扎稳工业物联网马步 全速挺进工业 4.0目标

许多制造业者亟欲实现工业4.0目标，让生产及营运流程迈向数码化、智能化；但在此之前，必须先行练好基本功，打通机联网任督二脉。来源：European Business Review

回顾2013年，德国宣布推出工业4.0(Industry 4.0)计划，自此在全球制造业掀起波澜，各方多以「第四次工业革命」形容这股浪潮，显见其影响力之深远；伴随工业 4.0，使得智能制造、智能工厂、虚实整合系统(CPS)相继成为业界朗朗上口的流行辞汇，连带让赖以实践这些愿景的工业物联网(IIoT)底层关键技术，一并跃为显学。

依照全球商业软件领导厂SAP对物联网(IoT)赋予的定义，系由车辆、机器、家电等实体物体，经过嵌入式传感器或API等装置，再透过网际网络所形成的信息连结与交换网络。至于IIoT，顾名思义就是用于制造业的物联网，主要是透过机器对机器(M2M)技术，使得IIoT能支持线上监控、遥测到预测性维护等各种功能。

从德国率先喊出工业4.0迄今，算一算已经过逾5年时间，也就是说，制造业者已历经一番摸索，逐渐明白如何将工业场域加以物联网化，因此如今综观业界推动IIoT的进展，比起前几年而言，确实更接近落地成真，制造业者也确实有不得不做的压力，其中最关键的诱因首推预测性维护，不少公司甚至将预测性维护列为导入IIoT应用的试金石。

预测性维护  是IIoT专案的绝佳起点

具体来说，IIoT虽是一个巨大市场，但比起一般IoT应用反倒更单纯，它不需要不断迎合变化莫测的消费者偏好，没有花俏招式，仅需要稳健地实践最明确的目标「节省成本」即可，主要是因为，非预期性停机所造成的伤害过大，所以若说IIoT有助于解决这个心腹大患，就值得用力投资；更有甚者，如果真能因为IIoT的导入而减少几个百分比的停机时间，背后就可能牵动极为可观的利益。

在过去，制造业并非没有想过要消弭设备失效、产线骤然停摆的负面因子，但能用的方法不多，最常见的套路便是例行性保养，也就是靠着人工巡检方式实施定期检验，但难免出现过犹不及的缺憾，有时机器还在正常状态，却徒然花大钱做无谓保养，有时机器在定检期间虽未达到汰换或检修的标准，却已埋藏异常徵万亿而不自知，使得业主急欲避免的悲剧依然在日后发生。

另一个症结点，在于某种程度上人工巡检的品质，取决于「老师傅」，靠着自身经验抓出机器的病万亿，但若是道行不够的新进技术人员，未必能看出端倪。

预测性维护则大不相同，可藉由过去长时间设备故障与保养等相关信息的收集，再利用数据分析、或回归分析等统计方法，制定最佳的保养频率，再者亦能如实、实时地掌握设备状态，从而化被动为主动，在设备显露些微异状之际，就能及早采取因应措施，一来避免发生异常停机风险，二来也避免设备在超出容许范围下持续运作、因而酿成生产良率下滑的疑虑。

话说回来，不管 IIoT、预测性维护多麽诱人，制造业者在享有种种好处之前，必须先把「机联网」的马步扎稳；关于这点，已有业内专家做过清楚表述，指出智能工厂基本上应有4个特徵，第一要能将工厂内各种设备连结成网络，第二须有能力从各种不同角度获取管理标的的相关数据，以预测性维护为例，该有的温度、湿度、电压、电流、震动等相关信号，都不应有所缺漏，再来应设法让工厂内部种种活动信息予以可视化，同时也让信息与信息之间的因果关系明确化，做到前面的3件事，最后才能如愿提升管理能力。

突破机联网络障  藉助云平台搭建智能化捷径

由此看来，设备数据的采集，堪称是迈向IIoT、智能工厂、智能制造或工业4.0等目标之前，务必要打通的任督二脉，假使没办法实时、正确地取得数据，就别奢望后续的大数据分析或AI建模，只因在无法切实反应整体设备效率(OEE)的前提下，根本不可能寻求生产效能的改善之道。

但话说回来，获取设备数据一事看似简单，但却暗藏重重关卡，只因多数工厂皆有不少「棕地」(Brownfield)设备，它们已有相当的使用年限，但依然具有正常的生产能力，业主实在很难断然将之舍弃而全数改用「绿地」(Green Field)设备，容易造成新旧机台同处一室的场景。

麻烦的是，有些适用于新机台的数据撷取方式，并不适用于老机台，如何是好？一般常被提及的解决方法有几个，首先是藉助现场总线(Fieldbus)方案，由Master与 Slave之间传送信息，基本这般做法并无问题，但须切记一个网络仅有一张Master卡，它只会与自己认识的Slave对象沟通，而且扩展能力并不强，如果有的老旧设备并不在它缺省的识别范围，基本上就是没辄。

其次是三色灯，缺点是仅显示设备的异状，不能提供更深入的信息，可能影响上层决策判断。此外还有OPC-UA，尽管它是近年十分盛行的协定，但碍于多数老设备并不支持，也未必能发挥作用。

然而路是人走出来的，穷则变、变则通，有的厂商发挥巧思，透过撷取设备屏幕的画面、再搭配OCR程序，将图像信息转成数码信息，借此突破机联网的路障，也是值得思考的破解方式。

无论利用什麽方式达到数据采集目的，下一步，即是要妥善储存、分析及运用这些数据资源，如何慎选合适的工业物联网云端平台，就显得非常重要，因此许多国内外厂商都对此着力甚深，也不断添加新功能，除了提供诸如运算资源管理、数据库暨储存、客户管理等必要的基础服务，也向逐步AI建模与推论等进阶层次靠拢，期望帮助客户更能轻易将大量Raw Data转化为决策智能，加速迈向工业 4.0。