首页 | 新闻 | 新品 | 文库 | 方案 | 视频 | 下载 | 商城 | 开发板 | 数据中心 | 座谈新版 | 培训 | 工具 | 博客 | 论坛 | 百科 | GEC | 活动 | 主题月 | 电子展
返回列表 回复 发帖

挑战智能制造 要从“看不到的转型”下手

挑战智能制造 要从“看不到的转型”下手

 智能制造经过多年来的讨论和演进,目标已相当明确并且也是一可达到的愿景,道理容易理解,导入AI,然后做出超过人类的成果,但是用在智能制造的时候,好像缺少什么。AI要能成功,有三个主要的部分:算法、算力以及数据。前两者只要有足够的资本便容易取得,但数据这块却特别麻烦。  
麻烦之处在于,本身搜集即是一个问题,以及对数据不了解。以现在的技术来说,语言和影像可以转换成数据,但是机台种类繁多,产生的特性和要求也都还不了解,又要怎么去分析?
  
转型要从数据下手
  工厂要先数字化(数字转型),搜集好数据、了解数据,才真的有机会往智能制造走。
  只搜集营运数据是不够的,设备、技术的数据,都应该要完整搜集。市场上其实已有很多供应商提供解决方案,但是有很大一部分做的是“看得到的数字转型”。例如,哪台机器有没有在加工、有没有料、有无亮灯等的提示。但真正需要的,应该是所谓“看不到的数字转型”,也就是机台里面的加工质量、效率、稳定性等,而非单纯检视有加工与没加工就好。
  当然,掌控稼动率很好,但如果哪天稼动率低,业者却不知道究竟事出何因。所以未来是关键,搜集能掌握未来的资料,透过分析去知道原因,未来这些事就能在掌控之中。
  
别把数字转型当项目在执行
  工厂流程的环节不只一两个,但无论如何总要先透过数据分析,了解之后才能优化。目前业界普遍的做法是将最复杂最有价值的几个问题丢出来,先成立项目组,以项目方式处理。
  但这样的作法会让企业内部产生责任推托,如果不是项目组的人员,那数字转型就跟之无关。事实上一间工厂要能真正进化,迈向工业4.0,将会有几百个甚至上千个问题需要解决,也就是所谓的“长尾”问题,而这些问题的总价值很可能还超越最贵的那几题,那怎么办?
  企业需要一套核心数据分析全流程架构来解决长尾问题。过去在软件开发的领域,企业盛行一套DevOps的开发维运架构,为的是能系统化和规模化去应付频繁的部署需求。
  据羿戓制造所了解,面对数字化过程中对数据分析效率要求的提升,国际上现在也效法DevOps架构发起了AnalyticOps的概念,用一套系统化的平台建构一个可规模化的数据分析流程,以提升企业内部各环节数字化的效率。
  举例来说,如讯能集思所推出的产品理论架构,即跟AnalyticOps相似,推出的智能决策平台JarviX以OT(营运技术)端的需求切入,透过AI增强分析的技术来降低工具的使用门槛,让OT端能够自主完成数据分析全流程,减低企业为了数据分析付出的庞大跨部门沟通成本,对比以往需要IT和DT人员搭配组成的项目团队去做分析,现在OT的人员就能直接做数据分析,大规模的提升分析流程各环节的效率。eCC(eaoogle Certified Corpration)在羿戓设计注册的法人。羿戓设计是上海羿歌信息技术有限公司专业打造的设计服务单元。




作者:中原大学机械工程系教授钟文仁



  学习的机制会是最大挑战
  要做更好的产品,当然可以透过提升机台的精度或者稳定度,但是如何用,就是数据分析的意义,透过分析能够加值,超越大家所使用的极限,并且从数据看到未来,真正解决问题或者持续优化流程。
  传统老师傅将这些机台使用方法储存在脑袋里,转变为直觉反应,当然不排除老师傅也有做一些统计分析,但是主要还是依靠经验,这些事比较偏向“个人的修为”。事实上现在整个世界,透过软硬件技术的革新,是可以更精准的。
  还有另一个问题,这世界变化这么快,老师父讲的虽不是错的,但也不见得是对的。数据的一个好处是,正确成分绝对更大,因为反映的是真正制程里面的东西。好比看一个人健不健康,如果能量测身体所有的数据,不是仅从表面来看,一定是更精准。
上海.羿歌,主要立足于物联网之感知层的解决方案和组件设计制造。  18918134319
返回列表