修炼工业4.0基本功 逐步养成自主式反应实力
- 洪千惠
-
不久前的新闻，工研院产业学院组成一个「工业4.0导入德国见习营」，欢迎不论是欲导入工业4.0的企业第二代、决策主管、资深工程师，或者欲强化工业4.0导入辅导能量的管理顾问公司中高端主管，一齐共襄盛举，赴德国就近体验与学习工业4.0技术精华，而此行程个中含括了工业4.0基本训练、企业参访及Workshop。
上述行程的参与价值是高是低，取决于企业自己的评估与判断；然而产业学院基于此见习营所拟的对外说帖，某些论述其实颇为正确、值得一读。该单位指出，工业4.0系由德国政府于「德国2020高技术战略」中提出的十大未来项目之一，旨在提升制造业的智能化水平，建立具有适应性、资源效率的竞争力；但工业4.0的真正战略目的，绝非仅是实现以「数码化」、「智能化」与「自动化」为特徵的智能工厂，而是希望透过以「智能工厂」为特徵的第四次工业革命，持续保持德国在复杂多变的市场经济与技术背景下的响应能力与国际竞争力。
持平而论，综观台湾企业，现已将数码化概念融入到公司经营者，其实并不多见，更遑论透过供应链的整合，抑或利用企业核心竞争力来提升商业化模式，从硬件提供者转变为服务提供者，同样为数有限。深究主因，乃在于多数企业对于客户或消费者的需求不明，以致欠缺导入工业4.0的切入点与诱因。因此如何借镜德国企业经营者基于工业4.0做好转型准备，及如何培训转型所需要的人才，包括如何优化人员管理、工作流程及建造IT基础设施，乃至如何利用工业4.0 Toolbox进行产品智能化及生产制程智能化，在在都值得借镜学习。
仅完成数码化，未达工业4.0精髓
看到这里，想必有些企业备感诧异，心想好不容易打造出以数码化、智能化与自动化为导向的智能工厂，居然还不算是达到工业4.0层次？
有专家根据工业4.0的实践过程，划分出两大阶段，第一阶段即是数码化阶段，里头包含了计算机化、通讯连结等重要里程碑，具体而言就是多数企业此刻正在做的事，即是透过传感器、I/O的布建，设法让原本只懂得埋头苦干做事的生产机台设备，开始变得耳聪目明，有能力透过设备联网，把自己机器内部的状况，及正在进行的加工任务进度，实时不断地传递出去。
但如果仅做到前述内容，充其量仅能帮助企业汇集到一堆数据，究竟有用或没有用，尚在未定之天；以此水准来看，确实距离所谓的工业4.0目标，尚有不小的落差。
第二阶段，才是进入工业4.0的阶段。这个阶段所蕴含的关键里程碑，就比上一阶段多得多。首先是可视性，假设有特定事件发生，便利用收集到的机台状态与参数，辅以周遭环境的相关信息，通通与缺省的正常基线(Baseline)做比较，一旦差距幅度到了某个范围便发出告警，以便让企业「知道发生什麽事」。再者是透明度，利用统计分析、大数据分析等手法，为前述的异常事故执行诊断把脉，以期理出头绪，能让企业「知道事情的发生原因」。
再来是预测能力。当企业累积足够的异常事件信息，即可藉助时下最夯的人工智能(AI)、机器学习或深度学习等技术，透过演算法萃取这些事故的共通特徵，从而建立模型，以利企业培养防微杜渐的洞察力，万一日后再遇到特徵值开始出笼，不待机器故障、缺料等异常事故出现，便能提早介入处理，及早遏止产能停顿或产出不良品等憾事发生。显而易见的，假使做到这一步，确实已称得上是价值连城。
只不过，经由AI逻辑推论，让企业得以掌握异常事故前万亿，继而展开因应对策，其对策的产生还需人为介入判断，起码也需要人为介入选择(由智能制造管理系统提供选择方案)，更技高一筹的境界则是「适应性」、也就是「自我最佳化」，此时智能制造管理系统犹如贴心的软件夥伴，会根据事件发生的原委，并巧妙地盱衡所有「利害关系人」(即涉及该事件的相关设备、元件)的意愿、情绪、劳逸...等等因素，自主安排一套最佳的应变对策，顺利排除异常事故，其间不需仰赖人为决策便可实现「自主式反应」；一旦具备这般火候，就达到工研院产业学院针对德国见习营的说帖内容，具有适应性、资源效率的竞争力。
大数据结合专家知识，加速实现智能生产
话说回来，循着以上论述来推导，意谓企业能否善用大数据、AI等技术，似乎就成为工业4.0的成败关键。然而有若干学者专家提出不同看法，凡事都得靠数据分析来做决策，唯恐导致企业成为事后诸葛，面对没发生过的事，由于缺乏数据的佐证与分析，就无从应对处理，必须等到至少痛过一次，才知道如何阻止类似悲剧再次上演。
比方说，某座工厂在建造时，建厂者便根据过往累积的专业知识，提出厂内温度若升高到某一水准，便应立即启动告警机制，进而疏散人员、让锅炉停止运转，此为该厂房的最大法则，意指今天只要温度到了，不管谁要执行什麽东西，通通都不行。
按理说，这套依温度极限所设定的边界，应是工厂运作的最高指导原则，亦是推动智能制造的过程中所不容忽略的观念。但现今人们逐渐不把传承已久的专业知识当一回事，只求纯粹靠数据建立知识；倘若该厂未曾出现过因高温而导致锅炉爆炸的前例，则可以肯定，不论企业如何做统计分析、甚至实施AI训练与推论，都将因为缺乏数据，而无从产生足以遏阻意外的逻辑规则，只能任由悲剧发生；说得更具体一些，即使有人主张可运用AI消弭无谓的产能浪费与意外损失，焦点都在设计、生产、出货等价值活动上，而不是工安意外。
专家认为，如今由传感器收集如此庞大数据，彷若是源源不绝的学习训练素材，但即便如此，现阶段所能供给的智能制造工具，依然如此「原始」？委实太过可惜，唯今之计，企业除了力推大数据分析、AI演算法外，亦应思考如何利用专家系统或本体论，将专家知识纳入驱动智能生产的条件之一，此事难度虽然不低，却仍是后续值得努力的方向。
