智能应用 影音
国网中心-网安论坛
安矽思科技股份有限公司

【智能制造2019 Flashback】突破贸易战阻挠 智能机械从万机联网、高值应用拼转型

自中美贸易战爆发以来,虽不免对於台湾工具机产业整体景气造成影响,但长期来看,却是台湾往智能机械发展的大好机会。廖家宜

回顾2019年智能机械发展,自中美贸易战爆发以来,虽不免对於台湾工具机产业整体景气造成影响,但长期来看,对於台湾目前正积极往智能机械发展来说是契机也是转机,更是动机。现阶段贸易战虽进入暂时缓和期,但市场仍呼吁机械产业得加紧脚步升级,慎防国内大陆或韩国的竞争对手超车,也帮助台湾工具机产业往高端产品发展迈进。

工研院智能机械中心主任陈来胜指出,目前全球发展智能机械是各国齐头并进,各家厂商仍在挖掘智能机械的创新应用与功能,短时间内尚未在产业中成熟落地,对此,陈来胜则认为台湾起步时间不晚、技术水准差距不大、进展速度也与国际差不多,因此台湾业者在设法提升产品效能,提高精度与可靠度之外,再以软件服务加值,加上台湾深厚的制造业领域知识作为後盾,未来在市场上仍有相当大的竞争空间。

智能机械打好根基 万机联网正逐渐收效

如果说智能机械是智能制造的根基,那麽设备联网就是智能机械的基本要素。当前业者导入设备联网,不仅协助制造业者优化整厂生产效率,也为机械业者本身生产的机械设备赋予更高的价值,近年最明显的是过去设备商卖的是单一机台产品,现在的整机业者不仅卖产品,更整合服务成一套完整解决方案,越加趋近朝制造终端。毕竟,「现在的产品若无法联网,不会有客人买单,而就算产品能联网,如不善用联网产生的数据,也会有别人把服务你客户的生意抢走。」

目前产业在智能机顶盒SMB计划下,已促成许多中小企业跨出数码转型第一步,成功让产线数据可视化并提升生产管理效能。自2018年起历经一年的推动後,目前已有车辆零件制造业、金属零件制造业、电子产品制造业、半导体设备暨零件制造业、纺织业与机械设备暨零件制造业等八大领域的中小企业导入机联网推动生产可视化,完成1,300的台设备联网,而2019年则是扩大推动1,500台机器联网,正加速实现「万机联网上云端」的目标。

机械业者表示,智能机顶盒是智能机械很重要的数码化管理工具,让其不再仰赖人工抄表或者走动式管理,只要有网络连线,不论身处何时何地都能管理工厂。目前在工业物联网架构下,机顶盒可自动蒐集机台数据并上传企业云端,实时监控生产效能与状况,而像是机台稼动率、设备运转状态、设备监控等,都是目前机顶盒相当基本的功能,而随着进入各垂直产业,机顶盒也发展出进阶版的功能以因应不同专业需求。

延伸阅读:主动把关生产品质 机械业者纷自主开发「智能黑盒子」

零组件厂商结盟携手并进 往智能机械前进一大步

机械产业朝向智能化发展,从零组件开始就是一门学问。然台湾工具机产业中的零组件厂商多以中小企业为主,相较整机业者可独自发展从整机、整线甚至整厂智能化,零组件厂商在智能化研发上不仅脚步稍慢,投入的力道也不多。

不过虎尾科大偕同中华电信与台湾超过50家工具机零组件厂商在2018年10月筹组「TANGRAM工具机零组件物联网联盟」,主推建构工具机零组件为主的物联网解决方案,经过1年发展後,目前在智能关键零组件的研发成果上,也陆续开发出许多实际应用,不仅吸引了零组件厂商极大兴趣,对於整机智能化的推动也形成一股助力。

像是联盟的发起厂商豪力辉将传感器嵌入在复合刀座产品中,侦测刀座状态如震动、温度等,再将信息传送到使用者的移动设备,或通知机台设备协同动作,通过智能化的传感可预防大量异常发生,或提前进行保养规划。在应用中比较特别的是搭配AR,可以让使用者透过移动设备以3D模拟图拆解零组件构造,除了显示刀头的基本数据如温度、振动等信息外,未来在零件维修时还能提供SOP,将维修流程标准化。

延伸阅读:智能机械发展趋完整 工具机零组件串起整机建构物联网服务

智能机械基本要素 预防保养成杀手应用

关注目前市场上强打的各式智能化应用中,当属针对机械设备进行预防性维护最是火热,现阶段智能设备维护管理,俨然已成为杀手级应用之一,也促使人工智能这项科技在制造领域中百花齐放。从物联网到人工智能,工业设备监控水准一步步从传统利用手持式测试设备以周期式检测方式,演变为实时达到预测性的监控,让设备管理防患於未然。

根据研究统计,不合理的维护保养策略,会导致产线产能降低5~20%,而真正令业者头痛的,是设备故障导致意外停机所造成的损失,因此预防性维护功能对业者而言至关重要,也催化市场相关应用方案遍地开花。像是ABB针对马达监控推出ABB Ability低压马达智能传感器,由於外型设计轻巧如贴片,可以简易地加装於马达外壳,另外也有像是张荣森实验室开发的「智能贴纸」,外型如贴纸般轻薄、可挠折,贴在机器设备上就能获取运转时的各种数据,而由於通常此种作法较不受限於各家厂牌、无须额外配线,让许多工厂更易於无痛升级。

不过,如何正确判读传感信号背後所代表的意义才是最具有挑战的部分。以马达振动异常侦测的例子来说,振动异常所呈现的波形的并非只有一种样态,何种波形代表轴承损坏、何种波型代表电压异常等都需要长期累积马达的振动数据,甚至是异常的数据,才能透过深度学习让系统达到自主判读。通常在正常产线或设备的运作上,发生异常的比例相对低很多,因此如何累积数据训练AI,也成为目前制造业对於「异常」侦测多少会面临的难题之一。

延伸阅读:铨宝工业透过智能机械预测维护 减少客户75%故障停线时间

  •     按赞加入DIGITIMES智能应用粉丝团