- Advertisement -
首頁 市場分析

市場分析

- Advertisement -

專訪賀利氏電子業務領域總裁Frank Stietz 5G時代EMI遮蔽解決方案登場

賀利氏電子業務領域總裁Frank Stietz指出,基於高頻寬及輕薄短小的需求,防止電磁干擾技術已成為5G發展的關鍵。賀利氏的全套解決方案,包含特製的銀油墨、3D數位列印設備和專用於特製的銀油墨的固化設備。與傳統的金屬背蓋或現有的濺鍍設備相比,賀利氏使用列印技術,除了可以達到每一面厚度相同且均勻之外,並能設定區域局部進行列印,不會有任何材料被浪費。同時此技術使用的設備僅需2.5m×1.5m的占地,大幅節省工廠空間。這項新技術能節省物料成本提高材料使用率,若依年度產能估計,此解決方案的設備投資僅約PVD濺鍍製程設備投資的15分之1,然而產能卻可以提升5倍。 Stietz進一步說明,過去將金屬背蓋直接做在PCB板上的做法已經不可能用於5G產品,因為體積和重量都會超出可以接受的範圍。而PVD濺鍍又過於浪費材料,物料使用效率低,且需要無塵室相關設備,投資成本高昂。另外,噴墨(Ink Spray)技術同樣面臨物料使用率不足的問題,而且在側面達到與上層相同均勻與厚度將是一大挑戰。若使用列印技術則不會面臨上述問題,可以達到-60dB的遮蔽效果,每面的厚薄與均勻一致,且能實現零物料浪費的目標。 Stietz表示,賀利氏的防電磁干擾全套解決方案目前已與客戶合作,在亞洲地區小量生產(Ramp-up),並計畫於2019 Q4設製原型(Prototype)產線。最重要的,上市時程是與5G發展同步的。5G預定商轉時成為2020年,賀利氏的防電磁干擾解決方案為5G而存在,因此也計畫和5G一同登場。 賀利氏電子業務領域總裁Frank Stietz表示,賀利氏的印刷技術讓EMI遮蔽以更小的尺寸達到更好的效果。  
0

專訪K&S資深副總裁張贊彬 小間距封裝設備搞定先進製程

K&S為半導體封裝和電子裝配解決方案廠商,為市場提供包括線焊、先進封裝、光刻、電子裝配等解決方案。該公司參與2019年Semicon Taiwan,展出為工業4.0時代開發的GEN-S系列球焊機RAPID MEM自動焊線機。K&S資深副總裁張贊彬指出,該焊線機亦符合RoHS標準,其即時監控與診斷的製程能力在封裝過程中兼顧高品質和高效率,確保半導體元件的性能與可靠性。 AI、5G、物聯網(IoT)、自駕車等熱門議題將持續推動半導體產品的效能需求,K&S的一系列封裝解決方案將提供不同製程的封裝應用,張贊彬解釋,APAMA貼裝機提供更高精度、更小間距的高產能解決方案,尤其是未來幾年半導體業主要發展的3D IC與異質整合製程。適合使用在全自動的晶片-基板(C2S)和晶片-晶圓(C2W)熱壓焊接,高密度扇出晶圓級封裝(HD FOWLP)以及高精度倒裝(HA FC)等技術。 該款雙頭熱壓黏晶機,目標在帶來高產能的生產製程需求在晶片黏著和在中介層(Interposer)上進行晶片堆疊。C2S適用於記憶體晶片堆疊在基板上的應用,例如混合記憶體立方(HMC);而C2W則適用於記憶體晶片堆疊中介層上的應用,例如高頻寬記憶體(HBM)。K&S憑藉APAMA晶片對基板設備平台的設計,進一步涵蓋了能與回流焊聯合使用的新型高精度覆晶封裝(HAFC)貼片功能。 除此之外,K&S還展示其工業4.0互連軟體解決方案KNet PLUS和Auto OLP 2019(Auto Offline Programming)。透過對機台性能的管理,有效提高封裝品質和產能。 K&S資深副總裁張贊彬指出,APAMA貼裝機提供更高精度、更小間距的高產能解決方案,尤其符合3D IC與異質整合製程趨勢。  
0

邁向工業4.0 協作機器人安全再提升

安全第一 專利安全功能掛保證 Universal Robots大中華區總經理蘇璧凱(圖1)表示,Universal Robots為協作型機器人申請了17項專利保護的安全功能,是市場上最多安全專利功能的協作型機器人,也可以說Universal Robots協作型機器人是市面上最安全的機器人。另外,針對工業用機器人可能會加裝的安全皮膚等安全裝置,蘇璧凱說明,Universal Robots協作型機器人已經內建了安全機制,所以並不須要再支出額外費用特別安裝。 圖1 Universal Robots大中華區總經理蘇璧凱表示,人機協作機器人的需求十分可觀,目前逐漸導入中小型企業。 蘇璧凱也指出,台灣名列全球前十大自動化國家,尤其在汽車零組件、LCD製造、半導體、金屬加工與塑膠射出等製造業的自動化發展動能強勁;此外,近年來如手搖飲料店等民生消費產業也能看見協作型自動化解決方案的蹤跡,而設定快速、安裝位置靈活且能在較小空間中作業的Universal Robots協作型機器人,獨具各關節正負360度旋轉能力,並在經安全評估後可免安全護欄,近距離與人協作等特性,為企業主的生產應用增添更多彈性,協助企業快速適應自動化生產流程,進而加速成本回收。 蘇璧凱進一步說明,儘管目前景氣的大環境並不友善,但是Universal Robots在協作型機器人的業務還是有成長,可見市場對於協作型機器人的需求量是很可觀的。過去Universal Robots在台灣的業務著重在工具機、3C產業等,現在也導入中小型企業。Universal Robots志在藉由協作型機器人和無人搬運車的合作,將人力從單調無聊、危險、無產能的工作崗位上解放,讓人力資源去經營更有價值的工作。 根據Interact Analysis預估,協作型機器人市場規模至2027年將成長逾10倍,達到75億美元。為協助各領域企業加速導入協作型自動化解決方案,Universal Robots藉由建立全球第一個由第三方末端夾治具(即機器手臂終端工具或EOAT解決方案)與其他協作型機器人配件製造商組成的生態系統UR+,為各領域與不同規模的企業創造附加價值。 現在多樣化的生產需求讓產業自動化應用情景越趨豐富,不僅促使工業機器人市場穩健成長,具備編程簡易、設置快速、部署靈活、投資回報期短、協同作業及安全無虞等六大優勢的協作型機器人,更成為許多企業評估自動化解決方案時的選向之一。   強化機器人安全性 提升工廠空間應用 除了申請專利的內建式安全功能之外,為機器加裝安全功能也是另外一種選項。過去工業機器人的危險性高,考量安全因素,多用圍籬與人員隔離,避免傷及工廠人員。而過去的協作型機器人在速度與精度又不及工業型機器人,使得工廠應用工業機器人時總是必須犧牲空間以確保安全性。但隨著自動化與科技演進,機器人安全機制的發展使得工廠機器人應用率提升,也釋放許多過去不能利用的空間。 佳世達智慧能源事業處處長黃氣寶(圖2)表示,由於安全性的提升與各種因素,機器人在台灣工業製造應用率有顯著的提升。明基/佳世達的目標就是工廠機器人的應用要超過本來的50%,希望有一半的人力可以用機器人取代,只留下一半的人力搭配機器人。 圖2 佳世達智慧能源事業處處長黃氣寶(圖左)表示,少樣多量需求趨勢推動,人機協作的彈性產線很適合現在的工廠環境,讓機器人部分取代人力。 黃氣寶指出,以目前台灣的電子業、組裝產業和傳統製造業的狀況來說,並不適合盲目地追求關燈工廠。由於現在產品少樣多量的需求趨勢推動,更適合推廣人機協作的彈性產線,保留部分人力從事特定機器人難以取代的工作,剩下的事就交由機器人完成。 外加式安全皮膚 工業機器人不危險 不過在人機協作的過程中,安全性可說是至關重要。因此明基/佳世達與策略夥伴ABB備有機器人安全協作方案,又稱安全皮膚,安裝在工業機器人上,人員靠近到一定範圍時機器人便會開始減速,當觸碰到人員時,機器人動作便會停止。安全皮膚藉由壓力感測技術,當感測到1公斤的碰觸力道時便會即刻停止機器人動作,承受1公斤的力道人體雖然還是會有感覺,但是不會致傷。另外,安全皮膚利用設置在機器人周圍的地墊感測附近人員的距離,以判斷是否須要減速。 黃氣寶說明,台灣地狹人稠,實際上可用的工業用地其實非常少,但是由於過去工業機器人的危險性很高,必須要用圍籬將工業機器人與工廠人員隔開,而被圍起來的空間就不能夠利用,使原本就不多的空間更加壓縮。透過安全皮膚,就可以提升工廠廠房空間利用率,釋出過去被圍籬圍起來的工廠空間。工廠坪效的利用率就會大幅提升,透過這樣的機制,可以在一樣的空間內設置更多設備,而不須要增添新的廠房,回收過去不得不浪費掉的空間。 另外,黃氣寶也提到,傳統機器人是在固定位置進行固定工作,而現在發展的方向就是要提升機器人的機動性與靈活性。例如機械手臂搭配AGV,可以當作移動式工站機器人,可以做不只一個工站的工作,更能夠解決人力不足的問題,和提升產線資源調配的靈活性。AGV取代無效率搬運人力,提高物料到現線的準時性,減少線邊倉提高生產線坪效使用,目前包括大型汽車物料倉庫與台灣半導體大廠,均有採用明基/佳世達AGV解決方案;而自主移動式機器人(AMR)結合機器人和AGV,採用最新SLAM的AGV搭配6軸工業機器人,使用於移動式工站使用,可以大幅節省人力與空間。 少樣多量需求驅動 機器人更智慧/靈活/模組化 為協助製造自動化,提升人機協作的安全性刻不容緩,同時,提升機器人的靈活性也是不容忽視的。 台灣人口負成長的壓力增加,加上產業對少量多樣製造的需求,驅動著製造自動化,也因此對工業機器人要求更加智慧化、靈活化與模組化。因應製造自動化需求的提升,庫卡(KUKA)備有多樣自動化智慧技術,為未來工業製造奠定轉型基礎。 KUKA亞太區銷售總監梁信裕(圖3)表示,台灣在全球製造業中扮演關鍵角色,KUKA在物聯網和工業4.0方面,打造出整合網路、雲端以及行動工作平台三大面向的技術整合優勢。KUKA提供了從輕型到高階的機械自動化設計解決方案,打造人機協同的作業環境,有效提升製造精準度與效率。 圖3 KUKA亞太區銷售總監梁信裕表示,庫卡提供從單機到系統,從獨立作業到協同整合的多樣解決方案。 台灣製造業中橫跨大型企業與中小型企業多樣化的市場型態,KUKA提供了一致性符合國際標準卻靈活多樣的組合方案,可以與企業與時俱進的步伐下,提供不同階段的智動化作業需求。 KUKA多年來一直致力於「人與機器人之間的協作」和移動性智慧機器人未來領域的開發。而KMR iiwa正是KUKA實現「機器人同事」的目標,智慧移動式單元能夠自主動作。移動平台上的機器人能夠自主運動,以高達毫米的精確度進行對準,找到目標。 針對台灣大型精密製造,像是晶圓無塵室此類的環境,KUKA推出結合自主移動式無人搬運車KMP與LBR iiwa輕型協作機器人,合稱KMR iiwa;它具有可以提供地點應用方面的極高彈性,以及適合舊工廠的布局改造,並提供了客製化組合、高度靈敏、獨立自主、智慧靈活、執行精確五大特色,協助台灣的製造業者順利邁向工業4.0。 梁信裕指出,KUKA在台灣除了經營電子產業之外,與傳統產業如汽車零組件、飲料食品產業、紡織製造業等也都有合作。台灣傳統產業在導入工業4.0的意願其實是很高的,但由於數位化轉型需要大量的數據傳輸,在這方面的轉型將會是比較大的挑戰。另外,台灣中小型製造業,在面臨人口老化以及少子化的社會現象中,找尋保有企業原有的活力快速回應市場,成為中小企業主的重大議題。 為解決上述問題,KUKA針對消費產品所設計的Conveyor Tech軟硬體整合解決方案,將可在合理的成本投資下,加速中小企業出貨或是流程再改造等企業競爭力,透過KUKA Conveyor Tech搭配Vision Solution,客戶可以較有彈性的使用機器人追蹤並取放產品,同時可使用Vision Solution同步評估與確認產品特性,以達到更彈性、更有效率的取放應用需求。
0

IIoT工業物聯網大行其道 安馳智慧製造方案齊備

ToF飛時測距 ADI ToF技術採用脈衝型雷射,可以大幅降低功耗,搭配CCD感測器,畫素達640×480 VGA等級影像解析度及精準度,安馳科技資深技術應用工程經理吳明宗表示,在製造現場,ADI的ToF是感測6公尺以內的範圍,可以應用在自動導引車(AGV)或帶有手臂的智慧移動機器人(IMR),ADI ToF解析度是CMOS ToF的四倍,其深度資料可有效地增加影像辨識度,室內採用850奈米(nm)波長雷射,室外應用為避免陽光吸收,採用940奈米波長雷射。 在應用部分,ToF電子圍籬能建置安全防護Virtual Wall,以ADI的ADDI9033搭配ToF感測元件,提升產線作業人員與機器手臂協同作業的安全性,吳明宗提到,IMR或AGV則可以使用機器視覺,協助其空間辨識或避障;汽車應用以駕駛監控與手勢辨識兩類為主,在夜晚低光源的環境下還是可以進行影像辨識,甚至可以清楚辨識駕駛的表情。 應用於商業空間的3D人流統計時,則可利用影像技術分辨身高,有效分辨進出人流,並計算總量。傳統自動門採用紅外線反射原理,讓動物也可以自由進出一般商場,造成管理上的困擾,使用ADI ToF 3D立體影像感測時,可以辨識區分空間中人與物體的相對位置距離遠近,有效摒除非人類進入商場。 BMS電池管理 另外在電池管理(Battery Management System, BMS)部分,吳明宗指出,ADI BMS產品最大的優勢便在於鋰電池的管理精度,無論面對什麼環境,都能把精度誤差控制在非常小的範圍內,且可以保持十年不變。也能在同樣電池容量下提高電動汽車的整體續航里程。因為ADI BMS產品內建了Buried Zener Reference技術,能夠為測量系統提供高精確度。 LTC6813是一款多節電池堆棧監視器,該元件可測量多達18個串聯電池單元,總測量誤差小於2.2mV。電池測量範圍為0V~5V,使LTC6813適用於大多數電池化學成分,所有18個單元都可以在290μs內測量,多個LTC6813元件可以串聯連接,同時監測電池、高電壓電池串。也可以直接由電池組或隔離電源供電。該監視器包括每個單元的被動平衡,每個單元具有單獨的PWM工作週期控制。其他功能包括板載5V穩壓器,9個通用I/O線和睡眠模式,其中電流消耗降至6μA。LTC6813適用於電動/混合動力汽車,電池備份系統和高功率電池系統。 無線工業聯網模組IIoT RF Module ADI無線工業聯網模組IIoT RF Module可延伸更多感測器,吳明宗解釋,該模組兩端協定是由IEEE 802.15.4作為溝通,模組可選擇2.4GHz,其優勢在於具有高傳輸速率。ADI IIoT Module為低功耗,待機時間約可達到數年之久,且可依客戶需求搭配多種的感測器,可達到99.999%可靠度,抗干擾能力強。工廠可監測溫度、濕度或有毒氣體等。 雖然增加這些裝置,可能提高了硬體建置成本,但後續所產生的效益可能會遠遠超過傳統的方式。例如在工廠廣泛布點後,能夠減少監控人員巡點或手動檢測、紀錄的耗時,因此在人員配置上可大幅提升工作效益,並且在系統收集資料的同時,上傳雲端,直接與後台做聯結提供大數據分析,不需再額外花費人力,蒐集、紀錄、上傳等。 深度學習智慧監控 AI機器學習無處不在,賽靈思專注於深度壓縮技術,安馳科技技術應用工程部經理吳文忠說,利用Zynq-7000 SoC和Zynq UltraScale...
0

落實製造業數位轉型 業主抓緊兩個I

也因為要做的工作實在太多,對於以中小企業型態為主,資源相對有限的台灣製造業而言,要畢其功於一役,可說是不可能的任務。因此,大多數台灣製造業者都必須針對自身的營運需求,排出數位轉型計畫的導入優先順序,然後才能一步步落實,達成數位轉型目標。這也意味著企業主事者有責任為自己的公司排出最佳化的「轉型課表」,因為只有管理高層才有綜觀全局的資源跟能力,而且國際大廠推出的解決方案「套餐」,未必真的符合自家公司的需求。 換言之,企業主必須先盤點現有產線的狀況,找出瓶頸所在,然後評估相關改善的投資成本與回收時間。通常,產線最大的瓶頸所在,也就是最需要優先改善的項目,但考量到相關投資的費用、人力投入成本與回收時間,該項目就未必是當下最需要優先執行的項目。反之,有些回收很快的改善項目,未必能解決當下產線所遭遇的問題,例如能源管理與節能相關的改善,通常無助於解決生產瓶頸的問題,但卻能在成本撙節上帶來很明顯的效果。 緊抓KPI與ROI 由關鍵績效指標(KPI)與投資報酬率(ROI)這兩個I所組成的矩陣,是企業主在制定數位轉型課表時,非常有效的輔助思考工具。KPI與產線本身的改良有直接關係,通常是指個別改善項目所能帶來的量化效益,例如整體設備效率(OEE)的提升、生產效率的提升或設備維護成本的降低;ROI則是個別改善項目所需投入成本的回收時間,一般來說是以年為單位來衡量,回收時間越短越好。 圖1是由KPI與ROI所組成的座標系,第一象限是改善的量化效益高,投資回收期短,最適合優先進行的項目,第二象限則是改善量化效益高,但投資金額巨大,或是回收時間長的改善項目。第三象限則是產線改善效益不明顯,投資回收期也長的項目,通常企業主會避免在數位轉型的初始階段就進行這類型的改善計畫,第四象限則是產線改善效益不明顯,但可以很快回收的改善項目。 圖1 KPI與ROI座標系 對企業主來說,落在第一象限跟第四象限的數位轉型工作項目,通常是比較容易排在高優先事項的投資,因為其所帶來的經濟效益巨大,風險也低。第二象限則屬於「攻堅型」的數位轉型項目,這類項目雖然能帶來不錯的改善效益,但因為投資的回收期長,通常也意味著更大的營運風險。 之所以用相對籠統的方式概述,主要是因為對個別企業而言,即便是類似的改善項目,KPI跟ROI也可能有很大的落差。舉例來說,能源管理方案投資的ROI好壞,就跟個別企業的能源使用狀況有密切關係。 對耗電量大、電力需求波動卻相對小的連續製程產業,例如鋼鐵、石化來說,投資能源管理方案最大的好處大概只有找出不必要的能源浪費,省下一些費用;但對於耗電量中等,電力需求波動幅度卻很大的一般組裝製造業來說,導入能源管理不只是省電費,還有可能衍生出虛擬電廠這類新業務,把節能變成可以創造現金流的生意。如果是耗電量本來就不大的小工廠,在節能方面進行投資,ROI就會變得不那麼吸引人。 工業物聯網/資料可視化必須優先推動 雖然數位轉型的專案項目能帶來多大效果,絕大多數都得看個別廠商的情況而定,但由於數位轉型的終極目標之一,是實現由資料驅動的數位決策,因此跟取得資料、分析資料有關的基礎建設,可說是製造業追求數位轉型的過程中,無法迴避的基礎建設。 據工業電腦大廠研華針對其客戶群所進行的效益分析,很多製造業只要完成工業物聯網建置,並加上資料可視化工具,就能讓OEE提高20%。而且,沒有工業物聯網提供的資料,加上可視化工具對資料進行初步爬梳,數位轉型根本無從推動。因此,這兩項相輔相成的投資,實為製造業展開數位轉型的原點。 事實上,許多大廠正在帶頭推動的「關燈工廠」、「AI輔助決策系統」等專案項目,對中小企業來說都還太過遙遠。如果中小企業沒有先釐清自身的真正需求,把底層需要的基礎建設做好,貿然導入無人工廠或AI系統,恐怕會是一場災難。 無人工廠是工業自動化的極致,但自動化跟製造業數位轉型不宜直接畫上等號。而且,現有的自動化技術還是比較適合少樣多量、大規模生產的運作型態,對多數講求靈活接單、彈性生產的中小型製造業者來說並不適合。即便是研華、凌華、新漢等營收已有相當規模,又是智慧製造解決方案重要供應商,對工業4.0、數位轉型理解較深的業者,其產線也沒打算朝無人工廠邁進。相反的,這些工業電腦業者的計畫,是藉由導入各種智慧化技術,讓員工的人均產值得以向上翻升。 至於AI輔助決策系統,則是數位轉型成功的結果,而不是數位轉型成功的原因。撇開強化學習(Reinforcement Learning)、生成對抗網路(GAN)等還在發展中的機器學習(ML)模式不談,目前比較成熟的機器學習技術,仍是監督式學習(Supervised Learning)。這種機器學習模式需使用大量經過標籤的資料集進行訓練,方可得出相對準確的推論模型。如果沒有資料,空有機器學習所需的軟硬體,也無用武之地。 正如同台灣清大清華講座教授簡禎富在其《工業3.5--台灣企業邁向智慧製造與數位決策的戰略》一書中所提及,未來的製造業面貌,是在自動化的基礎上,結合人工智慧、大數據、雲端、物聯網等快速應用的科技,精進至彈性決策、聰明生產的智慧製造……台灣當務之急,特別是中小企業,應該發展「工業3.5」,作為目前的「工業3.0」和未來的「工業4.0」之間的混合策略。工業3.5的概念,就像人和智慧機器合作,配合數位決策大腦的鋼鐵人。 完全用機器或AI取代人的投資項目,對大多數台灣的中小企業來說,其實是落在ROI與KPI座標系第三象限的項目,除了需要大量投資之外,現階段所能取得的效益其實也有限。混和了人與智慧機器的工業3.5,才能讓中小型製造業穩健地朝數位轉型的目標邁進。 當心路徑依存陷阱 中小企業主事者在為自家公司制定數位轉型計畫時,除了要隨時緊抓KPI與ROI之外,還必須為日後的發展路徑做好準備,以免在不同階段完成的轉型項目,最後在進行整合時,出現難以相容甚至彼此衝突的棘手狀況。簡言之,計畫制定者就像下一盤大棋的棋手,必須具備設想三到五手後棋盤上的局勢,並預先做好對應的安排。 要培養這個能力,首先必須要具備路徑依存的概念。事實上,就像下棋一樣,決策者每做出一個決定,同時也會限制未來能選擇的發展路徑,這就是所謂的路徑依存。 用比較容易理解的情況來解釋,當某家製造業者選擇某種網路技術來搭建廠區的工業物聯網時,日後新增的節點設備就必須要支援同一種網路技術,不然新舊設備可能會出現難以相容的問題,除非是刻意要打造多個網路,並且讓不同網路保持獨立運作狀態。 同樣的,當業者選定了某一個雲端平台後,就會被該平台的應用生態系綁死,除非不同平台之間有規劃完善的轉換機制,否則要把原本建立在某一平台上的應用搬遷到另一個平台上,會是一個大工程。 雖然目前各家解決方案供應商都高舉開放大旗,但開放跟封閉是相對的觀念。過去工業設備跟相關軟體解決方案產業是極度封閉的,許多大廠牌都有自己的資料傳輸、控制命令協定,只能跟自家的其他產品互通。現在的情況則稍有轉變,從單一品牌通包變成各品牌彼此結盟,共建生態圈。 跟完全只能用單一品牌業者的情況相比,現在的情況當然是比過去開放,但這所謂的開放,其實也只存在於同一陣營或產業聯盟間,跨陣營的互通還是會很容易出現問題。 展望未來,工業領域的設備跟軟體供應商,除了少數特殊情況,將越來越難用自有標準綁客戶,因為整個產業的趨勢是越來越開放。對製造業者來說,此一趨勢固然是有利的,但製造業者還是需要對技術的路徑依存問題提高警覺,畢竟新舊設備不相容,在強調萬物互聯的物聯網時代,會造成更嚴重的問題。 當然,只要市場存在跨廠牌/跨陣營設備整合的需求,自然就會有對應的供給出現,這也是實務上很少有製造業者會整條生產線採用同一品牌設備的原因。協定轉譯、機台改造等軟硬體解決方案,都已經行之有年,也是用戶得以避免被供應商綁死的巧門鎖在。 另一方面,雲端運算是製造業數位轉型中新出現的元素,很多製造業者對此並不熟悉,因此在選擇服務供應商時,常會忽略了服務供應商轉換的隱形成本。雲端平台其實也是一個個生態系彼此競爭的市場,有些服務供應商為了挖對手的牆角,會提供對應的轉換工具,降低用戶平台轉換的成本。但不同的雲平台終究有不同的生態系統,有些應用或工具就專屬於某一平台。 當用戶還停留在資料可視化階段的時候,不同平台之間還看不太出差異,但如果用戶要發展更進階的資料分析工具,或是尋找現成可用的第三方應用時,就會有很明顯的感受。這也是為何Google的雲端服務幾乎橫掃個人用戶市場,但在工業雲上的能見度跟市占率,會遠不如微軟(Microsoft)、亞馬遜(Amazon)等其他雲端服務供應商的原因。 企業運作不能脫離基層 現場人員意見不可少 雖然數位轉型必須要由上而下推動,且主事者的意志跟計畫品質良窳攸關整間公司數位轉型的成敗,但有意推動數位轉型的企業管理高層,除了要時時刻刻從KPI與ROI兩個面向來思考問題,並小心避開路徑依存陷阱之外,也必須懂得聆聽第一線人員的聲音,方能避免錯誤的決策。 第一線人員不僅是設備的直接使用者,同時也是最熟悉製造流程中諸多細節的人。如果製造業的數位轉型計畫完全是由管理層由上而下推動,基層人員的想法或建言沒有納入,會很容易出現盲點。由下而上跟由上而下兩條路線同等重要。由上而下的推動,重點在讓全體員工了解企業數位轉型的大方向要怎麼走;由下而上的推動,則是要為了抓緊細節,避免企業的數位轉型計畫不接地氣。 也因為第一線人員的參與,對企業數位轉型的成敗十分關鍵,如何讓公司從上到下都了解數位轉型的真實面貌,進而為組織轉型做出貢獻,是非常重要的。 資料透明化是實現數位轉型必要的基礎建設,但資料透明不是人人都喜歡的事情。資料透明意味著企業的管理階層可以清楚掌握製造現場的狀況,甚至做到即時管理,這對基層員工來說是有壓力的。舉個最簡單的例子,沒有人希望自己上班時的一舉一動都被老闆盯著看。 另一方面,做產線主管的人,在資料透明化之後,自己的管理思維也得跟著改變。看到蜂擁而來的即時資料,其實管理者也不輕鬆。因為有資料,當中階主管的人會比過去更容易落入微觀管理(Micro Management)的陷阱。製造業固然是非常講求工作紀律的產業,但如果主管不分大小事都要介入,結果肯定是吃力不討好。 總結來說,企業要進行工業4.0或數位轉型,不只是導入工業物聯網或是把資料傳到雲端去做大數據分析就好。技術面的問題容易解決,組織文化跟管理風格的問題比較難解。因此,如果企業內部已經有資料驅動的文化跟機制,只是資料的取得還沒有那麼自動化,推動工業4.0會比較單純。但如果企業本身還沒有建立起重視文件記錄跟用資料做決策的文化與運作機制,導入工業4.0就會牽涉到組織文化的變動,這才是真正的挑戰所在。
0

提高連接器空間強化密度 資料中心電源管理效率大增

對於現代的連接器設計來說,一方面對電源的要求一直在穩步提升,也因此,令解決空間和發熱問題亦變得越來越重要。 如今,全球每分鐘的網路傳輸量將近9,000萬筆,也就是每秒鐘150萬次。全部的電子郵件、應用下載、視訊傳輸、社交媒體互動,以及零售購買等,都是透過一個全球性的資料中心網路而實現的。在交換機、路由器及冷卻設備所構成的網路的支援下,這些資料中心可以容納多達10,000台的伺服器,而這一切設備都要依靠越來越多的電力才能良好運行。 根據研究單位預估,美國資料中心的耗電量每五年就會倍增,這樣,對於支付電費的資料中心業主、必須根據需要提供電力的電氣公用事業部門,以及關心著大規模發電所產生的廣泛影響的政府官員們來說,電力的消耗速度正越來越多,相當值得關注。 向資料中心輸送電力的網路,同時也在向家庭和商業供電;然而,儘管美國家庭一般是使用220伏的電力,資料中心卻必須採用數千伏的電壓才能滿足處理器執行在電力上的巨大需求,這些處理器在計算能力上處於核心地位,推動著網際網路的運作。 轉換與分配決定電源架構效率 資料中心採用一種稱為「電源單位效率」的方法來評估電源架構的效率,此方法也稱為PUE。 PUE是將輸送到資料中心的總功率除以輸送到關鍵負載(伺服器)的功率,而理想的PUE值為1。舉例來說,1.7的PUE意味著,每向負載輸送1瓦的功率,在配電和冷卻上就要損失掉0.7瓦。根據報導,2018年對資料中心測得的PUE水準在1.6左右。 最重要的轉換過程之一就發生在機架上。為了達到所需的計算能力,會需要數千台的伺服器。除了伺服器以外,還要利用交換機來管理伺服器之間,以及從伺服器到外界的通訊。 在大量的電力所輸送到的機架上,容納著30~35台的1U伺服器,這些伺服器越來越多地利用3,000千瓦的供電機組(PSU)來供電。 PSU通常位於機架的底部,可以將電力轉換成電壓水準各不相同的電源軌。以208伏直流電壓進入到PSU的電力將轉換為3.3、5和12伏的電源軌,從而滿足伺服器和交換機內部各種不同元件的需求,例如含處理器的主機板、適配器卡和顯示卡、PCIe和記憶體等等。 此外,機架中還會容納提供冷卻氣流所需的大量風扇。輸送到伺服器的很大一部分電力都會轉換成熱量。在電力從交流轉換成直流,以及從直流轉換成直流的過程中,在轉換過程中自然而然會發生這種熱損失。 封裝/熱為功率管理兩大挑戰 對這種與日俱增的功率進行管理,在涉及到封裝空間和熱管理的時候,就會產生巨大的挑戰。儘管對電源的需求一直在穩步提升,為電源以及背部的重要連接器分配的空間卻並沒有發生過變化。 回到伺服器部署的早期時候,伺服器系統基礎設施(SSI)要求使用400~600瓦的電源,而電源I/O則會使用4~6台葉片式電源,其中每個葉片的額定電流為30安,從而將所需的功率輸送到伺服器。時至今日,對於連接器企業的要求則是電源I/O在相同空間內承載的電流能夠達到以前的三倍。 基準性的規範可能會需要6~8台葉片式電源,其中每個葉片能夠承載70~80安的電流,並且溫升(即T-rise)不超過30度。在確定這類電源連接器的額定值時,對電流進行測量可以作為一種很直觀的方式。 然而,溫升的測量則極其的複雜,像是連接器內部熱電偶的位置等問題,會對溫度的測量產生影響。PSU中線路層含銅的印刷電路板、線路層的厚度以及體積上的設計,都會與溫升有關。在熱評估過程中,往往會觀測到熱量從印刷電路板傳遞到連接器,由於連接器的供應商並不希望使連接器起到散熱片的作用,這就引起了一場關於適當的熱平衡的討論。 加強連接器密度降低資料中心成本 連接器的設計人員現在不得不去考慮各種具有創造性的熱量和電流管理解決方案。儘管在連接器的額定值計算中不能將氣流考慮在內,目前在外殼中經常會設計通風功能,以便耗散掉熱量並防止過熱。 由基礎物理學得知,為承載更多電流,需要的只不過是更多銅材料。在銅合金領域取得的進步可以提高導電性,但這些進步並不會跟得上對更高電流密度的需求。同樣,觸點設計上的改進可以改善PSU介面和連接點之間經常發生的功率損耗的情況,這種連接點可能是互連系統的插入部分,有時候也會是印刷電路板的卡邊緣,但是並不能依靠這些改進成果來顯著的提高電流密度。 廣大的客戶目前正要求連接器的設計人員來減小電源觸點之間的中線間距;然而,縮小間距會在印刷電路板的體積上以及連接器本身的內部造成相互發熱的問題。 連接器在過去40年來主要圍繞著提高密度而發展。但是,業界現在正走向另一個階段,那就是必須考慮增加空間以提高功率,或者是對用於評估連接器效能和額定值的慣例進行檢驗。據認為,資料中心的電效率每提高1%,就會節省數以百萬美元計的成本。由於節省成本的潛力是如此之大,在資料中心的業主、電氣公用事業的提供商以及政府官員之間的活躍討論當然還會繼續進行一段時間。 (本文作者為Molex電源產品總監)
0

強化訊息獲取能力 5G車聯網駛向自駕之路

聯網化是近年車輛發展的重點之一,根據產業調查機構研究指出至2020年聯網車輛將增至6,100萬輛;2016年車聯網市場產值突破190億美元,2015至2020年的年均複合成長率高達31.5%,2020年將進一步突破500億美元。車聯網(V2X)可分成車對車(V2V)、車隊基礎設施(V2I)、車對人(V2P)等幾個類別,尤其5G的R16技術標準,將是第一版5G C-V2X技術。在先進駕駛輔助系統ADAS已大量搭載到市售車上之後,車聯網可以進一步強化車輛獲得訊息的能力,為車輛安全性再加值。 包括入門的自動緊急呼叫與道路故障救援服務,未來透過車聯網還可以讓汽車更智慧化、個性化;車聯網技術主流為3GPP主導的C-V2X和IEEE發展已久的802.11p專用短距離通訊(DSRC)。在自駕功能朝向Level 3與Level 4等高階功能發展的過程中,車聯網導入應用將越來越普遍,本活動剖析5G C-V2X、DSRC技術標準發展動態,並分享車用網路的應用發展趨勢與產業商機。 車聯網應用首重反應時間 車輛聯網由來已久,近年來比較嚴格的定義為車輛主動通訊技術,事實上,車輛通訊架構非常複雜,工研院資通所車載資通訊與控制系統組副組長李夏新(圖1)指出,目前已經有許多車輛通訊在運行當中,並透過不同的技術滿足不同的任務與需求,美國汽車工程師協會(SAE)就推動訂立了基本安全訊息(Basic Safety Message, BSM),包括車輛的位置、方向、速度、行駛軌跡,成為產業共通標準,讓車輛訊息可以溝通。 圖1 工研院資通所車載資通訊與控制系統組副組長李夏新指出,反應時間就是車聯網最重要的技術指標。 除了車對車通訊的V2V之外,基礎建設與車輛的通訊V2I重點包括:地圖訊息與SPaT(Signal Phase & Timing)的路口交通號誌資訊。李夏新直言,車輛在路上行駛,速度動輒上百公里,而且馬路上突發事件瞬息萬變,反應時間就是車聯網最重要的技術指標,目前的多項無線通訊技術中,只有WAVE/DSRC可以滿足主動式安全對於反應時間的需求。一般而言,交通訊號違規警告(Traffic Signal Violation Warning)約0.1秒,彎道車速警示(Curve Speed Warning, CSW)約1秒,緊急電子煞車警示(Emergency Electronic Brake Light, EEBL)約0.1秒,碰撞前感測(Pre-Crash Sensing)更僅約0.02秒。 工研院近年也利用現有軟硬體技術,發展一系列智慧道路安全警示系統iRoadSafe,李夏新解釋,該系統的運作原理與流程為,使用雷達與光達偵測車輛與行人,接著路側運算單元與車輛運算單元會根據接收到的感測訊息,推估碰撞的可能,分別透過路側安全警示與車內安全警示發報警告,提供行人或駕駛預警,降低事故發生風險,再將資料上傳至後台儲存。 C-V2X R17版本改善延遲性 DSRC目前雖能提供較低的反應時間,滿足預防碰撞警示、隊列行駛(Platooning)與部分先進駕駛輔助功能,但傳輸速率僅達27Mbps,4G LTE...
0

專訪高通執行長Steve Mollenkopf 2020年消費者難拒絕5G手機

Mollenkopf指出,5G的快速發展,一部分跟消費者希望有更快的傳輸速度有關,另一部分則是電信營運業者的大力推動,5G有兩大優勢特別受到電信業者的青睞。 首先,相較於4G,5G傳輸更有效率。Mollenkopf說明,5G使電信業者能夠因應持續上升的無線影音傳輸需求,滿足消費者對行動影音服務的龐大胃口;不僅如此,5G網路傳輸影片成本大約是現今技術的30分之1,且5G標準可以與新的無線電頻寬相容,提供更多創新服務,有時還能與有線寬頻競爭。 其次,5G將能串聯所有事物,讓各行各業實現數位化,像是以安全的方式遠端操控裝置,這是行動技術首次符合產業需求,不僅適用於消費者,各產業如醫療保健、教育、智慧城市等領域都能導入5G技術。 Mollenkopf指出,消費者和產業對於數據的需求正在急劇上升,若電信業者沒有良好的5G部署策略,將會在這波5G浪潮中處於落後的位置,且永遠無法追趕上領先者。而高通在這波5G浪潮中,扮演的不單單是單純的晶片製造/供應商,而是研發基礎技術的企業,不僅和各行業分享各種標準,也會提供支援的晶片,藉此發展能讓產業大規模應用的無線技術。 簡而言之,Mollenkopf認為,5G使電信業者能滿足大量數據傳輸需求,有了5G之後,消費者可以擁有更好的行動裝置體驗,不論是軟體更新、行動串流媒體、隨時更新個人社群等。到了2020年,5G將更加無處不在,不購買5G手機對消費者而言將是件困難的事情。 行動通訊晶片供應商高通執行長Steve Mollenkopf表示,5G讓消費者享有更快速的傳輸體驗,2020年消費者很難不買5G手機。  
0

專訪工研院機械與機電系統研究所所長胡竹生 創新智慧機械成果助力台灣升級

工研院機械與機電系統研究所所長胡竹生表示,隨著產業轉型、社會消費型態改變,全球機械產業面臨少量多樣的生產挑戰;面對當前客製化的新生產模式,在在需要智慧製造技術,來增進生產效率和品質。而研發型法人一直是機械業的好夥伴,工研院開發高階且跨領域的創新機器人技術,譬如整合多功能的機器人與檢測系統,並投入機器人聯網標準的研發,希冀成為產業最佳後盾、讓工廠製造流程更自動彈性,打破智慧製造的升級瓶頸。 據悉,智慧砂帶機與亮面瑕疵檢測系統具備三合一多功不占空間的特色。過往的水五金產線的砂帶機,通常一台只有一種功能,僅能研磨或拋光。然而,新發表的智慧砂帶機配置兩種粗細砂帶,搭配亮面瑕疵檢測系統,能一台完成由粗到細的研磨、拋光及檢測瑕疵。 同時,砂帶機具備多接觸輪設計跟旋轉平台,能改變砂帶形狀、寬度跟角度來符合各式工件形狀,還可旋轉砂帶機台配合機器手臂研磨,減少研磨死角;而亮面瑕疵檢測系統結合人工智慧(AI)影像檢測,有助判斷工件是否有瑕疵、降低人工檢查時間。 至於線上即時3D視覺檢測系統,則是透過「雙眼」齊視的特色,提升視覺檢測效率。傳統機器手臂採用的檢測設備,通常僅具備2D或3D視覺檢測功能,不但面臨檢測時間長、耗費人力操作,還只能檢測小型零組件如手機元件,無法檢測大型工件。而線上即時3D視覺檢測系統結合機械手臂,可同時進行2D跟3D視覺檢測,更能檢測大範圍、高曲度的工件,在單站即能完成多樣化產品檢測需求,可應用於航太、車輛運具零組件、模具射出、沖壓成型產品的檢測。 工研院機械與機電系統研究所所長胡竹生表示,工研院開發高階且跨領域的創新機器人技術,助力業者實現高階智慧製造。  
0

AI衍生大量儲存/運算需求 記憶體速度/密度/頻寬再進化

人工智慧(AI)革命不僅僅是工業系統的自然發展,更是資料經濟中為突破瓶頸的必要改變:針對無法儲存並及時處理龐大資料量以產出得以輔佐決策資訊的困境,這是必要的解方,而這一切都源自於大量擷取及收集的工業生產數據。 過去工業系統在進行各層級決策時仰賴專家協助,也相當倚賴資料處理速度與頻寬技術的進步,而未來人工智慧架構內建的平行處理將更著重記憶與儲存之設計與表現,改變幅度之大前所未見。從邊緣到資料中心所採用的感測器及人工智慧系統都為了因應全新需求必須不斷調整改變,而這也將是資料經濟中推動競爭力的關鍵所在。 隨著人工智慧與機器學習技術持續演進,這樣的發展對於解決方案提供者亦形成挑戰,大幅改變其對需求及使用場景的期待。因此,為了因應不斷改變的需求並幫助未來智慧系統的發展,記憶體與儲存硬體的設計必須將人工智慧也納入考量。 本文將探討現今與未來人工智慧的價值及限制。記憶體與儲存系統將如何提升人工智慧效能,以加速新資料經濟的成長,是目前需迫切關注與討論的議題。 AI系統可根據即時資料快速決策 囿於今日資料處理系統的侷限,目前仍有龐大資料未獲AI運用。不過,更多資料量正被以更快的速度、更低的延遲及更高的解析度被擷取下來。相較於以過往的理論與近似法來處理複雜系統,現在已能利用實際資料集來訓練AI與機器學習的演算法。 在AI系統的全新功能下,今日AI已不仰仗一大批經高度訓練的專家耗費漫長的開發時間進行分析,而可透過經驗累積不斷改進的有機學習系統。除此之外,AI系統經設計後可根據即時資料快速做出決策,並在看似毫不相干的龐雜資訊中找到彼此關聯。 針對龐大的資訊量以及各層級對資料處理的需求,在現今資訊多元的社會中,導入具備廣泛功能的AI系統成了唯一可能的解決方案。因此,必須在邊緣裝置部署AI,以便處理並決定資料價值,接著再將預先處理的資訊傳送至雲端,或將原始資料傳送到更大且功能更強的雲端AI做進一步處理與儲存。對邊緣裝置來說,延遲是關鍵考量,而雲端則更倚賴平行運算、大量儲存及處理龐大資料的能力。 相較於過去的資料處理科技,在新的AI使用案例中,記憶體與儲存的影響力更大。資料處理在早期有瓶頸,因此更著重CPU處理量,時至今日,記憶體的速度與頻寬、資料儲存的速度與資料量則成了採用AI及推動更複雜機器學習運算法和智慧型系統的限制因素(圖1)。 圖1 AI/機器學習訓練中記憶體與儲存之重要性。 AI推動記憶體/儲存加速發展 多元且不斷演進的AI應用在許多方面都推動了記憶體與儲存的需求,包括AI訓練階段、邊緣處理、雲端AI執行等。影響記憶體效能的關鍵因素包括頻寬、密度、延遲、功率與成本。每一個AI應用都需在這幾項要素中取得平衡,也會受到使用的記憶體與儲存裝置影響。 AI訓練需具快速讀取吞吐量的大量儲存支援,更快的儲存讀取速度可加速訓練時間,而更龐大的訓練資料集亦可藉由更高的儲存密度被使用,這些要素最終都將影響AI系統的正確性與效用。此外,高頻寬、高密度的記憶體也能改善訓練時間,並在訓練期間採用更大的分析模型,以提升精準運算及AI的正確性。在訓練中採用更龐大的資料集、龐大的資料量、更強的儲存與記憶體密度、吞吐量等,都會直接影響AI處理結果的真實性,以及在細微差異情境中執行決策的能力。 另一方面,針對AI推論的需求,以及AI於資訊/決策過程中的階層,也會影響記憶體與儲存的要求。對於自駕車、通訊、安全和其他邊緣應用等即時應用,功率和延遲相較於頻寬及吞吐量更為重要。電池充電與行動裝置能支援記憶體與儲存的容量與功率都較小,這類應用也和雲端或AI訓練不一樣,對於邊緣的高效能儲存需求也較低。 智慧邊緣應用勢必得在成本與表現上妥協,儘管高成本與效能的記憶體可能無法迎合大眾市場對於AI應用的需求,但雲端AI與關鍵的AI基礎架構可能需要搭配更高效能的記憶體與儲存。 隨著AI逐漸成熟,記憶體與儲存解決方案將有機會優化。這個產業不管是從資料中心、雲端、或是智慧邊緣運算和智慧端點裝置,各領域的AI部署都將會出現轉變。通常在資料中心進行的AI運算會因「資料重力」而轉往資料來源的AI應用,提供不同的記憶體與儲存服務(圖2)。 圖2 不同任務需要不同的記憶體與儲存方案。 先進記憶體架構為AI開創新機會 目前,記憶體架構正出現一場革命性的改變,各種架構將協助未來AI應用的發展。 如DDR4等動態隨機存取記憶體(DRAM)是資料中心與伺服器應用的主力。為了採用更大量的數據,從DDR4轉換至DDR5將為效能及密度帶來前所未見、更大幅度的改變。可以預見未來多數的資料中心將會使用DDR5記憶體,其中有不少將會執行AI與通訊應用。主因是DDR5的效能預計將更勝DDR4。未來DDR5的優勢包括: DDR通道從12道提升到16道,進而提升記憶體晶片密度(從64GB提升至128GB)。 .工作頻率與匯流排效率提升。 .記憶體群組增加。 .更新機制改善。 .有助於在更高階工作模式中表現穩定的輔助功能。 從LPDDR4轉換到LPDDR5的過程也類似DDR5的轉換,目的在提升記憶體頻寬的同時,降低執行時間使用功率,並採用可減少總功耗的功能。DDR5主要使用在資料中心與個人電腦,LPDDR5則著重於邊緣AI應用與行動裝置等對於體積、成本、功率有嚴苛要求的領域。由於LPDDR5卓越的表現及功率優勢,未來可望突破傳統產業與應用,進一步擴大至其他應用範圍。 GDDR記憶體與DDR記憶體的不同在於圖像應用需要更強大的平行運算及更低的延遲,而非記憶體密度。GDDR5出現已近10年,直到現在才輪到GDDR6上場,而GDDR6規格已完備,將成為AI近期主力。標準的GDDR6速度高達16Gb/s,每晶片頻寬達72Gb/s。GDDR5/5X的電壓為1.5V,GDDR6的操作電壓則降低至1.3V。此外,GDDR6同時配有2通道,記憶體大小是GDDR5的兩倍。相較於GDDR5,GDDR6提供表現更強大的解決方案,鎖定需低延遲與高頻寬的AI應用。因此,GDDR6將更可能運用在AI硬體,並整合到要求延遲低但成本彈性較高的關鍵系統中。 高頻寬記憶體(High Bandwidth Memory, HBM)和混合記憶體立方體(Hybrid Memory Cube, HMC)是為了克服2D DRAM技術的記憶體頻寬瓶頸而研發出的3D DRAM 技術。HBM晶片採用堆疊式DRAM晶片,具備額外I/Q連接埠,根據堆疊式晶片的數量同步增加記憶體頻寬。 記憶體頻寬增加後,更接近處理核心(通常是GPU或FPGA),相較於2D記憶體技術能進一步減少整體延遲。與2D DRAM解決方案相比,HBM記憶體的功耗與2D足跡也更小。 最新一代的HBM(HBM2)在記憶體速度、頻寬、密度等表現都更優異。HBM3也大致相同,但其最高記憶體容量則遜於GDDR5/5x/6。此外,由於HBM晶片有獨特的製造過程並額外採用矽,其成本比其他DRAM技術都更高。 需要更多近記憶體頻寬、速度、低延遲以及少量化足跡的AI應用未來可望採用HBM2/HBM3記憶體。這類應用包括複雜的AI訓練及要求極致效能的關鍵推論應用。 人工智慧解決方案過去聚焦於運算能力,如今我們則了解到在人工智慧系統的設計必須同時兼顧記憶體與儲存的面向。針對可能限制未來人工智慧應用的頻寬、延遲、密度、功率、成本等瓶頸,新一代的記憶體與儲存科技將扮演關鍵要角。 (本文作者為美光運算與網路業務部門資源副總暨總經理)
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -