- Advertisement -
首頁 標籤 智慧製造

智慧製造

- Advertisment -

數位轉型切忌盲目跟風 組織再造/科技導入要同步

Gartner近日提出2020年企業必須了解的十大策略性科技趨勢,分別為超級自動化、多重體驗、專業知識的全民化、增進人類賦能、透明化與可追溯性、更強大的邊緣運算、分散式雲端、自動化物件、實用性區塊鏈以及人工智慧安全性。這些技術看似發散,彼此關聯不高,但Gartner認為,這十大科技趨勢可以用「以人為本」、「智慧空間」兩個主題來貫串。 十大科技趨勢展現濃濃人本特質 這十大技術趨勢中,有些是直接以增強人的能力為主要目的,例如增進人類賦能、多重體驗,有些則是用來打造智慧空間的核心技術,例如邊緣運算跟自動化物件。而目前喊得震天價響的數位轉型或工業4.0,說穿了,也是想藉由新科技導入,讓工作空間變得更智慧,進而提升員工生產力。 Gartner大中華地區資深合夥人龔培元(圖1)表示,2020年Gartner十大策略科技趨勢均圍繞著「以人為本的智慧空間」這個核心概念,也是現今科技發展最重要的面向之一。從思考科技對顧客、員工、商業夥伴、社會或其他重要利益關係人會產生什麼樣的影響,企業採取的所有行動都是為了直接或間接影響這些個人和群體,這就是以人為本的做法(圖2)。 圖1 Gartner大中華地區資深合夥人龔培元表示,2020年Gartner提出的十大科技趨勢,環繞著「以人為本的智慧空間」來貫串。 圖2 Gartner 2020年十大科技趨勢 建立在以人為本概念上的智慧空間,則代表人類與科技系統能夠在日益開放、互聯、協調、智慧的生態系統中進行互動的實體空間,結合個人、流程、服務和物件等多項元素,創造出更身歷其境、高互動率及高度自動化的體驗。 根據Gartner定義,策略性科技趨勢是指正處於有所突破或崛起狀態,且未來可能帶來廣泛的顛覆性影響與更多應用的趨勢;此外,策略性科技趨勢同時也具有快速成長、變動性高且將於未來五年內到達引爆點的特性。 也因為數位轉型的終極目標是要提高生產力,因此,當企業主或管理者在思考數位轉型的問題時,不僅要考慮科技導入的問題,同時也要處理因為導入新科技所帶來的組織改造、文化變革需求。 事實上,做事的方法跟組織文化,對員工生產力的影響絕對不容小看,處理起來也更棘手。科技導入反而是一個比較單純的問題,只要確立了KPI跟轉型方向,科技業界不僅早已備妥許多解決方案,也有很多外部顧問的資源可用。 就製造業的數位轉型而言,龔培元認為,超級自動化與自動化物件是最需要關注的兩個科技趨勢。這兩個趨勢跟智慧製造的發展息息相關,而且很快就會對正在進行數位轉型的製造業帶來影響。 超級自動化跟自動化物件,正好就是技術相對成熟,但因為製造業者本身還沒有想清楚該怎麼導入,KPI該怎麼制定,而難以進一步推動落實的環節。畢竟,在沒有通盤考量跟長期規劃的情況下,貿然推動數位轉型的失敗風險相當高。因此,外部顧問搭配技術供應商的組合,對於推動數位製造,或許將產生更大的助力。 IBM攜手台灣產業鏈 加速數位轉型落實 從全球製造業轉型升級工業4.0到貿易戰引動供應鏈大洗牌,面對前所未有的機會與挑戰,台灣IBM攜手產業夥伴凌華科技、大聯大控股旗下世平集團、台達電子與緯謙科技打造智慧製造生態圈,整合營運技術(OT)、資訊技術(IT)與人工智慧(AI),協助台灣製造業加快數位轉型腳步,讓智慧製造加速落地並實現平行展開。 台灣IBM全球企業諮詢服務事業群合夥人李立仁表示,精度、良率、稼動率是製造業競爭力之所在,涵蓋人員、機器、物料與流程等生產線四大要素,串連OT與IT將是不可或缺的關鍵,也是將AI落實於製造的前提。IBM攜手各具技術優勢及產業經驗的夥伴,打造完整生態圈,合力提供從OT、IT與AI到企業應用系統與混合雲的完整解決方案與專業服務,讓智慧製造真正落地為應用場景,創造可實現的投資效益與可規模化的營運架構。 李立仁指出,目前台灣較具規模的科技製造業者,普遍都已經完成示範產線的建置,但在大規模推廣或平行展開上,卻遇到許多問題。因此,IBM提出智慧製造「5C成熟度模型」(圖3)作為行動藍圖,五個C分別是Connect、Convert、Cyber、Cognitive與Configure,每個階段各自有其關鍵技術與導入工作。例如Connect的重點在布建物聯網/機聯網,Convert則是建置AI大數據平台與邊緣運算,Cyber則要進一步落實數位雙胞胎(Digital Twins),Cognitive則要將重點放在機器學習,最後到了Configure階段,才是建置B2B混合雲跟導入區塊鏈。 圖3 IBM針對製造業數位轉型所提出的5C評估模型 IBM的策略夥伴在5C模型中,著重在解決物聯網連結層設備連網與資料抽取的挑戰以及邊緣(edge)端的應用場景,協助客戶突破將OT數據轉換為IT資料的技術瓶頸,亦即實現前兩個C。IBM則可協助客戶在資料萃取後,進一步打造AI數據應用場景與AI平台,協助客戶逐步落實動態模擬、智慧工廠、動態客製等後續三個C。 凌華科技董事長劉鈞則認為,智慧製造邊緣解決方案最重要的是資料導向為中心的思維,面對多樣化人事物的應用場景,確保OT與IT端安全、穩定、易整合的連接,高效獲取資料資訊;結合IBM豐富的系統整合經驗,協助雙方客戶精準擷取生產線現場稍縱即逝的資料,轉化為邊緣運算的智慧動能。 大聯大世平集團物聯網解決方案部副總經理鈕因任指出,物聯網聚合商的角色是獨特而創新的模式,透過全面的產業視角跟廣泛的供應商觸角,縮短客戶採購與採用相關解決方案所需的時間。我們期望與IBM合作發展物聯網生態圈,以群策群力的方式,共同推動應用標準的建立,這也呼應了我們所屬企業集團大聯大控股在數位轉型的策略方針。 緯創集團子公司緯謙科技總經理夏志豪博士指出,該公司母集團本身在智慧製造的實務經驗,是緯謙的獨特優勢。我們利用數據與數位工具、涵蓋產線、員工及管理階層,協助不同規模的製造業實踐智慧製造。透過與IBM的合作,以及雙方在產品方案和產業應用的互補性,將我們的集團經驗擴大並拓展至新市場。 研華致力發展工業App生態系統 除了透過外部顧問跟技術供應商聯手提供數位轉型方案外,參考個別垂直應用的成功範例,進而微調出適合自己的方案,也是一種可行的做法。畢竟,碎片化是工業應用的特性之一,不同垂直產業所需要的解決方案大不相同,參考成功者的經驗,不僅能幫助製造業者理清頭緒,也能讓相關業者少走許多冤枉路。 在面對工業物聯網極為碎片化的應用困境,研華以發展行業應用的工業App破解現有挑戰,並透過WISE-PaaS工業物聯網雲平台中的「解耦」(de-coupling)再「重構」(refactoring),以模組化及微服務讓行業系統整合夥伴(Domain-focused Solution Integrator, DFSI)更容易擷取並運用功能模組。而為了強化其共創生態圈的戰力,研華也強化其WISE-PaaS Marketplace,推出2.0版本。 研華工業物聯網事業群總經理蔡淑妍表示,為能加速應對工業物聯網困境並促成應用導入,研華工業物聯網事業群於2020年策略方針包含鎖定垂直市場、提升產品技術動能、接軌創新趨勢,完善營運與導入WISE-PaaS Marketplace 2.0,以及加強夥伴深度鏈結、共創思維交流等三大策略方向。 研華技術長楊瑞祥則表示,由於各垂直產業的需求有極大差異,光靠一家公司之力,不太可能開發出滿足各種場景的應用。因此,研華過去幾年一直在倡導「共創」(co-creation)思維,希望與更多夥伴一同合作,開發完整的各垂直產業服務方案。 但在過去幾年的推廣經驗中,研華也發現,目前企業內資料孤島(Data Silo)的情況非常嚴重,從IT到OT,往往都是一個應用一個系統,要實現跨系統間的串接非常困難,因此研華一方面倡導共創,另一方面也開始思考,如何將這些專為特定應用所開發的系統,拆解成一個個功能模組,然後再依照應用場景的需求,重新組合成使用者需要的系統。 這個概念就是所謂的解耦再重構。就像每個人手上的智慧型手機硬體規格大同小異,但上面安裝的App各不相同,使得每個人的手機都是按照自身需求而客製化的系統。在研華的願景中,未來的工業場景也會像智慧型手機一樣,底層有一些共通元素,應用層則充滿各式各樣的工業App,滿足不同垂直產業需求(圖4)。 圖4 針對碎片化的工業App市場,研華提出解耦與重構的概念,以打造出貼近不同垂直產業需求的解決方案。 要實現這個願景,除了要有大量的開發者外,還要有一個媒合使用者跟開發者的交易市集,這也是研華很多年前就已經開始建構的項目。而這次推出的WISE-PaaS Marketplace 2.0,跟先前版本的最大差異,就在於落實了解耦再重構的理念。除了基本共通App,例如邊緣功能模組(Edge.SRP)、中台(Common App)、產業通用App之外,針對不同垂直產業所設計的領域專用App,甚至人工智慧(AI)模組等,會有更清楚的分類,例如智慧製造、智慧零售、智慧醫療等,並加入更多使用者示範案例,讓其他使用者能更快上手,而且在App管理、訂閱、帳務方面也有所強化。 科技導入必須跟著組織再造走 從IBM與研華在製造業數位轉型方面所提出的觀點,不難發現製造業數位轉型所需要用到的技術已經大致到位,真正的問題在於如何導入應用,讓技術得以創造價值。若沒有對應的組織作業流程改造跟組織文化變革,光靠導入新技術,很難達成數位轉型的目標。許多製造業數位轉型的先驅者,甚至早在技術還沒到位前,就已經調整好自身的組織結構跟文化。 因此,真正決定一家企業能否完成數位轉型目標的關鍵,其實是管理者有沒有明確的數位轉型願景,以及是否有計畫地進行對應的組織調整跟文化改造工作。倘若技術先行,組織結構跟文化卻沒有調整,數位轉型不僅無法解決老問題,反而會製造更多新問題。
0

Socionext/鴻海/Network Optix共推邊緣AI智慧應用解決方案

Socionext與全球智慧製造商鴻海及提供創新影像管理軟體(Video Management Software)的Network Optix合作。此款伺服器內建24核心ARM Cortex-A53 SoC,充分發揮ARM處理器在多核心處理和節能的性能。新系統基於人工智能神經網路訓練模型支持邊緣運算、智慧能源、物聯網(IoT)和即時數據分析等不同情境的應用,亦可布建於智慧製造、智慧零售、智慧醫療等產業。 鴻海S次半導體事業群系統晶片與解決方案事業處副總劉錦勳博士表示,Socionext多年來一直是鴻海可靠且值得信賴的技術合作夥伴。在 BOXiedge 的產品布局上與Socionext技術整合,並使用Network Optix的Nx Witness VMS。透過串聯服務產業生態系(Ecosystem)來創造加乘效果,為ARM伺服器市場提供更具價值的軟硬整合型解決方案。 Socionext和鴻海攜手開發BOXiedge是一款高密度運算、無風扇且高效能的邊緣伺服器,其尺寸僅為200mm×200mm(1U),一般使用下僅消耗30W功率。 BOXiedge是工業互聯網AI應用的選擇,因其內建有AI加速卡能提供超過20 TOPS的算力,在物件偵測與分類方面具有出色性能,同時也支持主流的Caffe和TensorFlow等AI軟體開發框架,因此不需要額外的學習時間即可快速上手。為了支持更多的影像處理與即時監控計算等應用,鴻海在BOXiedge伺服器將預載Network Optix的Witness VMS,將可立即支援市面上多款網路相機(IP Cam),提升整體工作效率。 BOXiedge邊緣運算伺服器採用具快速處理能力的Arm-based CPU。除內建高算力的AI加速卡外,同時結合Network Optix的Nx Witness VMS影像管理軟體系統,強化影像監控的即時處理能力與管理;Nx Witness VMS可即時進行多個影像平行輸入處理,並提供許多強大功能且簡易的使用者介面,供使用者來檢視和管理多個輸入 IP 影像串流。Nx Witness...
0

滿足各類垂直產業需求 研華力推App共創商業模式

在面對工業物聯網極為碎片化的應用困境,研華以發展行業應用的工業App破解現有挑戰,並透過WISE-PaaS工業物聯網雲平台中的「解耦」(de-coupling)再「重構」(refactoring),以模組化及微服務讓行業系統整合夥伴(Domain-focused Solution Integrator, DFSI)更容易擷取並運用功能模組。而為了強化其共創生態圈的戰力,研華也強化其WISE-PaaS Marketplace,推出2.0版本。 研華工業物聯網事業群總經理蔡淑妍表示,為能加速應對工業物聯網困境並促成應用導入,研華工業物聯網事業群於2020年策略方針包含鎖定垂直市場、提升產品技術動能、接軌創新趨勢,完善營運與導入WISE-PaaS Marketplace 2.0,以及加強夥伴深度鏈結、共創思維交流等三大策略方向。 研華技術長楊瑞祥則表示,由於各垂直產業的需求有極大差異,光靠一家公司之力,不太可能開發出滿足各種場景的應用。因此,研華過去幾年一直在倡導「共創」(co-creation)思維,希望與更多夥伴一同合作,開發完整的各垂直產業服務方案。 但在過去幾年的推廣經驗中,研華也發現,目前企業內資料孤島(Data Silo)的情況非常嚴重,從IT到OT,往往都是一個應用一個系統,要實現跨系統間的串接非常困難,因此研華一方面倡導共創,另一方面也開始思考,如何將這些專為特定應用所開發的系統,拆解成一個個功能模組,然後再依照應用場景的需求,重新組合成使用者需要的系統。 這個概念就是所謂的解耦再重構。就像每個人手上的智慧型手機硬體規格大同小異,但上面安裝的App各不相同,使得每個人的手機都是按照自身需求而客製化的系統。在研華的願景中,未來的工業場景也會像智慧型手機一樣,底層有一些共通的元素,應用層則充滿各式各樣的工業App,來滿足不同垂直產業的需求。 要實現這個願景,除了要有大量的開發者外,還要有一個媒合使用者跟開發者的交易市集,這也是研華很多年前就已經開始建構的項目。而這次推出的WISE-PaaS Marketplace 2.0,跟先前版本的最大差異,就在於落實了解耦再重構的理念。除了基本共通App,例如邊緣功能模組(Edge.SRP)、中台(Common App)、產業通用App之外,針對不同垂直產業所設計的行業專用App,甚至人工智慧(AI)模組等,會有更清楚的分類,例如智慧製造、智慧零售、智慧醫療等,並加入更多使用者示範案例,讓其他使用者能更快上手,而且在App管理、訂閱、帳務方面也有所強化。 以「解耦與重構」概念為出發點的研華Marketplace 2.0。 楊瑞祥總結說,Marketplace 2.0的改版,是研華共創策略中一個很重要的元素。因此,針對Marketplace 2.0,研華的首要任務是推廣跟普及,不是透過建構應用市集來獲利。唯有市集裡面有大量的開發者跟使用者,有活躍的交易,這個市集才有可能創造出商業價值。當市集發展到這一步時,研華才會開始思考從應用市集獲利。
0

從主觀走向客觀 數位轉型改變決策模式

然而,許多研究都顯示,人的記憶其實很不可靠,建立在記憶之上的經驗自然也是如此。因此,在企業數位轉型逐步落實的過程中,資料決策與經驗決策之間的衝突,必然會頻繁上演。機器收集到的資料跟分析,也不一定完全可靠,特別是在很多數位轉型只做半套的公司中,資料的信度跟效度,會是一個很大的問題。 因此,對於正在推動數位轉型的製造業而言,事實上也不宜太過相信機器給出的資料分析結果,除非對資料收集、分析的方法論,以及許多執行層面的問題有極高的信心。 而這個情況勢必會讓資料決策跟經驗決策的衝突,變成一個更難解的問題。 資料採集/分析可靠嗎? 先問執行與方法論 一般來說,拜感測技術進步之賜,現在用資料採集設備取得的資料,都有相當高的可信度。但對製造業應用而言,因為感測器通常是安裝在遠比感測器要大上幾十倍的機台設備上,因此,感測器裝在何處?如何安裝等技術細節問題,都可能會影響到感測器取得的數值。 此外,就像機台某些零件在持續運作的過程中,會有飄移、老化等問題,感測器本身其實也會有飄移跟老化現象,特別是在某些極端嚴苛環境或特殊應用領域,感測器有時本身就是一種近似耗材的設備,需要定期細心維護保養。 因此,當製造業的數位轉型計畫執行到一定階段,開始有資料收集、分析能力之後,管理者最該嚴格檢視的是這些感測器資料的信度與效度。如果感測器得到的資料本身就有信度跟效度問題,就不用談更進階的資料決策了。 除了與感測器有關的問題外,有時機台參數的設定,也是隱藏魔鬼的細節。有些機台會不斷把生產過程中記錄下來的參數儲存起來,以建立生產履歷。然而,有些工站的操作員為了追求帳面上的良率數字好看,或是盡可能減少停機維護的時間,提高生產績效,會把製程參數的容許範圍設定稍微放大,其結果就是產出品的公差範圍會跟著變大。但由於容許值設定被調整過了,因此設備錄得的資料,表面上看起來是一切正常的。 如果後站對來料公差的容許值夠大,或是後站的加工程序不會讓公差進一步擴大,這通常還不成問題。但如果後站本身對來料公差的容許值很低,或是加工程序會進一步擴大公差,其結果就是半成品在經過幾道製程步驟後,不良率會突然竄升。這對於仰賴資料做決策的生產人員來說,會是一個很棘手的問題,因為產品加工的良率突然下滑,原因不是發生在良率突然降低的工站,而是前面幾站就已經有問題了。 通常,產線作業員不應該有這麼大的操作權限,可以調整這類參數設定。但有設備業者表示,把機台管理權限下放給作業員,是很多製造業者都會做的事情。因為若把管理權限設得太嚴謹,甚至中央統一控管,則機台發生任何問題都要靠產線領班或產線工程師處理,這些管理者會疲於奔命,產線運作也會不順暢。 這也衍生出一個問題,為了追求生產效率,每個產線一定都有標準作業流程(SOP),但當企業開始推動數位轉型時,已經建立的SOP很可能是有問題的,必須重新進行梳理跟檢視。PCB大廠臻鼎的董事長沈慶芳就曾說,該公司的智慧工廠發展策略分成集合、整合跟融合三個階段。 在集合階段,最重要的工作就是對現有作業進行梳理,確定SOP是沒問題的,然後才是開始導入自動化、模組化生產,並引入精密控制、視覺整合等技術。把集合工作做好後,進入整合階段,才開始建構IT系統,導入生產追溯、品質追溯、資訊串聯、工程改善等機制,技術方面則開始推動設備連接化及產品輸送智慧化等技術。 到最後的融合階段,臻鼎才開始聚焦在解決運作痛點,追求生產品質提升、智能生產排程,並導入EDA跟大數據分析、AI、機器學習等技術。 從臻鼎分享的經驗來看,對於剛開始導入資料決策模式的製造業者來說,應該反覆追問的問題有二:一、產線設備所收集到的資料可靠嗎?二、分析人員有足夠的能力,從資料的表象中看出真實問題所在嗎? 在半導體產業,特別是在前段晶圓製程,因為自動化跟機聯網已經導入多年,加上產品製造過程中,對於任何參數飄移或公差的變化都非常敏感,因此晶圓廠跟設備業者都已經發展出一整套用來確保資料品質的方法論,並落實在設備的日常操作跟管理上。但對於其他製造業來說,要一步做到這個水準,可能是相當困難的。因為這不只是技術問題,也是管理政策跟組織文化的問題。 數位轉型需與組織文化再造連動 在數位轉型推動初期,企業管理者最需要關注的,是資料品質跟資料分析能力的問題。高品質的資料是產出高品質分析結果的必要條件,但光有高品質資料是不夠的,還要有具備領域知識的資料科學家來分析,才能產出高品質的分析結果,進而做為管理階層決策的參考依據。 旺宏電子早在1991年就開始發展自家的sNOVA系統,在那個人工智慧還只是學術理論的年代,為何旺宏就開始投入開發自己的數據分析平台?旺宏資深處長涂凱文給出了答案:為了把工程師腦袋裡面的Know-how用資料分析的手段保存起來。 旺宏的主力產品雖然是唯讀記憶體(ROM)、NOR快閃記憶體等利基型產品,但同樣會受到記憶體產業景氣循環的影響。在記憶體產業景氣不佳的時候,很難開出有競爭力的薪資留才。因此,旺宏的管理層思考出一套做法,想藉由資料分析把工程師腦中的知識固化成資訊系統,歷經二十多年的累積演變,才成為旺宏今天引以為傲的sNOVA平台。 在sNOVA逐步發展的過程中,一開始公司內部確實有懷疑,因為當時大數據分析的概念還沒出現,人工智慧更只是學術研究的題目。很多人都會懷疑,真的能靠資料分析來維持半導體廠的營運嗎? 但在旺宏管理層的堅持跟主導下,旺宏的資訊部門開始一步步推動,從最基本的布建感測器、進行資料蒐集開始,到後來建立起廠務、製程控制、設備機台壽命等各式各樣的統計模型,並據此預測廠務設備調度需求、晶圓瑕疵趨勢、機台故障預兆診斷等,證明模型準確度高於人基於經驗法則的判斷後,現在公司的大小管理階層都已經養成靠統計資料做決策的習慣。 涂凱文回憶說,這一路走來有許多不足為外人道的故事,例如一開始在做機台改造,布建感測器的時候,因為IT團隊懂統計、數據分析跟寫軟體,不是半導體製造專家,根本不知道要收集哪些資料,就算收集到,資料品質常常也很差。如果不是製程團隊、廠務團隊的協助,幫IT團隊畫重點,sNOVA是不會成功的。 另一方面,在確定資料品質可靠之後,IT團隊如果只停留在資料可視化,沒有進一步發展出輔助決策系統,這樣的IT團隊只會製造問題,而不是解決問題。旺宏sNOVA平台現在每天會記錄超過40億筆資料,產出數十萬張圖表,如果沒有靠機器系統幫忙過濾,聚焦在異常徵兆或現象上,完全靠工程師人力判讀,絕對會變成災難,並引發公司內其他部門的不滿。如果不做資料過濾、不做分析預測、不做決策輔助系統,那不如不要做智慧製造。 旺宏的成功故事,對其他有意發展智慧製造的製造業者,至少可以帶來四個啟示: 一、由上而下的充分授權跟支持,讓IT團隊可以好好做事。 二、現場團隊必須跟IT團隊緊密配合,才能幫助IT團隊把系統建置好。 三、IT團隊必須要發展出決策輔助系統,並證明系統判斷的準確率高於人基於經驗的判斷。 四、使用者必須養成基於資料做決策的習慣跟文化,否則空有系統也沒用。 第三點跟第四點是許多製造業者在推動數位轉型時很容易落入的陷阱。如果IT團隊只做資料可視化,沒有進一步將資料梳理成可以決策輔助的資訊,這種數位轉型只是半成品,對企業營運的幫助有限,甚至反而會製造組織內的衝突。另一方面,如果決策輔助系統已經到位,但管理者仍未建立依照資料做決定的習慣,決策輔助系統的建置自然失去意義。 管理者的責任:善用KPI工具 企業要成功推動數位轉型,建立起資料決策的企業文化,最重要的其實不是技術。事實上,智慧製造或數位轉型,除了數位雙胞胎(Digital Twins)的建置涉及到複雜且授權費用不低的專業模擬軟體外,絕大多數台灣製造業目前正在推動的數位轉型,所使用的工具跟技術都是很成熟的,有些甚至還已經是開放原始碼的免費軟體。 舉例來說,很多產線設備上都有人機介面(HMI)設備,作業員每天上班的工作內容,就是進行重複的資料輸入操作。但這種重複輸入的工作,早已可用按鍵精靈這種隨手可得的免費軟體來處理,只是工程師可能要會撰寫腳本。 因此,在探討技術問題之前,企業管理者必須先釐清自家公司的數位轉型目標究竟為何,推動過程中如何創造有利的「人和」條件,讓公司裡的各個部門都願意通力合作,完成必要的系統建置。最後才是談技術相關的問題。創造人和是數位轉型裡最艱鉅的挑戰,因為數位轉型通常都是為了提升企業經營效率、導入自動化,而這對員工來說,是很有威脅性的--飯碗可能會因為自動化而不保。 至於對中階管理者來說,從主觀決策轉向資料決策,某種程度上意味著自己過去累積的經驗將變得沒有價值,儘管事實上並非如此。沒有人的智慧,不會產生人工智慧,但害怕自己被取代,是職場人的生物本能。因此,管理者必須設法排除這些非理性因素對數位轉型的干擾。 還有一種情況是製造業在進行數位轉型時常出現的問題:KPI目標的矛盾。對製造主管來說,產能利用率跟生產效率是最重要的績效指標,但在建置決策輔助系統時,除非是新建廠房,否則幾乎無可避免地會涉及機台停機改造、布建工業物聯網等基礎建設的施作。此外,IT團隊不是製造領域的專家,要讓IT團隊理解製造現場的狀況,影響生產良率跟機台健康狀況的關鍵指標為何,現場的專家團隊必然要提供額外指導,這也會影響其工作。 如果要讓IT團隊跟其他現場專家團隊合作無間,在進行數位轉型的過程中,企業管理者必然要調整現場團隊的KPI設定,讓這些專家得以暫時放下效率至上的思維,把心力跟資源放在跟IT團隊合作上。如果KPI設定不調整,對現場狀況完全不懂的IT人,會是製造專家團隊的包袱。
0

邊緣運算話題正夯 邊緣伺服器發展大異其趣

這五項邊緣運算伺服器的發展趨勢分別為:「超融合技術與功能介面整合」、「靈活運算架構與節點多層化」、「軟體定義與虛擬化技術強化」、「開放化硬體架構與軟體堆棧」、「小型與防震型等環境適應力」。上述趨勢將持續牽引2019年第三、第四季之後的邊緣運算伺服器產品,與整體產業生態系的發展走向。 超融合技術與功能介面整合 智慧聯網需求差異性高,邊緣位置必須在離線、沒有核心數據中心的支持情境之下,還能夠獨立執行現場的分析、分派任務;此外,為了讓客戶或使用者可以更加便捷地使用伺服器設備,因此,如何降低使用的成本與使用複雜性成為關鍵因素,這也推動邊緣運算伺服器產品朝向「超融合」(Hyperconvergence)發展。 包括思科(Cisco)的PowerEdge R740、XR2與聯想的ThinkSystem SE350等產品皆應用了「超融合」來陳述自身的產品,大約可以分為兩種主要內涵: 第一,運算、儲存、網路功能的超融合,此三種技術的融合形成了「超融合基礎建設」(Hyperconverged Infrastructure, HCI),此一架構具有快速布署、彈性擴充特性。 第二,隨著現場數據量的大量增加,並且在運算成本的考量下,藉由分散式系統軟體,將多個邊緣運算伺服器形成「叢集」是相對較佳的解決方案,然而,此一種叢集化的解決方案,賴於是否能依據現場的環境資源與使用模式(如工控、電源配置模式),進行靈活性調度與處理,這進一步推動了資訊技術(Information Technology)與操作技術(Operation Technology, OT)的融合,邊緣運算伺服器便是融合的載體。 上述兩項內涵之中,又以IT、OT的融合最為重要,其更被視為邊緣運算能否在不同「現場」(Field)進行大規模布署與管理的關鍵因素,尤以是在設備、次系統數量愈多、愈複雜的場域,更尤其需要IT、OT端的融合。「超融合」的發展趨勢之下,除了將影響了邊緣運算伺服器產品設計,也將整合企業內部IT、OT(如工業控制)原先屬於不同部門的合作與分工模式。 靈活運算架構與節點多層化 邊緣運算伺服器與傳統地方型伺服器的差別之一,在於邊緣運算伺服器所強調的並非封閉性的系統情境,而是可以按照不同的設備、通訊需求,進行多層的運算架構設計;也就是藉由數據、服務品質來判斷資訊數據分析與運算位置,並且因應不同的事件類型,運算位置可在雲端、邊緣來進行靈活性的調整與分派。 AWS的Snowball Edge產品,便是靈活型運算架構的具現,然而,不僅AWS此種雲端服務提供商,幾乎所有邊緣運算伺服器布局業者,皆強調「伺服器」是介於雲端、終端之間的「節點」。屬於「雲端服務提供商」、「網通設備提供商」的不同業者,對於靈活型運算架構有兩種不同內涵: 第一,雲端服務提供商,對於邊緣運算伺服器功能,特重於雲端與邊緣的資料遷移能力,對於雲端服務而言,邊緣運算伺服器所能提供的服務,較類似於「朵雲」(Cloudlets),也就是考量客戶負擔的成本,以及就近客戶布署的需求,所創造的雲端服務延伸。 第二,網通設備提供商,對於邊緣運算伺服器的功能,則較強調現場基礎建設建構,因此,相對於雲端服務提供商,比較側重於如何藉由「叢集」來串聯終端的運算資源池。 上述兩項不同的內涵,在2019年之後已有匯流的情況,並且「雲端服務提供商」、「網通設備提供商」在5G、智慧製造等情境之下,已有日益增加的策略合作。不過,值得注意的是,不同使用情境的設備、數據異質性差異甚大,因此不同的服務情境將會有不同的層級架構,如何掌握現場設備數據生成與傳輸特性,藉由擬定「數據政策」來設計多層級運算架構,會是延伸課題所在。 軟體定義與虛擬化技術強化 藉由邊緣運算功能介面來觀察,可以發現邊緣運算與雲端運算,架構上最大差異之一在於邊緣運算除了有「垂直」層級關係,亦有「水平」層級關係,然而複雜層級關係已非傳統伺服器、閘道器、路由器所能因應,因此「虛擬化」與「軟體定義」便成為依賴的技術選項。 包括研華、Supermicro、聯想等對於自身邊緣運算伺服器產品的陳述,皆直接聚焦在虛擬化、軟體定義兩項技術,兩者主要目標,皆是希望超過硬體限制,讓整體網路中的運算效率提升。兩項技術內涵縱然不同,但彼此卻密不可分。 虛擬化技術,可以進一步將運算、儲存與網路資源虛擬化,在邊緣的位置上形成一個資源池,最常應用的是網路功能虛擬化(Network Functions Virtualization, NFV),其將網路節點分割成為數個功能區塊,有利於動態規劃「封包傳輸路徑」,達到動態負載平衡。 軟體定義技術則可以視為是整體基礎建設的軟體控制機制,藉此可以將上述的「虛擬資源」分配給資源取用者,可進一步分為軟體定義網路(Software Defined Storage, SDS)與軟體定義儲存(Software Defined Network, SDN)。 虛擬化與軟體定義技術被視為5G電信數據封包核心網路(Evolved Packet Core Networks, EPC)的主幹,會有這樣的演變,除了設備異質性提高之外,主要推動力是服務提供商必須針對不同使用者需求,來彈性設定傳輸網路與傳輸路徑。邊緣運算伺服器作為基礎建設重要的節點,需要支援或具備「虛擬化」與「軟體定義」技術,讓整體網路更具備彈性化與可擴充性,同時也可降低運算基礎建設的建置成本。 開放化硬體架構與軟體堆疊 強調去中心、分散化的邊緣運算架構,也嘗試定義新的產業生態系,而受到開源文化影響開放硬體、開源軟體思考逐漸被電信服務提供商、雲端服務提供商所接納,影響下世代邊緣運算伺服器產品設計思考,主要目標在於建構具有協同作業的架構與環境,以及增加設備與平台的互通性。 諾基亞(Nokia)在2018年提出的Airframe Open Edge...
0

敬邀參加11月20日「數位工廠與智能化機台創新論壇」

從OT層的感測器與驅動,到IT層的機聯網與工業雲,透過最新工業網路技術,全面整合。台灣工業網路協會將與國立勤益科技大學攜手舉辦創新論壇,邀請各家工業及網路領域的領到廠商與專家,為您帶來數位工廠及工業物聯網的最新趨勢與概念,協助您邁向數位聯網新世代。 數位化是工業4.0的重心,是企業轉型不可或缺的一大關鍵。台灣工業網路協會將透過此場創新論壇,攜手各家工業及網路領域的領導廠商與專家,分享探討最新趨勢,多元主題包含從工業網路的重要性到未來的展望, 智能化機台怎麼實現與怎麼整合OT層的感測器與驅動,到IT層的機聯網與工業雲。讓您透過新世代軟硬體,增強現場機台功能、產線以及優化製程,更可同步了解工業網路10年內的未來走向與網路安全的重要性。 現場將設置專業的實際應用展示,讓聽眾直接體驗與了解。誠摯邀請各位一同前來共享盛會!本次活動日期為2019/11/20(三) 09:00~16:00,地點在國立勤益科技大學工具機大樓一樓視訊會議室(台中市太平區坪林里中山路二段57號)。
0

整合企業內部/串聯產業供需 資安防護IT/OT齊動員

企業應由上而下落實資安防護,發展智慧資安。若有成熟的資安事件應變能力、資安人才團隊,並結合AI邁向智慧資安,企業將能夠更穩健地推動數位轉型,保護數位資產。為幫助產業加強資安防護、落實整合資安供需,除了企業內部須戮力同心,整個產業鏈更需要統一的資安標準,讓各個崗位在資安這漫長的耐力賽中有方向可以依循。 工業資安保衛戰 IT/OT各司其職 資安是企業裡每一個人的責任,除了IT部門,OT部門也不能置身事外。IBM全球安全營運中心副合夥人黃勵孟(圖1)表示,針對工業資安防護,有三項要點,首先應注意的是資安事件管理平台(Security Information Event Management, SIEM)與威脅獵捕(Threat Hunting)能夠相輔相成;另外,OT和IT的資安防護可以在資安監控中心(SOC)裡融合;並應定期增進SOC的能力。 圖1 IBM全球安全營運中心副合夥人黃勵孟表示,資安危機瞬息萬變,須有完善資安系統才能保護企業資訊。 台灣有非常多智慧財(IP)的廠商,因此資安防護也就更顯重要。黃勵孟進一步說明,資安威脅有80%是已知的,然而未知的20%卻能夠造成80%的傷害。威脅獵捕是歷史數據的分析,廠商可以透過這樣的技術,看出哪些行為是異常的,藉此增強SOC的能力。威脅獵捕讓SOC具備主動出擊的能力,在獵捕後可以進行分析,之後再分享給企業的其他團隊進行反應與處理。但要注意的是,威脅獵捕並不能取代SIEM功能,SIEM是即時的反應回饋,而威脅獵捕則是收集大數據的歷史數據進行分析與追蹤(圖2)。 圖2 威脅獵捕與SIEM功能比較表。 資料來源:IBM 資安威脅是瞬息萬變的,必須與時俱進。黃勵孟指出,不能依賴單一產品處理資安危機,應有健全的系統,才能防堵惡意威脅。除了IT部門,OT部門也要納入資安防護體系之中。IT和OT部門最大的差異在於文化,IT通常十分動態,習慣不斷變化的工作環境;OT則相對安定,OT部門的設備年齡動輒十年,就算有使用補丁也不會想要大幅度的變動。然而既有的系統未更新、未加密、使用第三方廠商的產品等都是資安漏洞可能的藏身之處。 OT和IT的資安管理是不同的,OT部門可能正在使用舊的設備與協定,針對OT部門的資安保護黃勵孟說明,須要關注的是設備的輸出,有輸出的地方就會有漏洞,因此就須要進行檢測。OT部門應注重資產的發現(Asset Discovery)、協定的識別/違反(Protocol Identification/Violation)和參數的分析/偏差(Parameter Profiling/Deviation)。資訊安全管理是一條漫長的路,因此必須擬定一個長期的計畫,釐清手上擁有的資源並善加利用。 數位轉型浪潮起 資安保護全面啟動 隨著數位轉型浪潮席捲大大小小的產業,資安同時成為數位化與智慧製造背後的隱憂,面對病毒、惡意程式愈發猖狂,針對智慧製造的資安保護,台灣微軟雲端平台事業部副總經理李啓後(圖3)說明,智慧製造可以分成IT、IoT和OT,要解決資安問題必須從所有層面同時改善,才可能杜絕資安威脅。為協助企業數位轉型,並提供全方位的資安保護。台灣微軟近日宣布結合「雲端SIEM+SOAR」功能的Azure Sentinel正式在台上線。而Azure Sentinel在點線面的觀點,是做面的資安保護,且不會排斥各種不同的資料輸入,所以只要資料能夠輸入的話,該產品就可以納入控管。舉例來說,一個軟體允許Azure Sentinel跟其連繫與控制的話,就可以做端到端(End To End)的資安保護。同時Azure Sentinel具簡單的圖形介面,加上AI的理論後盾,讓所有人員都可以輕鬆的操作。 圖3 台灣微軟雲端平台事業部副總經理李啓後表示,Azure Sentinel透過身份識別管理、數據分析監測、信息保護與威脅預警等各層面,協助企業徹底降低資安威脅。 微軟亞洲首席資安顧問Minoru Hanamura(圖4)表示,Azure Sentinel以Microsoft Security Graph為巨量資料庫,透過機器學習分析每日從微軟產品與服務收集到的數兆筆資安威脅訊號,不僅擁有足以防護、偵測、回應甚至追擊的真正智慧,更可讓企業直接串連現有的跨平台資安方案,匯集組織內所有來自雲端、地端、軟硬體的Log且加以分析、去蕪存菁;並優先推播與企業最相關且急須IT人員關注的重大資安威脅事件,以圖像化的儀表板輔助IT人員操作。 圖4 微軟亞洲首席資安顧問Minoru Hanamura表示,結合AI分析技術,將可協助企業預測資安威脅攻擊並提前預防。 每一個資安產品都有其專長的能力,有的在前端、有的在終端、有的在後端、硬體端、網路層等。Hanamura指出,Azure Sentinel的優勢在於,把所有的Log收集進來之後,可以統一地看到全面端對端的視野,結合這些產品功能同時進行回應。每個產品都有其優勢和擅長的領域,但以企業的資安角度來看,需要全面性的整合服務,Azure Sentinel涵蓋了不同產品,整合所有產品的優勢,在中央串連所有功能進行統一的回應。 資安產品各有所長 跨域整合安全無漏洞 Azure Sentinel不是為了取代原有的資安產品,但是故有的資安產品多數無法提供跨領域的整合服務,網路資安產品就侷限於網路、郵件資安產品就侷限於郵件,雖各有專長,但對企業資安人員來說,必須關注於整個企業全面的資安,透過Azure...
0

大數據結合主題專業知識 半導體製程分析更快/穩/準

智慧製造會應用大數據分析來提升現有的分析能力以及如預測性分析的全新能力,然後再運用資料(也就是大數據)在數量、速度、多樣性、準確性(即資料品質)和價值(分析)上的重大發展。這些得到提升的新能力(表1)被視為是延伸先進製程控制(APC)系列的一部分。 半導體製造設備和製程分析的出現和發展,部分是因為三個關鍵產業挑戰而形成。這些挑戰已存在數十年,並非是智慧製造或大數據革命才有。 但是,在某種程度上,這些是半導體製造業獨有的挑戰,這些挑戰分別為:設備和製程複雜性、製程動態和背景豐富性,以及不良的資料品質(在精確性和可用性方面)。 這些挑戰導致半導體產業分析解決方案無法嚴格做到資料驅動。機台、製程和分析領域知識或主題專業知識(SME)也是大部分晶圓製造廠解決方案的關鍵組成部分。因此,半導體產業的製程分析目前和未來也將以此為考量來設計和運用。實際上,通常SME輸入機制在各方面都有正式的界定,從資料收集、資料處理、參數選擇、模型建構、模型和限值優化到解決方案實施和維護。 定義維度能力識別分析方法 過去十年中,分析方法呈現爆炸式成長,而且許多方法都是利用大數據機會開發而得。識別和歸類這些分析法的一個方法是定義分析的維度能力,以及指定或規劃與這些維度的相關分析能力。 圖1提供半導體製造中與分析相關的維度分類。就這些維度來看,可從能力在每個維度中的價值來定義應用或分析。例如,主成份分析(PCA)(一種通常在多元分析(MVA)、故障偵測(FD)和設備健全監控(EHM)中使用的方法)是無監控且回應式分析;MVA通常為靜態和無狀態分析,並且不包含SME。 圖1 分析維度能力,以及傳統半導體製造APC解決方案對這些維度的對應,唯象模型是表示製程知識的物理模型形式;這些都是使用統計數據進行調整或修改。 在分析應用程式方面,當今晶圓製造廠中的FD大部分均為無監控、回應式、單變數、靜態和基於統計學的分析,並且在FD模型開發中結合SME。透過使用這些維度和其他維度的定義分析法和分析應用程式,可以為識別能力差距、提升機會以及(從長遠來看)改善路線提供框架。 半導體製造APC應用程式近年來的發展體現了工廠控制方法從回應式到預測式(甚至是主動式)的轉變。這主要是依靠大數據的爆炸式成長,其中對於更大數量和更長久資料存檔的支援在某種程度上使得預測式解決方案能夠破譯多變數參數互動的複雜性、描述系統動態、拒絕干擾和濾除資料品質問題。 在許多情況下,為利用大數據解決方案提供的平行計算和即時處理資料,必須重寫這些解決方案中的演算法。同時,還可以開發更易處理大數據的新演算法。例如,早期的預測式解決方案依靠單核CPU和序列處理,而大數據可使用偏最小二乘法(PLS)和支援向量機(SVM)在伺服器集群上進行平行計算。同樣,為處理更多資料而重寫自組織對應(SOM)和產生拓撲對應(GTM)等無監控資料探索技術,能夠讓使用者快速進行深入探索。 同樣地,可以重寫隱馬爾可夫模型(HMM)和粒子群演算法等耗時的統計技術,大大提高計算效率。但是,過多的技術和大量的資料不一定會帶來更深入的了解和預測式能力。筆者認為沒有一種方法或多種方法組合是萬靈丹;相反地,應利用現有資料來自訂符合應用程式的方法,但是,我們認為SME將繼續引導解決方案的開發和維護。 AI/大數據分析迅速竄起 AI可用來描述感知環境並採取措施完成目標的任何裝置或分析法。現在,AI通常用於類比人腦功能的裝置或分析法概念(例如在自動駕駛汽車的應用中)。人工神經網路(ANN)這類分析的一個例子已經存在了數十年,且此類AI分析法在大數據發展中再度出現。例如,深度學習(一種與結構化ANN非常類似的技術)利用分層抽象實現品質更高、速度更快的大量資料分析。 深度學習可用於解決大數據分析中的一些較高維度問題,包括從二維度影像(如晶圓圖)中提取複雜的圖案。深度學習技術得益於資料量大增,並使用資料驅動型受監控技術尋找資料中的關係。這些技術的主要缺點是相對無法在模型開發和維護中合併SME。所開發的模型通常不明確可用,因此難以評估,同時半導體製造分析中涉及的背景複雜性和動態阻礙深度學習使用大量且持續的資料量。 近年來,研究工作的重點是結合SME和AI技術,該方法有望在未來應用於生產現場。另一種獲得極大關注的大數據分析能力是背景分析,該分析使用通常稱為「網路爬蟲」的解決方案。這些應用程式會挖掘背景中的資料,並尋找有關係的圖案或分析結果,例如接近故障的零件。然後,這些應用程式會以非同步方式通知如工廠控制系統的應用程式,以便能夠採取適當的措施。這種方法還會使診斷和預測更具有可重構性。 大數據分析日益進步提升製造良率 當邁向智慧製造時,顯而易見的一點是分析法將在實現良率的過程中繼續發揮更大的作用,同時可使產量最大化並降低成本。大數據的進步將推動這些分析法的發展,筆者認為,到目前為止所取得的進展已經提供一些重要發現,這些發現將有助這些分析法達到最大能力。 第一個重要發現是,半導體產業期待開發或加強的許多分析法解決方案都可以利用相同的模型開發(靜態資料)和模型執行/維護(動態資料)結構。例如,用於PdM的6步模型開發流程(如圖2a和2b中所總結)可用於虛擬量測,甚至預測良率。使用通用的方法不僅能夠節省推廣這些技術所需的時間和精力,還能夠讓製造廠商交叉利用分析法持續進步。 圖2a 使用MVA預測器及其部分的PdM方法,包括故障前時間範圍以及預測置信度或範圍的某種表示。 圖2b 利用離線模型建構和最佳化提供合併SME機制的PdM方法,可用於多種APC預測能力。 第二個重要發現是,智慧製造將使這些分析法的應用範圍延伸。例如,透過將診斷、控制和預測從晶圓製造廠內擴展到供應鏈中,可以更有效控制客戶需求並提高解決區域良率等問題的能力。第三個可能是最重要的發現為,SME將在半導體產業的分析法應用程式中繼續發揮重要的作用。應用程式將有所不同,但設備和製程專業知識仍然會是半導體製造分析解決方案的關鍵組成部分。 (本文作者皆任職於應用材料)  
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

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
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -