預測性維護
Cartesiam優化意法開發板 推出新版AI軟體工具
Cartesiam推出針對意法半導體(STMicroelectronics, ST)STM32開發板優化的新版NanoEdge AI Studio軟體工具。NanoEdge AI Studio開發環境消除傳統AI開發障礙,並針對缺乏機器學習專業資源的企業而設計。新版本讓任何嵌入式開發者都可以利用STM32微控制器快速開發AI解決方案。在其諸多優化功能中,還可直接透過STM32的串列/USB連接埠和Cartesiam加強版自動資料符合性檢查和品質驗證工具在NanoEdge AI Studio中記錄現場資料。
NanoEdge AI Studio讓系統設計人員可以利用低功耗Arm微控制器,將機器學習演算法直接整合到連網裝置、家電、工業機床等各種產品設備。該軟體讓設備能夠學習正常行為,檢測該行為的任何變化,即使在複雜的雜訊很大的環境中也能發現異常行為。
新版提供一個新硬體平台選項,讓開發者可以直接選擇意法的Nucleo-F401RE或Nucleo-L432KC開發板。在選擇這些板子後,使用者可以解鎖設計流程的最後一步,並下載可在所選硬體平台上的自訂機器學習函式庫。
意法半導體AI解決方案經理Miguel Castro表示,ST微控制器的使用者不僅可以從Cartesiam的解決方案中受益,而且還能繼續使用已經習慣的電路板生態系統和開發環境。透過為ST的神經網路開發環境STM32Cube.AI增加一個簡易的機器學習函式庫產生功能。
Cartesiam的執行長Joel Rubino則表示, NanoEdge AI Studio已被世界各種規模之企業用於開發預測性維護、詐欺偵測和智慧安全解決方案。為特定的STM32板專門量身訂製,新版NanoEdge AI Studio將為我們的客戶開發測試新的配套設備以及內部預測性維護子系統,提供一個可靠的軟硬體平台。
ADI收購Test Motors 擴展工業4.0狀態監測產品
ADI宣布收購Test Motors,其為一家專門從事電機和發電機預測性維護之公司,總部位於西班牙巴賽隆納。該公司所提供的產品和服務可提前檢測出電機故障以避免影響生產進程,並會根據如何、及何時進行維護提供建議。此次收購擴展了ADI狀態監測解決方案組合,協助於停機和災難性故障發生前識別設備故障。
此次收購是ADI繼2018年成功收購OtoSense後於工業領域的又一舉措。OtoSense為一新創企業,所開發之學習和識別聲音或振動的「感測解譯」軟體能在問題惡化前確定工廠機器或汽車引擎中的潛在問題。OtoSense的人工智慧(AI)平台專用於感測解譯,並支援對任何資產的監控而不受位置限制。ADI計畫將OtoSense的軟體與Test Motors的監控功能相結合以創建解決方案,透過掌握更廣泛的潛在故障為機器提供更先進、全面的健康狀態監測。
ADI自動化和能源事業部副總裁Kevin Carlin表示,機器維護在很大程度上依賴於經驗豐富的技術人員和工程師,他們能夠檢測和診斷可能導致意外停機的問題。但是,隨著需要維護的機器數量快速成長,受過訓練的專業人員開始供不應求。透過收購Test Motors和OtoSense,ADI的狀態監測方案能為客戶提供具備完整早期異常檢測功能的系統,進而解決此專業資源短缺的難題,避免意外且代價高昂的機器停機。
Test Motors前執行長Emili Valero指出,我們很高興能成為ADI公司的一員,並與ADI的工業技術專家團隊共事。技術和專業知識的結合將協助我們開發新一代狀態監測解決方案,這些解決方案將大幅延長電動和非電動旋轉類機器的設備壽命,並大量節省成本,造福企業和消費者。
以預測性維護為先鋒 ST積極布局智慧製造市場
意法半導體(ST)積極布局智慧製造市場。意法半導體MEMS和感測器事業群類比元件產品部工業與功率轉換部門總經理Domenico Arrigo表示,製造與流程自動化需求持續增加,而要使生產價值更進一步提升,預測性維護扮演關鍵角色,因此,該公司致力推動預測性維護,並將其作為發展智慧製造的一大策略。
Arrigo指出,從客戶的開案數來看,製造與流程自動化的需求可說不斷成長,然而,除了協助客戶實現自動化的目標之外,更重要的是為他們創造更大的生產價值,特別是中小型企業,而預測性維護便是關鍵。預測性維護可以提升整體設備效率,透過持續感測監控設備狀態,再以先進技術分析感測資料,進一步找出設備缺損並優化效能,可將生產影響減至最低優化成本。
Arrigo說明,預測性維護可顯著提升公司利潤,導入預測性維護,可省下12%的預定維修成本、減少30%維護成本、將機器故障時間減少50%,並使故障機率降低70%。這對中小企業而言,是十分有利的,中小企業不用再特地雇用大量的人力,或花費大量時間在設備的維護、保養上;有了預測性維護,中小企業便可透過設備監測數據,即時進行故障排除,如此一來可更有效的提升生產價值,實現智慧製造。
然而,要實現預測性維護,需要資料收集+處理+分析,換言之,資料收集為首要任務,也因此,感測器可說是至關重要。為此,ST也備有各式感測元件,像是動作感測器(加速儀、陀螺儀、6軸慣性測量單元等)、溫度感測器(類比及數位接觸式溫度感測器)、濕度感測器、壓力感測器,以及MEMS麥克風等,以滿足環境、溫度、聲學或動作監測等需求;而這些感測元件都符合工業等級並保證10年供貨。
Arrigo指出,除了預測性維護之外,該公司未來也會聚焦三大產品線,分別為電源與電力管理、馬達控制及自動化設備,進而實現提高系統自主性,並兼具智慧與感知能力、強化能源效率與利用物聯網安全連網等目標。
意法半導體MEMS和感測器事業群類比元件產品部工業與功率轉換部門總經理Domenico Arrigo表示,預測性維護可將生產影響減至最低,優化成本。
Edge AI助力 2022年智慧製造市場規模逼近3,700億美元
隨著消費端走向客製自主消費、製造端面臨缺工問題日甚,促使製造業須具備能適應快速多變且多元環境的能力,製造系統變得較過往而言更加複雜。而拜新技術成熟發展所賜,製造業現今可藉由部署先進的感測技術並結合AI演算法、導入機器人等科技,進而提高資訊可視化及系統可控性,進一步推升工業4.0智慧製造的發展。根據TrendForce旗下拓墣產業研究院預估,2022年全球智慧製造的市場規模將會逼近3,700億美元,年複合成長率達10.7%。
奠基於虛實整合的基礎,智慧製造在應用端相當多元,從規模較大的智慧工廠、智慧供應鏈、現場災害回復,乃至自動物流車、簡易型機器手臂等皆是使用案例。綜觀2019年產業動態與德國漢諾威工業展(Hannover Messe)等指標性活動,現行智慧製造以協作機器人(Cobot)、數位雙胞胎(Digital Twin)、預測性維護(PdM)、無人機、製造執行系統(MES)、AI應用等為發展焦點,Universal Robots、Siemens、STMicroelectronics、Xilinx、GE等廠商亦持續推陳出新強化布局。
鑒於智慧製造帶出的龐大數據量將排山倒海湧向企業,延遲性與頻寬成本已讓製造業從雲端技術逐漸轉向邊緣運算。而數據海量化、分析精準化以及硬體高效化等三大驅動力也使AI從雲端往終端設備邁進,推升邊緣結合AI的趨勢。
Edge邊緣運算處理是具地緣關係的AI運算,透過於靠近數據產生源處進行收集處理,並結合參數學習等AI技術讓設備能做到缺陷即時偵測、使用狀況預判等用途,讓機器不需時時聯網、減少運算資源,仍能具備部分決策力與即時反應力,成為預測性維護的重要基礎,同時亦可強化工業機器人的即時協作。而將資料留在當地取代回傳雲端,也更能滿足製造業提升數據資安與隱私的需求。
智慧製造與Edge AI的連結為製造業帶來即時決策、降低成本、營運可靠及提高安全等優勢,也使精密機械蛻變為名副其實的智慧系統。現行從晶片大廠NVIDIA、Intel、Qualcomm、NXP,乃至雲端龍頭AWS、Google、Microsoft等皆積極投入該領域。台廠若要切入Edge AI的市場,考量產業優勢及政府資源挹注,晶片仍是最好發揮的著力點,並成為串連上下游廠商的發動機。
從自動化到智動化,TrendForce指出,工業4.0的浪潮持續推動企業數位轉型,物聯網、大數據、機器人等技術也成為打造智慧製造的重要節點。然而,不論是工業物聯網布建、智慧製造的導入、抑或智慧工廠的建置,由於耗時較長且所費不貲,對企業而言皆非一蹴可幾,在佈署及執行過程中可透過工業物聯網聯盟(IIC)等組織提出的工具來評估自身的成熟度,進而調整步調與方向,如根據基礎設施的完成度來選擇被動性維護、預防性維護、以及預測性維護的採用。
以物聯網為基礎 預測性維護效率再提升
採用智慧方式部署的聯網感測器可以在影響流程或生產之前檢測到故障,藉此節省維護成本並避免發生停機的情況。為了避免低效率的維護流程和伴隨而來的成本,製造商和網路營運商可以使用智慧感測器和資料科學原理來最佳化維護的流程。
根據麥肯錫所發表的報告,建基於物聯網的預測性維護可協助降低多達40%的工廠設備維護成本。它還可以延長機器的使用壽命,減少50%的設備停機時間及減少3~5%的設備資本投資。
善用IoT/資料科學 避免無效流程/高成本
多年來,製造商所採用的設備維護方法一直都是以時間作為根據。規劃任何維護流程時所考慮的主要因素僅僅是機器的使用年限。設備越老舊,維護程序就越頻繁。
ARC集團的一項全球性研究指出,只有18%的設備是因老化而失效的,其餘82%的失效是隨機發生的。這些研究結果顯示,以年限為根據的維護方法並不具成本效益。為了避免無效的維護流程和伴隨而來的高成本,製造商可以充分利用工業物聯網和資料科學。
電網故障可能導致配電中斷,對受影響地區中幾乎所有的人員、企業和服務機構的日常運作帶來很大的麻煩。這種情形使得預測性維護對這一類關鍵基礎設施尤為重要。芬蘭的輸電系統營運商Fingrid舉辦過多次的創新競賽,希望能找到最佳的合作夥伴來將其營運設施的維護和監控運作數位化。
Haltian的Thingsee無線感測器產品被應用在芬蘭的變電站中,用以測量其中的連接元件的溫度。這一點很重要,因為溫度升高是電阻增加的徵兆,而這可能是由污垢或腐蝕所引起的。
此外,該感測器還可用來測量濕度、氣壓、環境光、存在(Presence)和距離等方面的資料。雖然這樣的感測器並不能完全消除對手動檢查的需要,但它們確實使得監控操作更加有效率並降低了出現問題的風險。
聯網工具減半維護工作
除了顯而易見的電網使用案例以外,建基於感測器的監控也可用於各種工業應用中。位於南京的愛立信熊貓製造工廠使用蜂巢式IoT連接數千台設備,包括高精度螺絲刀。這些模組每八小時傳送大約100位元組資料以顯示最近的使用情況。
這些資料會被一款雲端解決方案收集起來,再進行分析。操作經理可以監控使用資料來準確地掌握工具何時需要重新校準,而不是依據效率差的預定時間表工作。
根據這個案例研究,愛立信預估該解決方案的每單位成本僅為20美元,但可減少一半的維護工作,每年節省10,000美元,並在短短兩年內達到損益兩平。
工具和機械也須預測性維護
工業環境中常會用到安全和遙測系統,它們通常需要自己特定的網路。除此之外,可以使用新的無線技術收集許多不太重要的參數,以形成預測性維護的基礎。
主要的兩類資料是:
用法:使用工具的頻率和時間長度?最常用的功能是什麼?是那位員工從事這項工作?
狀態:隨著時間推移,機器的溫度和變異數(Variance)是多少?系統中是否有任何不規則的振動?
使用資料執行完整的根本原因分析(Root Cause Analysis),有助於預防將來出現故障的情形。
連接技術提升可靠性
物聯網已經為全球供應鏈的運作提供了有價值的幫助,包括使用蜂巢式物聯網進行資產追蹤。不過,透過預測關鍵資產的失效,連接技術可以進一步強化經銷鏈的可靠性。
冷鏈(Cold Chain)就是一個典型的例子,多年來,人們一直致力於尋找一種可測量運輸貨物溫度的低成本解決方案。這有助於瞭解貨物是否保持在適當的溫度以及哪些貨物可能需要銷毀。
雖然這是物聯網運行的好例子,但其實可以再進一步,在一開始時就可以預測和避免失效。將預測性維護應用到製冷系統,以便對何時即將發生故障有更好的掌握,這將可節省寶貴的時間和金錢,並避免浪費食品和藥品等寶貴資源。
預測性維護確保設施壽命
道路、橋樑和鐵路是社會的重要基礎設施,它們的維護工作對於確保其在整個使用壽命週期中的安全性而言,是非常重要的。在這種情況下,物聯網就可派上用場。
可以持續監控振動等機械參數,在已記錄模式中的任何異常都指出須要維護,或者可以通知存在緊急情況。例如,杜塞道夫機場安裝了50個路內(In-road)NB-IoT感測器,以監控唯一可以進入機場油箱儲存地點的橋樑的狀態。
擴大規模是最大挑戰
預測性維護並不是一個新概念,例如我們都很熟悉可以透過不規則的聲音或振動來預測汽車何時將會發生故障。
物聯網所帶來的新功能是收集來自數千或數百萬台設備的資料的能力。我們可以從經驗中學習,建立和更新模型及建議所要採取的行動,所有這些都能夠以自動化的方式實現,並且將會規模空前。
很明顯,如要成功,企業須要利用大數據分析和人工智慧方面的所有最新技術來提升效能。然而,即使在此之前,所有的「物品」也要先連接起來。
(本文作者為Nordic Semiconductor事業開發經理)