關於本報

資策會 FIND科技報
報主:資策會 FIND科技報
創刊日期:2008-04-02
發報頻率:每週三出刊
訂閱人數:582
官網:
http://www.find.org.tw

近期電子報


訂閱便利貼


將貼紙語法置入您的網站或部落格當中, 訪客可以輸入mail取得認證信,並按下確認連結後, 快速訂閱您的報紙。
預覽圖
訂閱資策會 FIND科技報報
資策會 FIND科技報
-----------------------------------------------------------------------------------------------------
Plurk FaceBook Twitter 收進你的MyShare個人書籤 MyShare
  顯示內嵌語法

資策會 FIND科技報
發報時間: 2020-10-15 05:00:00 / 報主:資策會 FIND科技報
[公益聯播]109年一步一腳印讓愛動起來計劃勸募活動
本期目錄
超前部署,智慧產線解方-製程即時分析與回饋控制應用
oneTRANSPORT─交通相關數據交易平臺
皮膚有異樣?別再憂東憂西 讓APP幫你管「痣」
對話式閱讀理解-技術發展現狀淺談
超前部署,智慧產線解方-製程即時分析與回饋控制應用

FIND研究員:余承叡、陳麗蓉

走在大數據(Big Data)、人工智慧(Artificial Intelligent, AI)與萬物聯網(Internet of Things, IoT)的時代,從高科技到傳統產業,充斥著對於「智慧化」的各種想像,企業希冀結合資通訊科技與營運技術,打造永續經營的強健體質。本文簡述智慧製造發展趨勢,剖析臺灣製造業智慧化所遇難題,進而介紹製程即時分析與回饋控制方法及產業應用效益,藉由系統化整合製程串流數據、自動關聯多源資料、萃取產品重要特徵、分析高低產效與建立反饋調整模型,提升人均價值並排除隱性危機,協助製造業者智慧化監控與管理產線。
一、智慧製造發展趨勢
全球主要經濟體近年重新檢視工業政策,紛紛提出振興方針與願景。德國推崇「工業4.0」 (Industry 4.0) [1],應用物聯網整合資通訊軟硬體以建置虛實化系統(Cyber-Physical System,CPS),打造智慧工廠,強調人機協同作業環境。美國則是啟動「先進製造夥伴計畫」(Advanced Manufacturing Partnership,AMP) [2],將先進製程拉回美國本土,以3D列印、大數據製造系統及先進機器人,作為美國未來的製造模式,重新取得製造業領先地位。更不能忽略「中國製造2025」[3],以製造業服務化是工業化的戰略取向,堅持創新驅動、智能轉型、強化基礎、綠色發展,全面推升中國製造業能量,從製造大國轉向製造強國。
各國藉由物聯網裝置、雲端技術、大數據分析、AI應用等策略,讓製造業不只做到自動化,更要做到智慧化。所謂「智慧化」[4],是指具有可自主調整廠區與產線之產能配置、可自主調整上下游供應配送、可自主優化生產環境之資源與能源配置、可輔助人員正確完成各種操作與組裝、可即時逆向追蹤生產進度與履歷等特色。運用軟硬體與系統整合技術,使工廠的生產行為具有感測器連網、資料蒐集分析、虛實系統整合且具人機協同作業,稱之為「智慧工廠」[4]。
因應而生的研發趨勢,如谷歌(Google)、亞馬遜(Amazon)、微軟(Microsoft)等大廠推出商用版雲端管理平臺及AI機器學習套件,提供多種智慧系統服務的選擇。Digitimes論壇報告[5]指出2019年已開展智慧製造的企業將由資訊科技與營運技術的集成,包括資料處理與生產流程自動化等,提升營運效能。智慧製造的價值在於提升製造效率、加快決策速度、穩定生產品質,透過系統的即時警示、預測、優化等功能,節省人工處理時間,建立具有適應性、資源效率的智慧產線及工廠。
國內因應智慧製造浪潮,提出「生產力4.0」計畫[6],結合我國精密機械資通訊、管理技術基礎,促成國內製造業、服務業與農業之智慧化轉型。生產力從1.0到4.0,可視為臺灣產業進化的歷程,1.0指的是生產製造程式化;2.0是生產製造整線電腦化;國內目前處於生產力3.0,縱使產業數位化達到一定程度,運用系統整合企業資源規劃及產線自動化調控仍有進步的空間;若要做到生產力4.0,必須思考如何應用資通訊科技,強化製造系統的智慧化服務,特別是因應彈性生產的智慧產線解決方案。
二、國內製造業轉型課題
臺灣產業多以中小企業為主幹,在講求產業智慧升級的同時,礙於成本考量、資源限制,要投資高成本、人才與技術,推動智慧製造並不容易。而製造業領域廣泛,包含紡織、化工、電子零件、塑膠製品、金屬製品與半導體等,製造程序、產品特性跟規格相差甚遠,伴隨客製化訂單、少量多樣的彈性生產議題,欲發展智慧製造系統,打造智慧產線更是一大挑戰。
製造業從接單、設計、生產到銷售過程中,橫跨需求、製程、研發、供給等層面,數據量大且特徵複雜,現今感測器和整合平臺雖能蒐集大量數據,但許多數據重複蒐存,造成儲存空間不足,增加數據調閱、瞭解與分析的難度。機臺數據是以串流模式呈現,每秒鐘高達數萬筆,未經系統化整合歸納,只是一組組的數字,不具任何意義,無法單靠肉眼發現數據之間的關連性及其價值。
多數廠區的生產資訊與品質檢測分由不同系統管控,整廠資訊並無串連,須待生產完成才能知道品質優劣,時常面臨製程「品質」與「效率」評斷標準不一。每當機臺或產品出現良率問題時,需經過繁複的檢查流程,才確知是哪個環節出錯,現況普遍仰賴人工經驗調整,不僅費時費工,且難以發現根本原因。
由於缺乏瞭解產線流程知識、資料分析應用、運算系統建置的通才,即使企業內有資訊部門,仍無法完整支援資料分析和決策應用。加上市售生產管理軟體多為固定功能套裝出售,價格昂貴又不見得適用於實際產線,現行生產預測模型多因應某種假設情境而設計,但真實生產情況常有突發需求,假定的預測模型無法因應生產現場而動態調整,導致加工時間與產能預測不易,難以精準規劃人、機、料的投入安排及交期訂定。
本文歸納國內製造業智慧化發展的三大課題:
1. 整廠資源串連不易:國內製造業之智慧化發展隨著業者規模而程度不一,各家生產系統性質各異,且影響生產效能的因素極多,在多重生產條件限制下,產線的控制因子組合繁雜,難以全面串連整廠資源。
2. 仰賴個人經驗決策:生產資料量大,生管人員難以全盤分析,無法立即因應產線狀況調整生產決策,過往的決策經驗多是口耳相傳,儲存在資深人員(老師傅)的腦袋中,且可能侷限於單一產線應用,無法達到生產最佳化。
3. 套裝軟體客製不易:產品需求趨向多樣化且製程產線亦趨複雜化,在多重生產條件限制下,市售套裝軟體僅能滿足基本需求,場域對於製程換線頻率增加、機臺稼動率降低、製造成本提高等問題不易僅藉由市售軟體即可解決,使得各類從數據處理、清理、分析到應用等一連串問題因應而生。
有鑑於此,基於變動式生產情境,以顧客需求為導向、數據分析為驅動,發展製程即時分析與回饋控制方法,作為產線智慧化的起手式。藉由系統整合分析歷史生產資料,先找出生產品質或效能的關鍵因子,再透過機器學習方法建立預測模型,如同將老師傅的調控經驗嵌入系統中,讓沒經驗的新手也能透過系統輕鬆監控產線,成為提升營運績效的關鍵動能,24小時精準維持製程品質。
三、即時分析與回饋控制方法
即時分析與回饋控制方法在於洞察製程核心需求,針對生產過程時時流入的大量數據,藉由逐筆疊代、特徵分群、模擬調節、感知回應等技術如圖1,在大量且即時的資料流中,達到建模過程可追溯、預測結果可對應原始數據,利於瞭解資料的影響範疇,更能深度剖析資料,協助業者即時掌握產線狀態,從容面對未知或突發的生產情境。
1. 逐筆疊代、特徵分群技術重點
考量實務應用性,選用高度容錯和分散式、平行運算的Apache Storm [7]、MongoDB [8]、R語言[9]等開源軟體,開發數據特徵疊代萃取架構如圖2,作為產線資料即時處理流程的核心。透過線上分群、小量多批、依需匯集的過程,儲存具代表性的數值群,減輕大量原始資料的計算和儲存負擔,以漸進式資料分群處理後所得代表性數據分析,保持計算時間與所需儲存空間複雜度恆定,避免處理過大數據量而影響運算效能。
(1) 應用Apache Storm執行非監督漸進式資料分群(Unsupervised Incremental Binning),將原始資料去蕪存菁,保留值得參考的資料,儲存於MongoDB(NoSQL資料庫);
(2) 應用穩健統計(Robust Statistics) [10]的計算方法,克服真實離群/異常值的識別難度,分析異常起因;
(3) 應用R語言執行階層式分群(Hierarchical Clustering),依需求分析如製程站點或機台的離群程度,視覺化正異常分布,顯示關鍵問題。
數據特徵疊代萃取重點在精準描述數據分布而不被異常值影響,並以階層式分群方法區分正異常分布發生源,依離群程度分級,以快速求得適於產線的人機料資源配置組合,達到加速運算效率、節省儲存空間,同時保持準確率,協助使用者快速調整關鍵問題,滿足工業應用情境所需時效。
2. 模擬調節、感知回應技術重點
製程中許多變異因子會影響生產品質,為提高人均生產力,應用即時監控與穩健統計方法作為品質管制流程的核心,藉由系統化整合廠區生產數據,即時監控產線機台運作效能,於良率下降或產能低效即時警示。生產資料除用以即時監控,提早識別異常事件,更應進化為管理決策。
透過生產狀態可視化與關聯分析如圖3,使用者可從清楚易懂的儀錶板及分析圖,如以趨勢圖觀察長期數據變動、以柏拉圖(Pareto Diagram)瞭解異常原因占比,觀測生產品質與關鍵因子變化,全方位偵測產線製程狀態,並以無線傳輸手持式行動裝置,利於走動式遠端管理型態,不用親臨現場即獲知生產資訊
從過去廠區品質參數設定資料,找出關鍵參數及最適參數組合,依據歷史資料及現況學習建模預測自動控制應調整量,計算可控因子相應之參數調整幅度,偵測歷史參數變動點所造成之影響,作為反饋控制依據,建構經驗反應曲面如圖4,猶如提取老師傅豐富的參數設置經驗,提升模型預測準確度,建立製程改善標準化流程,發揮數據分析而後用的最大效益。
製程即時分析與回饋控制方法得以支援製造業快速、大規模串流數據的What-if Analysis假設分析與預測程序,精確反應產線問題,確保品質穩定。綜整三大特點:
(1) 強化資料蒐集與儲存的整備度:以非監督式數據壓縮方法,串流運算多維度製程數據,萃取數據特徵並儲存利於分析之代表數據,減輕大量原始數據的計算和儲存負擔,同時保有精準度。
(2) 提高資料分析與預測的準確度:以穩健統計方法,針對工程數據多包含數值型與類別型之混合資料集特性,建立各種預測模型及因應生產實況即時選模,達到預測結果可溯源,具可解釋度。
(3) 確保品質監控與調校的穩定度:以穩健統計品管方法識別生產狀態,並於狀態改變時即時依據所有參數現況,建立調整模型計算相對應調整數值作為反饋控制之用,藉此確保品質之穩定性。
四、應用架構與產業效益
製造業重視時間、績效、品質等三大指標,因應生產需求多樣及產線複雜化,發展製程即時分析與回饋控制應用架構如圖5,支援大規模機台群即時數據分析,克服混合型資料分析與預測之複雜度,整合機台設備、資料分析技術及平台系統技術,實現製程數據即時蒐集、儲存、提取、分析、決策的完整應用,具備如下功能:
1. 大數據即時非監督壓縮:儲存具代表性的數值群,減輕大量原始資料的計算和儲存負擔,並保有如同以全部數據分析的準確度。
2. 串流數據壓縮與分析:串流處理多維度數據,粹取數據特徵並儲存代表數據,基於使用者對於準確度指標之需求,支援多種基礎即時分析方法。
3. 製品特徵分析:製品特徵與穩態速率關聯分析,支援機台設備穩定度分析、人/機/料/工/法關聯分析、績效評比等日常生產管理所需資訊。
4. 製程即時監測:提供低效警示,減少低效狀況、加速製程、提高產能所需應用。
5. 組合式分層建模預測:針對包含數值屬性及類別屬性之混合型資料集,建立各類別組合之分層預測模型並評比其預測能力,預測結果可對應原始數據。
6. 穩態速率預測:預測新接訂單製品所需時間,提供接單估價與訂定生產期間所需資訊。
7. 參數回饋控制:以穩健統計品管方法識別異常狀態,建立反饋調整模型,確保品質穩定。
製程即時分析與回饋控制應用架構具使用者友善性,採用高擴充性、易操作性之模組化設計,可依據業者需求,彈性調整系統功能,降低技術導入門檻,縮短系統建置時程。目前應用於半導體封測、塑膠押出、電池組裝、電子器材等產業,協助業者建立精準有效的製程數據分析與回饋控制系統,以國內半導體測試大廠實證為例,於測試廠每秒1MB數據串流的資料環境下,每日資料量逾3TB,動輒上億筆資料的回應延遲小於1分鐘,異常分析準確度高達99.6%。整體而言,透過系統自動關聯分析、即時警示、建模預測與回饋控制調校,加速逾百倍人力決策時間,為企業年省數千萬設備及人力維運費用,滿足儲存效能與成本效益。
技術要落地應用,必須研發與實務相互推動,以科技創新帶動產業升級,以產業效益驅動技術研發,同步拉抬供需兩端,才有可能蓬勃發展。為加速擴散產業應用,建立場域服務合作模式如圖6,借重設備商整合能力及市場觸角,針對各種製造業的產線實務需求,滿足資料整備、即時分析與自動調控之需求,並與製造業者建立示範產線,吸引更多業者跟進,完備製程即時分析與回饋控制導入、驗證與優化流程,提供解決方案予中介及終端廠商,致力於智慧製造服務化。
五、未來展望
展望未來,加速製造業智慧化,以技術優勢如圖7為利基,持續研發特徵交互關聯性和時間序列異常識別的技術架構,以支援大量、快速的多變量工業數據分析與預測。產業拓展部分,將以客戶需求為出發點,積極與上中下游廠商合作,以智慧工廠為核心,串聯設備商、供應商、通路商及製造商,形成智慧製造服務網絡,透過雲端服務,加快各類製造業者導入應用。促使臺灣製造業從進料、生產到品質檢測全產線智慧化,好比為工廠建置數位大腦,形成高效率雙腦協作(人腦與AI相輔相成)的工作模式,協助業者快速做出更好、更安全、更精準的決策,邁向高階製造行列。
六、參考文獻
[1]Blanchet, T. Rinn, G. V. Thaden, and G. D. Thieulloy, Industry 4.0: The new industrial revolution-How Europe will succeed, online available at http://www. rolandberger. com/media/pdf/Roland_Berger_TAB_Industry_4_0_2014 0403, March 2014.
[2]B. Bonvillian, “Advanced manufacturing policies and paradigms for innovation,” Science, vol. 342, pp. 1173-1175, December 2013.
[3]中國版工業0戰略-中國製造2025規劃,資策會產業情報研究所整理,2015年3月
[4]智慧工廠定義與產業範疇,資策會產業情報研究所整理,2015年4月
[5]智慧工廠應用,Digitimes智慧工廠論壇,2019年10月
[6]行政院,生產力0科技發展策略會議,2015年6月
[7]Apache Storm官方首頁,網址:http://storm.apache.org/,上網日期:2020年5月
[8]MongoDB官方首頁,網址:https://www.mongodb.com/,上網日期:2020年5月
[9]R語言官方首頁,網址: http://www.r-project.org/,上網日期:2020年5月
[10]A. Maronna, R. D. Martin, V. J. Yohai, M. Salibián-Barrera, “Robust Statistics: Theory and Methods (with R),” 2nd Edition, New York: Wiley, 2019.

oneTRANSPORT─交通相關數據交易平臺


FIND研究員:陳亮蓁

oneTRANSPORT連結來自11個不同部門的組織,包括公部門和私部門,是一個成長中的生態系統,為數據和數據服務創造一個開放的市場,無資料排他性 (data lock-in) 或供應商套牢 (vendor lock-in) 的問題,符合國際oneM2M™ 標準,透過共享資訊與協作實現智慧城市服務。
【服務說明】
英國政府為了讓各地區的資料可以透過統一的平臺進行交換或交易,打造開放式資料平臺oneTRANSPORT,並且具有資料授權與發展資料創新應用的角色。不論是公部門或私部門都可利用此平臺發布訊息,或購買、使用平臺上的即時資料與歷史資料。此外,平臺也提供雲端儲存與資料管理技術,協助私部門進行資料定價,鼓勵私部門將資料對外提供第三方組織使用。此外,oneTRANSPORT平臺上的資料都遵循國際標準,不會獨利單一資料供應商,並且提供數據消費者完全的數據資料資源,而非片段式資料,讓數據消費者能藉此數據發展較完整的服務。
oneTRANSPORT數據市集平臺的會員可以是這三種身分,分別是數據發布者(Data Publishers)、數據優化者(Data Enhancers)以及數據消費者(Data Consumers),藉由這三類的會員形成一個數據市集的生態圈。
以下先針對這三類身分做說明:
1.數據發布者:與他人共享數據,可以免費提供或自訂費用,發布原始資料或分析資料。
2.數據優化者:服務提供商,他們取得資料發布者所發布的數據,並針對該數據進行加值,例如進行清理、整合、分析數據等服務。
3.數據消費者:是會介接平臺上的數據來製作解決方案和服務,像是大學等教育機構、其他營利/非營利組織、個人都可以免費下載或購買需要的數據。
【應用效益評析】
1.過去獨立、難以取得的即時數據皆被開放出來,能夠提供新的見解、透過數據改善決策方式,並且能夠建立更有智慧性的服務。在未來5年,英國將透過分享數據資料以及改善常相數據的落差,有機會解鎖超過10億英鎊的資金。
2.使用即時的交通數據資料,搭配運輸服務與不斷變化的旅程需求,能提供更有效率的運輸網絡,也能改善旅行者/客戶體驗(如:避免塞車,提升旅遊品質),並藉由即時數據預測路況以減少事故的發生。

皮膚有異樣?別再憂東憂西 讓APP幫你管「痣」

好好觀察過自己的皮膚嗎?當你照著鏡子,發現小小黑黑的「痣」冒出來,這顆黑痣究竟是健康無礙,亦或是有機會演變成「黑色素細胞瘤」的禍首呢?我們並非專業醫師所以無從得知,但透過一款簡單的APP應用程式,就能借助醫師的專業意見,為你解開迷津。<<詳全文>>

對話式閱讀理解-技術發展現狀淺談

機器閱讀理解(Machine reading Comprehension; MRC) 一直以來都是自然語言處理中熱門的議題,其目的是在測驗機器是否能正確的理解文章報導的內容,進而對使用者提出的問題找出解答<<詳全文>>

推薦訂閱
真的很抱歉!我不得不宣佈停稿了@【網頁研習室【網頁製作系列報導】】
《數位之牆》共享經濟:以人民的名義爭奪流量入口@【數位之牆】
轉寄『超前部署,智慧產線解方-製程即時分析與回饋控制應用』這期電子報

寄信人暱稱  寄信人email
收信人暱稱  收信人email

  • 社群留言
  • 留言報主