藉由联网工厂方案与生态系 AWS与夥伴共同实现全方位的可视性

产品即服务(Product-as-a-Service；PaaS)、联网产品以及永续性的强调已然成为前制造业的趋势，除此之外，还有两个值得注意的趋势就是「数据成为赋能者」(或推动者，Enabler)，以及「数码化执行制造」。面对这样的趋势，AWS特别阐述了为什麽自身适合制造业的4大理由：(1)AWS诞生于亚马逊(Amazon)复杂的自动化与工厂营运；(2)AWS具备当前最全面性与最复杂的先进云端服务与可行功能；(3)AWS顾客能充分利用适用于最具机敏性需求组织的安全防护机制；(4)全球性大规模可扩展性的AWS能降低风险。

制造业的数据飞轮(Data Flywheel)效应涉及了从工厂到产品再到产品与流程设计(PPD)的大循环飞轮优化设计，而工厂本身必须做好从品质、上线时间(Uptime)到产品，再到良率(Yield)之数据循环的飞轮优化，在改善工厂营运的同时便能提升产品的品质。对于产品本身，必须发挥从改善到顾客满意度、忠诚度，再到生命周期管理所产生的产品效能与使用数据优化的飞轮效应，进而改善了PPD设计。在PPD中，厂商也可透过从新生产系统(NPS)到换线换模(Changeover)，到较低的换线换模，再到研发之优化而导致有效的PPD设计，进而改善了工厂营运。

AWS强调指出，当前已进入到数据带动制造转型的时代，透过对工业数据价值始终如一的完美运用，着实为制造业带来显着效益，包括能够降低产品开发成本高达50%，能降低营成本达到25%，而毛利率增加了1/3，总之，数码转型已对成本、安全、品质乃至产品配送等所有层面带来了显着的正面冲击。既然数据扮演了重要的角色，如何将现有锁定数据加以释放便成为重要课题，但当前存在许多问题，例如有长达10到15年的IIoT数据从未被分析过，而且多半锁定在本地端SCADA工控系统的历史记录中。对此，AWS提出的解决方案，会先从数据撷取、揭露与可视化等基本作业着手。接着建立开放数据储存以处理特定商业问题。最后，全面开启从分析、优化到预测的AI/机器学习(ML)之旅。

想落实这趟机器学习之旅将会面临许多挑战，包括大量的装置(如PLC可程序逻辑控制器、SCADA及RTU线上终端机)与大量的协定，以及OT从应用程序整并至装置中是无法扩展的；缺乏单一真实数据来源；与OT间的不一致界接；类似输出的系统，以及可扩展性上的挑战。联网工厂(Connected Factory)能提升企业级，乃至部门级与工厂级的可视性，因为它可以将机器资与品质数据撷取至AWS上；能将数据储存在时间序列最佳化的数据储存中；为你的设备与流程，进行指定效能评量标准的资产建模；为设备实时与历史数据进行可视化；部署能对工厂输出及产品品质最佳化，产资使用率最大化并识别出设备维护问题的ML/AI应用。AWS提供全面性的联网工厂解决方案架构与工业机台连线(IMC)架构，并打造联网工厂合作夥伴生态系。