相当狭小，当别人都往工业4.0转型升级之际，该企业与同业之间的竞争力落差，势必愈趋扩大，后果不堪设想。

如何及早脱离单机自动化、迈向机台联网格局？业者建议，可因应现场维运设备、工业自动化系统等不同物件属性，藉由不同方式使之接入网际网络。

以情况单纯的三色灯为例，在有线传输环境下，仅需针对每个机台状态指示灯配置线上I/O模块，由个别I/O模块负责蒐不同灯号信息，再走RS-485向上传递给数据集中器或线上控制器，接着再由数据集中器或线上控制器，定时统整所有信息，向上传送至中控室图控系统，如此一来，厂务管理者便可综观所有机台究竟处于停机、待料或生产状态，作为改善生产稼动管理的依据。

当然，环顾整个智能工厂应用范畴，掌握机台产能利用率、稼动率，不过是入门基本功之一，而且最容易实现，如果厂务管理者想要掌握更多信息，譬如塑胶射出工厂，还想进一步采集模具开合次数、预热状态、安全门状态，甚至是用电量、温湿度等信息，便需要动用更多线上I/O模块、数据采集控制器、三相智能电表模块等装置，再利用网络、RS-485或ZigBee等方式，与后台图控系统整合，便于企业集中监控与管理。

也有企业认为，撇开新型态物联网传感装置不谈，意使沿用多年的既有机台开始具备联网能力，从实体I/O点寻求突破，固然是可行方案之一，但如此做法不仅需启用过多装置，且蒐集到的数据内容也较为有限，亟需思索其他解决方案。

另一个值得采纳的可行方案，即是部署PAC控制器(需内建支持PLC驱动程序)，透过以太网络或RS-232等通讯方式直接从PLC读取数据，倘若PLC原厂愿意对外提供的数据范围大，则一旦采取这般做法，即可望一次网罗到最丰富信息，例如机台状态、机台稼动率、异常信息、相关参数设定…等等，驱动更多元化的应用。

如果同一工厂内存在超过一种PLC控制器，彼此操持不同的语言协定，此时可透过IoT闸道器来执行各式通讯协定的转换，将异质数据转换为统一格式，接着快速上传至后台图控系统，甚至再藉助MQTT或TR-069等协定，直接上传云端数据中心进行大数据分析，或由云端数据中心统一监控所有机台的运作状态。

结合云端机器学习　加速执行振动分析

不可讳言，欲将现场设备串联云端运算节点，则涉及另一段故事，此时不妨采用物联网软件工具，让企业开发人员得以省却程序撰写的繁复工程，藉由直觉化的点击及拖曳操作，直接完成其间所需连线设定，裨益缩短开发周期，好让各项物联网应用尽快上路。

值得一提的，与预防保养应用息息相关的振动分析，需要采用不同模式加以处理。业者指出，所谓振动分析，意在了解机械健康状况，需要藉由一组数学运算模型，把机械经由振动产生的能量，转换为频率，接着由专家依照经验法则判读频率数值，察觉其中是否出现异常，如果确认发生异状，再循着轴承、变速箱…等出现变异的部位追溯真因。

然而在执行振动分析时，较麻烦之处，在于诸如CNC车床刀座、SMT打件机等精密机械设备，并不适合安装任何振动传感器，唯有另谋他途，例如考虑在每个工站执行二维条码扫描，再将扫描所得数据，与后台品管数据库加以比对，亦可谓突破之道。

可喜的是，伴随包括微软Azure等大型云端平台，都开始提供机器学习服务，有助各企业卸除自行配置庞大专家团队的负担，加速振动分析执行，甚至结合认知运算服务机制，反向判读与确认现场设备是否符合异常特徵，借此打通预知保养的任督二脉，协助制造商开创加值盈利空间。