從數位轉型挑戰智慧製造

工業4.0和智慧製造,經過多年來的討論和演進,目標已經清楚並且也是一個可以達到的願景,道理是容易理解的,導入AI,然後做出超過人類的成果,但是用在智慧製造的時候,好像缺少什麼。

AI要能成功,有三個主要的部分:一、演算法(Algorithm),這個現在大家都有,二、電腦運算能力(Computing Power),這個大家都買的到,你只要有錢就有,三、數據(Data)這一塊,特別的麻煩,本身搜集就是一個問題,再來你對數據根本不了解,以現在的技術,語言和影像可以轉換成數據,但是機台種類繁多,產生的特性和要求,你也都還不了解,你又要怎麼去分析?

工廠要先數位化(數位轉型),搜集好數據,了解數據。才有機會邁向智慧製造

只搜集營運的數據是不夠的,設備的數據和技術的數據,這些都應該要完整的搜集。市場上其實看得到很多提供這樣解決方案的供應商,但是有很大一部分做的是看得到的數位轉型。比方說哪台機器有沒有在加工,有沒有料,亮燈之類的提示,但是這不是你要的,你要的應該是所謂看不到的資料,像是機台裡面的加工品質、效率、穩定性等等,不是有加工沒加工就好。當然了解稼動率很好,但是如果哪天你稼動率低,你不會知道為什麼。所以未來是關鍵,搜集能掌握未來的資料,透過分析去知道原因,未來這些事就能在你的掌控之中。

別把數位轉型當專案在執行

工廠流程的環節不只一兩個,但不論如何總要先透過數據分析,了解之後才能優化。現在的做法是將最複雜最有價值的幾個問題丟出來,先成立專案組,以專案方式處理。這樣的作法會讓企業內部產生責任推託。事實上,一間工廠要能真正進化,邁向工業4.0,將會有幾百個甚至上千個問題需要解決,也就是所謂的「長尾」問題,而這些問題的總價值很可能還超越最貴的那幾題。

數據分析全流程能解決長尾問題

過去在軟體開發的領域,企業盛行一套DevOps的開發維運框架,為的是能系統化和規模化去應付頻繁的部署需求。面對數位化過程中對數據分析效率要求的提升,國際上現在也效法DevOps框架,發起了AnalyticOps的概念,用一套系統化的平台建構一個可規模化的數據分析流程,提升企業內部各環節數位化的效率。

去年因緣際會接觸到美商訊能集思,他們的產品理論框架就跟AnalyticOps很相似,訊能集思推出的智慧決策平台JarviX以OT端的需求切入,透過AI增強分析的技術來降低工具的使用門檻,讓OT端能夠自主的完成數據分析全流程,減低企業為了數據分析付出的龐大跨部門溝通成本。對比以往需要IT和DT人員搭配組成的專案團隊去做分析,現在OT的人員就能直接做數據分析,大規模的提升分析流程各環節的效率。

學習的機制會是最大的挑戰。讓機台能夠越來越好

一個機台你用可能70分,我用可能85分,但是一個100分的機台,再厲害的人都沒辦法用到200分。要做更好的產品,當然可以去提升機台的精度或者穩定度,但是如何用他,這就是數據分析能讓你知道的,你能夠加值,超越大家所使用的極限,從數據看到未來,真正解決問題或者持續優化流程。

傳統老師傅將這些機台使用方法儲存在他腦袋裡,轉變為直覺反應,他也有做一些統計分析,但是主要還是依靠經驗,這些事比較偏向“個人的修為”。事實上,現在整個世界,透過軟硬體技術的革新,是可以更精準的。還有另一個問題,這世界變化這麼快,老師父講的雖不是錯的,但也不見得是對的。數據的一個好處是,他正確成分絕對是更大,因為他反映的是真正製程裡面的東西。「看一個人健不健康,如果能量測他身體所有的數據,一定是更精準。」

我在中原大學過去二、三十年的時間都在鑽研模具設計和精密加工,2019年「知行領航館」落成,智慧製造研發中心正式啟用。這幾年,智慧製造在經過無數的討論、報導和研討會活動,業界已經更了解其中脈絡,即便選擇邊走邊觀望,想先看看別人怎麼做,基本上也都確定要走,但還是常常會遇到有些企業覺得資料和數據是重要資產,不願意跟廠商合作,這種思維絕對要改變。

好比中原智慧工廠示範場域的部分,我一直這麼跟學生分享,如果可以一看就學會,我們也就不會花這麼多時間去研究,企業和廠商合作,數據才可以更有效地整合運用,便能一步步幫助企業往智慧製造的領域邁進。

(本文作者:中原大學機械工程系特聘教授、計算機中心主任、智慧製造中心副主任鍾文仁博士)