账号:
密码:
智动化 / 文章 /

打造工业4.0第一步应用 边缘运算让产线检测更快准
[作者 王明德]   2020年10月26日 星期一 浏览人次: [1586]

边缘运算也就是IT产业过去常谈的分散式运算架构,不同的是架构於物联网系统中的边缘运算模组,所需面对的应用环境更复杂,耗电、整合能力也要更隹,因此工业4.0所采用的边缘运算虽也属於分散运算,不过其难度更高。


人工智慧(AI)被视为物联网的最後一块拼图,在工业物联网也是一样,透过位於上层的AI平台,运算终端设备所传回的数据,藉此制定制造现场的生产策略,成为业者打造新世代系统的重要方式。不过,此一架构近年来出现改变,由於制造系统对即时性的要求非常高,传统AI的集中式运算是由底层将资料传输至上层运算,来回过久的讯息难为市场接受,在此态势下,边缘运算概念快速兴起。


边缘运算也就是IT产业过去常谈的分散式运算架构,不同的是架构於物联网系统中的边缘运算模组,所需面对的应用环境更复杂,耗电、整合能力也要更隹,因此工业4.0所采用的边缘运算虽然也属於分散运算,不过其难度更高。


就发展现况来看,目前制造业的边缘运算架构大多以产品检测为主。检测在制程中的作用是为产品品质把关,过去的检测大致分为外观与内在效能两种,外观检测方式是采用机器视觉架构,做法是在产线上设置工业相机,快速拍摄产品外观,并在产线系统中设计作动,将不良品从流水线上移除,内在效能检测则必须针对欲测功能,在系统中整合不同设备,侦测产品的效能品质。


制造模式翻转 产线检测难度更高

过去消费性市场的产品生产型态是少样多量,由於产品的样式不多,加上大量且长时间生产,不但可以让制造系统每一环节都针对单一产品调整,让产能最大化,也可以让品质稳定在一定的程度,在此状况下,产品的质量俱隹。不过,近年来市场的消费者行为改变,多样化成为市场的主流竞争模式,由於整体消费量不变,产品样式一多,每一样的单一需求量势必就会减少,因此少量多样化成为现在的制造模式。


过去的少样多量可以将制程长期设定为单一生产模式,少量多样则必须频频更动产线,这也让制程中的检测环节带来挑战,过去由於产量大,产线都以调制最隹化,因此良率也非常高,检测作业只要在制程的最後一环检测少样种类的产品即可,无论是设备或人员,需要具备的技能种类都不多。现在的产品种类一多,非但良率提升困难,而且对设备与人员来说,要精确检测众多种类的产品,人员技能与设备功能都要同步提升。


对此状况,近年来因应工业4.0兴起的智慧化趋势,不但可解决现在制造业者的问题,同时在AI技术的导入下,产线的效能将可进一步提升。


AI演算法优化检测效益


图1 : 具备边缘运算设计的机器视觉与机器手臂整合,可强化产线检测的弹性与效能。(source:World Economic Forum)
图1 : 具备边缘运算设计的机器视觉与机器手臂整合,可强化产线检测的弹性与效能。(source:World Economic Forum)

目前会应用在产线上的AI演算法主要是机器学习(Machine Learning)与其分支出来的深度学习(Deep Learning),这机器学习演算法解决了制造系统过去需要长期训练的问题,过去制造系统必须先在内部建立大量资料库,让前端的检视设备可依资料库的样本判别产品良??,不过一来要庞大样本数建立有难度,二来新品不断出现,产线工程师必须也必须不断调整前端设备的识别设定,对整体产线来说,都不是最隹做法。


机器学习则是让机器可以学习演进,根据一次又一次的设定,建立不良品的筛选逻辑,之後系统就会依此逻辑自我进化,之後有未曾出现的瑕疵,就会以过去建立的逻辑判断是否为不良品,让辨识能力持续接近最隹化。


机器学习演算法并非始於今日,在1950年代那一波AI热潮中就被提出,不过当时硬体效能有限,因此并没有能力被落实应用。後来半导体技术快速成长,摩尔定律不断提升系统的运算能力,如今机器学习在IT系统上运作已不是问题,而产线检测就是目前的应用环节之一。在具有机器学习演算法能力的生产系统中,只要建立少数样本的资料库,系统就会开始自主学习判别,将智慧制造愿景落实在产品检测端。


除了透过机器视觉判断外观,产品性能也是检测的重要环节,尤其是电子产品。近年来电子产品开始走向多工,当功能越来越多,且内部元件都集中在小空间时,检测的难度就不断提升。过去电子产品只需侦测单一功能,因此检测相对简单,而现在要检测多功能时,相关设备就必须更具弹性,以组成适合当下所用的架构。


观察目前发展,要符合此一需求,模组化标准会是最隹答案,透过共通标准的不同功能模组化板卡,使用者可以本身需求组建出合适的检测设备。


以手机的音讯测试为例,近年来智慧型手机已化身多媒体装置,其音讯品质逐渐被要求,以往的按键式手机,其音讯测试多采用麦克风收音,不但速度慢,高品质的音源也无法掌握,现在采用模组化检测设备,除了音讯外,其他影音功能也可一并量测。


另外,现在的智慧手机的耳麦不像以往将喇叭与麦克风分开设计,而是将之整合在耳机处,发声部份是使用感测器,撷取人体脑壳内部的声波回音,因此其产品必须同步量测听与说两端的音讯,对此系统整合商将人工耳与人工嘴设计在同一隔离箱中,产线测试者将产品置放於相中的治具,在20~30秒内即可完成测试,这种作法通常必须由系统整合商与工业电脑等硬体供应商合作,设计出系统的软体,前者负责手机控制,後者则负责音频测试。



图2 : 瑕疵检测是制造业者维持产品品质的重要环节。(source:saferfq.com)
图2 : 瑕疵检测是制造业者维持产品品质的重要环节。(source:saferfq.com)

此一作法也点出现在制程检测的模组化趋势,过去单机式量测仪器虽然效能远较模组化量测仪器强大,不过其价格高、体积大、功能单一,因此并不适合用於生产线,现在的生产线空间渐小,对仪器设备的体积要求也随之缩小,若单机式量测仪器要应用於生产线,会需要使用转换器(Switch)转换讯号,如此一来又会压缩到生产线空间,另外模组化检测这几年技术有成,其效能已足敷现在生产线量测所用。


边缘运算助攻智慧化布局

观察市场态势,边缘运算已成为制造领域的明确趋势,而从产线各环节的发展速度来看,检测无疑是发展最快的一环,未来也会延伸、整合到到制程中的其他部分,让生产成本与品质更隹化。


过去检测位於制程後段,当所有程序都完成後再检视成品,一旦出现瑕疵,不是报废就是重作,而无论是否制造业,所有事件的流程都一样,当错误发现点越往後,所必须支付的成本就越大,例如产品在制程第一站就有瑕疵而未发现时,後续的制程会仍继续投入物料与时间,将此一瑕疵品继续完成,让後续所投入的成本完全报销无用。


因此,制程各环节获都具有边缘运算检测功能,在瑕疵发生当下即时通知系统进行处理,如此一来,产生错误时就不至於继续扩大,让产线成本与效能可获得控制。


由於此一设计可让智慧化的资本投入效益立即可见,让KPI可以量化为数据,对制造业者来说,是可明确评估的投资,因此检测被业界视为制造业实现智慧化的先锋应用,现已有厂商导入并有实际案例,而随着成功案例的逐渐浮现,智慧化检测的落实速度也将加快。


**刊头图(source:Network World.com)


相关文章
可视化概念打造新世代HMI 工业物联网更贴合使用需求
布署预测性维护演算法於云端或边缘装置
AIoT掀起智慧浪潮 厘清脉络抓紧边缘运算商机
智慧制造的「四大要件」
藉由惯性感测器和机器学习评估老年人跌倒风险
comments powered by Disqus
  相关新闻
» 第29届台湾精品奖揭晓 中小企业获奖比例创新高
» 凌?电脑多项研发成果获2021年台湾精品奖
» 东元、华新丽华联手结盟 串起绿能产业链
» 长庚大学跨校技术交流 与北部12大工业区建构产学合作平台
» 中科引进产研合作AI技术 今展7大厂智慧制造应用
  相关产品
» 中美万泰推出医用电脑电源内装设计WMP-24G-PIS
» 中美万泰推出新款Intel第八代Whisky Lake工业级触控电脑
» 安勤触控双萤幕AIO POS终端机RiVar模组化扩充快速
» 大昌华嘉在台韩推广DataPhysics量测设备 投入表面和介面科学领域
» 明纬扩充EPP-500系列


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 ©1999-2020 远播信息股份有限公司版权所有 Powered by O3
地址:台北市中山北路三段29号11楼 / 电话 (02)2585-5526 / E-Mail: webmaster@hope.com.tw