账号:
密码:
智动化 / 文章 /

逐步克服导入问题 制造业AI落地速度加快
[作者 王明德]   2019年08月12日 星期一 浏览人次: [8570]

2011年德国提出工业4.0概念,全球制造业开始进入新一波智慧化革命,无论是工业大国政府或知名工业大厂都动作频频,近年来也已看到不少成功案例问世,智慧化之所以能在向来保守的制造领域快速启动,肇因于内在需求浮现与外在技术提升。



图1 : AI是制造智慧化的重要技术,在厂商的努力下,AI已逐步克服导入问题,落实到制造现场系统。
图1 : AI是制造智慧化的重要技术,在厂商的努力下,AI已逐步克服导入问题,落实到制造现场系统。

「内在需求」是现在消费性市场利润逐渐薄弱,客户端的囤货意愿大减,因此制造业所收到的急单、插单比例逐渐增加,另一因素是消费性市场产品走向多样化,过去的少样多量制造模式开始减少,这两大因素都逼使制造业者必须调整生产模式,以灵活具弹性的产线因应随时而来的订单。


「外在技术」则是物联网与AI。 IT市场谈物联网已将近十年之久,经过市场教育期后,大约在2010年市场逐渐了解并接受此概念,在此同时,德国开始推动工业4.0政策,市场需求迅速浮现,专为制造业设计的工业物联网也随之提出。不过智慧制造与工业物联网概念也在制造业推动了一段时间,在2016年开始有厂商将意愿化为实际行动,市场逐渐出现导入案例。


也在同一时间,Google的AlphaGo挑战全球职业围棋棋士,开启了人类历史上的第三波AI热潮,与过去两次最后黯然收场的发展不同,这次AI挟网际网路所累积的庞大数据与科技产业多年来精进的强大运算能力,拓展出各种应用。


而在物联网领域,AI被视为最后一块拼图,整合双方技术的AIoT不但填补了物联网上层平台的分析运算需求,2017年开始的边缘运算,更让物联网终端设备也具有一定程度的运算能力,让整体架构更强大、更贴近使用者。


串接训练与推论两端 克服实际导入困境

就目前市场来看,制造业是AI应用发展的先行领域之一,藉由工业物联网的完整架构,现在已有厂商将之实际导入到制程中。凌华科技IST-智能工厂事业中心资深协理郑名哲指出,AI在工业领域的第一波应用是侦测产线的设备运作与人员状态,借此提升系统稼动率。



图2 : 凌华科技IST-智能工厂事业中心资深协理郑名哲表示,现场端的实际导入才是目前AI的最大挑战。(摄影/王明德)
图2 : 凌华科技IST-智能工厂事业中心资深协理郑名哲表示,现场端的实际导入才是目前AI的最大挑战。(摄影/王明德)

过去的产线设备运作、人员动作都是靠现场人员长年培养的经验设定,但管理人员难以判断这些动作是否最佳化?而透过AI运算各种数据,就可分析出最佳化结果,进而提升产线效率。郑名哲表示,在制造现场中,AI必须要同时应用到人与工具两端,不过要达到此目标,前提是现场所有设备的数据都被收集,并汇集到后端统一应用,才能形成完整网路,让后端平台可以统整分析出最佳化策略。


除了建构现场端的网路外,终端设备的应用也是AI在制造业的重点,这几年谈的边缘运算就是赋予终端设备足够的运算能力,快速反应产线端会遇到的各种状况。


现在主流的AI运算法是机器学习,而机器学习中的分支–深度学习更为多数制造业者所采用,机器学习与深度学习都要先经过训练模式(Training),再将结果下载至终端设备的推论模式(Inference),一般厂商多将重点放在训练模式的建立,不过郑明哲从凌华的建置经验指出,现场端的实际导入才是目前最大挑战。


由于制造现场的环境多变,上层训练模式能否与现场匹配?这会决定耗费大量成本的智慧制造系统能否顺利导入,郑明哲直指这也是现在市面上多数POC(概念验证)无法顺利落地使用的主因,而凌华这几年在AI的布局,就是希望可以将训练模式的成果顺利移转到现场设备中,目前凌华已在硬体产品中建置应用程式,并以自行开发的ADLINK Edge SDK中介软体透过ADLINK Data River技术介接两端,让制造端可以快速打造出AI系统。


掌握软硬两端技术 快速建构AI系统

对于训练模式与现场设备的匹配问题,凌华科技平台产品中心嵌入式平台及模组事业处总监蔡雨利也指出,ADLINK Data River已可串起两端,解决这两端的模式移转问题,不过除此之外,现在业界还有另一个疑惑,深度学习的训练模式被导入实际应用时,其模式运作与效能表现是否一致?蔡雨利此一问题对硬体厂商是极大考验。



图3 : 凌华科技平台产品中心嵌入式平台及模组事业处总监蔡雨利指出,训练模式被移转至实际应用时,其模式运作与效能表现是否一致?将是AI导入关键。 (摄影/王明德)
图3 : 凌华科技平台产品中心嵌入式平台及模组事业处总监蔡雨利指出,训练模式被移转至实际应用时,其模式运作与效能表现是否一致?将是AI导入关键。 (摄影/王明德)

对此,凌华的作法是完整掌握软硬两端的关键知识,他指出目前最常用的深度学习神经网路大约有21种,这21种网路覆盖了现在大约80%的应用,而凌华不仅已掌握这21种神经网路的型态,同时也与Google(TPU)、NVIDIA、Intel等处理器厂商的加速器协作资源,可以了解每一类型神经网路在不同加速器上的运作效能,这些专业一来可以针对使用端所使用的神经网路类型,推荐最适合的处理器,二来则是要将AI复制到相同产业时,凌华可快速完成最终一哩路的适地化调整。


除了运算端之外,现在AI在制造业应用的另一个瓶颈在于网路传输。蔡雨利指出,智慧制造系统要求IT与OT两套系统整合,而AI运算分析是由IT系统负责,之后再将结果移转至OT系统,然而IT与OT系统在传输速度方面有其落差,IT系统可以忍受一定的延迟,OT系统则对即时性有极高要求,这两者要串介一直是个问题,过去IT系统迟迟无法被应用于制造端也是肇因于此,但在智慧制造时代,这个问题必须被解决。


对此,蔡雨利认为近年来IEEE制定的TSN将会是此问题的解方,TSN结合了乙太网路与工业通讯的功能,让两者可以在同一基础上运作,解决了乙太网路的即时性与工业通讯的相容性两大问题,包括凌华在内的各制造设备供应商都高度关注此一技术。


观察发展现况,AI在制造业的应用已从早期蓝图规画进展到实际应用阶段,现在的各厂商都已开始设法解决导入时所遇到的问题,而以现在厂商所掌握的技术,这些问题要克服并非难事,当成功案例逐渐增加,制造业的导入意愿也会随之提升,就此形成良性循环,智慧制造愿景也会开始浮现。


相关文章
AI赋能智慧制造转型
以「熄灯制造」心法实现全面自动化生产
以边缘AI运算强化智慧制造应用
五大策略 提升企业物联网竞争力
大数据时代下,我们仍需要更大的工厂空间吗?
comments powered by Disqus
  相关新闻
» 帆宣与隹世达合组「达宣智慧」公司 启动智慧医疗引擎
» 经济部提供融资协助工具机拓展海外市场
» 海大与法国浜海大学合作推升智慧永续海洋
» 国研杯智慧机械竞赛成绩揭晓 联合大学机器人挑战高尔夫夺冠
» AI台北智慧城市展样貌 开箱大巨蛋数位场馆
  相关产品
» 凌华支援第14代 Intel处理器用於先进工业与 AI 解决方案
» 智慧监测良方 泓格微型气象站提供资讯面面俱到
» 凌华新款5G IIoT远端边缘网路闸道器采用Arm架构
» SICK W10直接反射式光电感测器提升物体检测多样性
» igus为医疗技术合作专案提供免润滑微型滑轨


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 / E-Mail: webmaster@hope.com.tw