真正实现全自动智能工厂究竟还缺哪块拼图？_自动化

发表自话题：疫情过后工厂缺人吗

2020~2024年全球智能制造市场规模。(来源：拓墣产业研究院)

拓墣产业研究院并指出， 2020年全球工业4.0(Industry 4.0)以较稳健的投报率与更成熟的技术，将物联网、大数据(big data)等要素，通过虚实整合呈现于协作型机器人(Cobot)、数字孪生(Digital Twins)等解决方案，能够实现降低成本与提高生产力的宗旨，因此受到相关厂商高度关注与采用。

除此之外，5G、人工智能，以及AR/虚拟现实(VR)等技术的快速发展与特性，对提升生产效率方面有绝对性的帮助，因此也逐渐被相关厂商导入。王亮国，在品管方面，人工智能加上机器视觉系统，可解决人眼长时间工作以至于无法检查出商品瑕疵的问题，且工作时间越长，人工智能与机器学习统可获得的样本数越多，精准度也将越高。而人工智能加上AR眼镜，则是可让人力专注并兼顾到更多环境信息，可提前示警周遭是否有状况发生，并能在自动化产线中预判作业员错误行为。

建构自动化智能制造要素

实现智能制造或是全自动化的智能工厂所需的技术相当多，超恩(Vecow)台湾区客户经理范斯闵表示，要打造自动化工厂的关键技术包括将工厂的一切进行可视化的机器视觉、联网技术与机器学习所需的人工智能分析、预测算法软件等等。东擎科技(ASRock Industrial)总经理李俊莹则强调，除了数字化、网络连接、控制系统等工业4.0的基础外，还要加上安全性、准确度与实时性，才可能打造自动化工厂，甚至是全自动化的关灯工厂。

美光(Micron)智能制造暨人工智能部门副总裁Koen De Backer指出，以工业4.0或第四波工业革命来看，其中有两大支柱分别是5G和人工智能，即如何实现快速连网与智能化。他还表示，“在基于5G与人工智能建构的工业4.0价值链中，包括了物联网、连网、移动动装置、汽车与云端等重要环节，为了协助企业提升运营效率，需要从边缘物联网一路到云端提供整合的解决方案。”

5G与人工智能是工业4.0的两大支柱。(来源：Micron)

智能制造主要关注于三大领域，即如何提高“生产力、质量与良率”，而人工智能、影像分析，以及工业物联网(IIoT)则为其贡献了重大价值。Backer说，为了提高生产力，工厂必须进行更好的规划，特别是因应复杂的半导体工艺，导入人工智能仿真可实现工艺优化、AR/VR在新冠肺炎疫情期间发挥关键的支持角色，而流程自动化机器人(RPA)等技术更直接提高了生产效率。

此外，在部署大量传感器的工厂中进一步导入IIoT、机器视觉，以及用于对象侦测和异常分类的深度学习，可实现更有效的产线实时监控、提高产品质量，并在出现异常之前准确预测。Backer举例，“提升良率对于像美光这样专注于先进制造业务，以及导入成熟工艺时格外重要，这就需要采取先进分析、自动诊断及自动模式辨别与反应等技术来实现。”

Backer并强调，包括智能制造生态系统、技术骨干，以及组织与人才，都是促成工业4.0、自动化工厂转型的重要推手。他说：“实现智能制造无法单打独斗，必须找到有力的合作伙伴。”而技术骨干是指结合传感器与边缘智能的IIoT堆栈，以及大数据平台与机器学习/深度学习等技术，以便在庞大数据中发掘洞见。此外，组织的支持，以及对于数据科学家/工程人才与解决方案架构的大力投资也很重要。

软硬件技术陆续到位

上述提到的建构全自动化智能工厂或智能制造软硬件技术也随着科技的发展日新月异。而这些智能制造组成要素需要硬件和软件技术的配合，才能开发出符合企业与市场需求的自动化制造系统，并助力企业更加顺利地布建智能工厂。

·处理器芯片(Arm)

控制整个智能工厂运作的中枢是工业计算机，该装置可视为统合工厂机械设备、网关(Gateway)等所有信息连接到云端的重要桥梁，而要打造一套满足市场所需的工业计算机，其核心关键即为处理器。英特尔(Intel)业务营销暨公关事业群副总裁汪佳慧表示，有鉴于云端工作负载逐渐趋于多元化，网络也正在转型以提供5G服务，人工智能日益普及和扩展，更多的运算效能正向边缘移动。

有调机构更指出，到2030年时，全球“制造”的数据数据将有75%位于数据中心之外，并有超过50%的资料将在边缘进行处理、存储和分析，以供横跨市场的各种用途使用。不仅如此，有调机构并预期，2024年前将出现650亿美元的边缘芯片巨大商机。

因此，英特尔与工业计算机及其他物联网相关客户紧密合作，以建立概念验证、优化解决方案，并在过程中收集回馈意见，藉此进一步打造出新一代处理器，包括第11代Intel Core处理器、Intel Atom x6000E系列，以及Celeron N与J系列。英特尔亚太区物联网事业部平台营销经理张沛哲，新推出的一系列处理器，其所提供的创新功能，可响应整个物联网产业包括工业领域所面临的挑战——边缘复杂性、总持有成本和一系列的环境条件，并为企业带来新的人工智能、安全性、功能安全和实时功能。

通过处理器解决边缘运算挑战。(来源：英特尔)

持续耕耘边缘或是终端运算的Arm，则是看到后疫情时代车辆与工业自动化中机器自主决策将是未来趋势，并预期这股风潮将在 2030 年带来 80 亿美元的硅晶圆商机。该公司首席应用工程师沈纶铭认为，“自主化”(autonomous)在工业领域的主要应用为智能制造/仓储，例如工厂自动化、工业物联网(IIoT)、移动式机器人等。不过，要建构自主化系统需要符合多项关键条件：

1.具备可扩充的运算能力，并以最有效率的方式处理工作负载;

2.将复杂的系统进行信息整合，通过机器学习达到智能应用;

3.全面整合硬设备以进行复杂工作负载，同时利用最佳的功耗来实现系统商转;

4.提供安全和实时的响应，避免因系统故障或网络攻击导致的损失。

为满足上述关键条件，Arm打造出新的CPU、GPU及ISP IP——Cortex-A87AE、Mali-G78AE、Mali-C71AE。沈纶铭表示，这些新的IP设计目的在于，与支持的软件、工具及系统 IP 结合在一起运作，让硅晶圆供应商与 OEM 得以为自主工作负载进行设计。更重要的是，随着自主性将变得越来越普遍，安全性必须放在一切的首位，因此新系列IP中，皆已具备安全功能，加上高度的可扩展性与高效运算特性，将可为汽车与工业界带来更好的自主决策能力。

·5G与AR/VR

台湾爱普生视觉科技营业部资深协理黄少白表示，除了货品、原材料的流通受到影响，人员也无法在新冠肺炎疫情期间商务出差，因此企业面临到的新问题是——设备产品出货海外后，工程师无法随之抵达现场进行装机或设备的调整，可能会影响买家采买意愿，甚至影响后续的订单。

结合AR眼镜的远程专家协作应用，让远程专业人员能以第一视角看到作业现场的画面。(来源：台爱普生)

此时，通过AR系统，即可远程完成交机或装机，一旦设备在运作过程中发生问题，也能让工程师利用AR系统解决。另一方面，若是员工对于新机器设备不熟悉，不懂得如何操作，母公司或是机器设备卖方人员，也可以使用AR系统进行远距在线教学。

5G的三大技术特性为增强型移动宽带(eMBB)、大规模机器通信(mMTC)、高可靠低延迟通信(URLLC)，可以使人与机器或设备与设备之间的沟通更加快速，减少时间差。而5G技术的发展，不仅可以提升AR/VR系统的实时性，促使AR/VR被更多企业导入到智能制造工厂中。技宸指出，5G搭配AR/VR，配戴AR眼镜的工作人员，即可与专家进行远程联机，进行维护管线或操作加工机具。不过，AR/VR是否对产线自动化有所帮助，技宸则持保留态度，若要完全实现其实际应用，还需观察相关技术的未来发展。

·人工智能/机器学习软件算法

人工智能已越来越普及，该技术在工业市场上也开始发挥其效用。技宸表示，当今的制造业常用的机械手臂或自动导引车，即是利用机器学习、目标视觉辨别能力(即机器视觉)、模式辨别(pattern recognition)、认知作业分析(cognitive task analysis)等算法模式来达成自动化。另一方面，通过不断的学习，人工智能与深度学习可让机器变的更聪明，增加机器正确性的判断及处理不同的零件或工作，进一步助提升生产效率。

不过，范斯闵则提醒，人工智能与机器学习虽然可协助企业提升产线效能，但该技术最大的瓶颈是样本数不足，或是样本不够精准，这将导致所建立的人工智能模型无法学习，甚至判断失准。举例来说，最快导入人工智能的自动光学检测(AOI)系统，即使可比人眼更精准，也不会觉得疲累，但若是人工智能/机器学习系统不够“聪明”，则仍需配置现场作业人员再次检查。

除此之外，人工智能在自动化工厂还能做什么?范斯闵表示，在劳力密集的工厂中，人员的管理较难被量化，因此通过结合人工智能与相关设备，可以监控作业员是否遵照SOP，并提升产能，同时还可减少现场的“监视”内控人员的配置。

邱莉贞则指出，自动化主要是为了应付大量生产，但是智慧工厂却要能够少量多样的生产，这是自动化要克服的痛点，通过3D影像加上人工智能程序开发的整合，可让机器手臂的应用不再只是重复性高的作业，也能具备弹性调整的能力。

事实上，目前导入人工智能、机器学习等技术，布建全自动化生产的公司，仍以高科技产业为主要先行者;传统产业，如纺织、水五金等，在导入工业4.0的进程，相较之下，还有一大段差距。因此，东擎科技系统产品部处长张晃华提醒，工业4.0不是每一项产业都适合导入，例如纺织业，若要让人工智能搭配AOI进行织品的检查，因涉及太多领域知识(Domain knowhow)，人工智能系统可能要学习为数不少的织品图案与织线方式，以及许多因此对传统产业来说，若要部署具备人工智能的自动化工厂，样本数的多寡、数据的精确度将更加关键。

真正落地还差临门多脚

在软硬件都到位的状况下，为什么建造自动化智能工厂对许多厂商而言仍是一条该走，却不知道该怎么走的道路呢?首先，必须将工业领域分成高科技与传统制造业两部分来看。邱莉贞，半导体自动化市场发展性高，潜在市场规模及成长动能大于其它劳动力密集产业，因此导入自动化的速度较快。现在劳动力集的产业，虽然也开始导入自动化，但对于大量布局自动化相对有挑战。举例来说，自动化无人工厂或无人仓储企业所要面临的问题包括：机器取代人力的问题、经济规模与良率效益的评估、旧设备淘汰投入新设备的资源，以及IT架构及信息人员的训练等等技术与非技术难题。因此，劳动力密集的产业自动化的转换动能是要有足够的经济规模及整体规划蓝图，才能打造完整的自动化系统。

再者，如何提供少量多样的客制化需求，自动化软硬结合将是技术挑战的重点。邱莉贞指出，从维田多年耕耘工厂自动化市场的经验了解到，不同的工厂型态在做数据整合时，往往需要使用多种软件协议配合建置及沟通，配合工厂的环境应用及信息的可视化系统也有不同软件接口需求，因此在软硬件系统整合较有软件建置上及维护上困难。

将散布在工厂各处的装置虚拟化，仅须一个边缘智能物联网(AIoT)平台，即可控制、管理，进而节省成本、空间，并可降低管理复杂度、提升效能。(来源：东擎科技)

最后，李俊莹认为，无论工业4.0或是自动化工厂、智能制造都需视为工业发展的里程碑、一个需要长时间酝酿的过程，而不是单一事件或是应用，并非在工厂中纳入所有的软硬件技术，就能实现。张晃华补充，各家业者必须“慎行”、“渐进式”一步一步来，别妄想一步登天，应将数字化进行彻底、完整，并先做好流程优化，再进入其它阶段，否则工业4.0对企业来说只会是个带来大灾难却无法摆脱的泥淖，以及画蛇添足的苦果。另一方面，各项软硬件技术虽然随时间发展得越来越成熟，但仍无法全面满足高科技产业与传统制造业的所有需求，因此目前尚未有一家公司能做到从工厂前端到后端完整的自动化智慧工厂，并发挥出工业4.0、智能制造等议题的优势。

·找到信息的优势所在

值得注意的是，工厂自动化的基础是数字化并通过各种传感器提取大量的数据，再进一步提供给人工智能与机器学习系统进行分析，但若是企业不了解收集到的数据有何价值，转型之后也无法为公司创造相对应的竞争力。台湾洛克威尔自动化(Rockwell Automation Taiwan)智能制造应用发展资深顾问何辅仁表示，过去，多数企业的数字转型、智能制造仅止于制造业IT化，通过ERP、MES系统及垂直整合设备、机台信息，让数据收集得更完整。而这样的过程也反映在去年到今年的台北自动化展中——2019年的台北自动化展可看到参展厂商主打“机联网”，2020年则是可观察到厂商们纷纷在展示区架设了大屏幕，以便显示机联网后所收集到的信息。

然而，企业在投入大量资源后，收集到的数据对于实际应用、如何解决问题，或落实到工艺改善仍有很大落差，以至于“卡关”，无法落地自动化智能制造。何辅仁认为，2020年台北自动化展各展位展示出来的机连网信息，仅纯粹“显示”信息，并不代表企业理解这些信息背后的意义，因此无法将数据化为洞见，或是从中有效找出信息的精华所在。

因此，洛克威尔自动化提出既是一种概念也是一套方法的Rockii (Rockwell Information Intelligence)数字转型解决方案，其通过人工智能学习，可在产线问题发生之前就提早一步找出应对解决方式，解决企业生产及运营的痛点。何辅仁指出，数字转型方案能让厂商活用手中的信息并迅速建立模式，从每一次的问题中快速自我修正，将数字转型真正落实到工厂。该系统还可先协助厂商解决工厂本地端的问题，日后若是厂商有云端需求时，再进行无痛转移，突破不知道该如何解决的数字转型难题。

从自动化转型到信息化(Information)所需的技术解决方案。(来源：洛克威尔自动化)

何辅仁还强调，遍布在工厂各处的传感器，其所收集到的信息不应该只是“秀”出来，而是应该经过清洗、萃取出有用的数据，并能随时带着走。如此一来，企业才能从数字化转型的问题点，厘清解决问题的方向，再进到后续的人工智能与机器学习系统的发展，打造出具备竞争力的自动化智能工厂。

·统一标准

更重要的是，现阶段工业市场中并未有大一统的标准出现，因此不同企业开发的生产设备，各系统间如何无缝沟通与衔接，新旧机台如何顺利整合，也是阻碍智能制造落地的因素。李俊莹表示，现今工业通信标准仍处于战国时代，各家制造设备有其采用的通信标准，这使得企业进行自动化产线的布建时，就遭遇了极大的关卡。所幸，工业通信标准似乎有渐渐收敛的趋势，例如OPC UA (OPC Unified Architecture)、时效性网络(TSN)等技术标准的出现，已可将过去无法沟通、串连的系统一一整合起来，再藉由工业计算机运筹帷幄并与云端沟通。

李俊莹并强调，完整的智能工厂架构是通过层层不同的功能与应用堆栈而来，因此开放性相当重要，若是闭门造车，结果势必是让市场更加破碎。而TSN与OPC UA等标准的陆续出现，也是相关企业了解到开放的重要性，如此一来才能将市场做大。

·非关技术的重要缺角

不仅技术层面的问题待解，非技术方面的难题也将严峻考验业者。李俊莹指出，高科技产业或是传统产业对数字化“有心无力”，因为持续性的投入不见得会马上能见成果，所以高层投入意愿，以及是否全程参与数字化、自动化转型是最大的关键。

如果高层投入意愿不再是“魔王关卡”，那么企业还需面临投资报酬率(ROI)是否能撑得住?如何让IT与OT顺畅沟通?也就是填补作业员的知识(OT)与软硬件技术(IT)结合的鸿沟，以及智能自动化系统要外包，还是要自己做?若选择外包，如何避免工厂机密外泄?若要自行建造，口袋是否够深... ...种种难题。因此，张晃华建议，先局部导入自动化，获得相关经验后，再慢慢复制、扩大到整厂，会是比较保险的做法。

邱莉贞总结企业布建智慧工厂非技术的难题——资金、政策、绿色环保，以及贸易战。她进一步，第一，智能自动化制造前景很美好，但是绝大多数制造企业利润率偏低，缺乏自主资金投入，自动化是否可创造价值，吸引企业投资仍须观察;第二，由于自动化势必带来人力需求减少，各国政策也会让自动化需求进程受到影响;第三，环保意识的高涨，会促使能源价格与循环经济需求减少;最后，中美贸易战未歇也将影响厂商原定投资计划。

总结：全面自动化过后…?

当智能制造、全自动化工厂越来越多之后，工业领域就将迎来春燕吗?范斯闵提醒，全自动化工厂意味着人力被取代，可能会衍生失业率提高的隐性风险，中国、东南亚地区类似问题已浮上台面，各国政府应制定相关政策，并进一步在全自动化与失业率间取舍。

李俊莹则认为，人类与机器仍存在差异，例如，人类有机器所不具备的想象力、创造力与多变的特质，这些都是机器所没有的。因此只要是强调创造与多变化的产业，就一定需要人类特有的价值，且机器还是需要人类来管理，因此机器不会完全取代人力，在自动化或工业4.0的进程中，相信产业会找到人机共存的平衡点。

以AR技术链接数据库，管理者不须打开制造设备即可通过平板或穿戴装置，远程实时了解设备信息或SOP、维修纪录等文件。(来源：洛克威尔自动化)

标签组：[人工智能] [应用市场] [机器学习] [智能机器] [智能制造系统] [智能工厂] 

上一篇：“疫情过后，中国还会是世界工厂吗？”_美国

下一篇：疫情后，灵活用工提前爆发，你了解多少？_企业