工業(yè)物聯(lián)網(wǎng)進(jìn)入人工智能時(shí)代

智能化是近年來制造業(yè)最重要的趨勢，歷經(jīng)過去幾年的市場教育，這兩年市場詢問度已開始提高，而從2016年開始，IT產(chǎn)業(yè)掀起人工智能（AI）熱潮，AI與物聯(lián)網(wǎng)的整合將成為未來各垂直領(lǐng)域的主流系統(tǒng)，在制造業(yè)中，AI也將成為工業(yè)物聯(lián)網(wǎng)的核心運(yùn)算架構(gòu)之一。

自從德國率先喊出工業(yè)4.0后，相關(guān)科技也同步的突飛猛進(jìn)，包括工業(yè)物聯(lián)網(wǎng)、大數(shù)據(jù)分析、機(jī)器人等技術(shù)發(fā)展至今，已漸漸打造出新型態(tài)的智能工廠與全新的工業(yè)化標(biāo)準(zhǔn)。

尤其近幾年來，人工智能（AI）浪潮襲來，更賦予工業(yè)4.0有了全新的發(fā)展面向，明確分野自動化及智動化的差異，包括機(jī)器視覺、深度學(xué)習(xí)等利用算法分析為主的人工智能技術(shù)，已成為工業(yè)4.0未來發(fā)展的全新趨勢，不僅讓自動化與機(jī)器人的技術(shù)更為精準(zhǔn)、制造業(yè)也開始進(jìn)入如無人工廠等全新的科技領(lǐng)域。

就目前發(fā)展來看，智能制造有三大趨勢，首先是生產(chǎn)網(wǎng)絡(luò)，這部分主要是應(yīng)用制造運(yùn)行管理系統(tǒng)（Manufacturing Operations Management， MOM），協(xié)助生產(chǎn)價(jià)值鏈中的供貨商獲得并交換實(shí)時(shí)生產(chǎn)信息，供貨商所提供的全部零組件都可在正確的時(shí)間以正確的順序到達(dá)生產(chǎn)線，第二個(gè)趨勢是虛擬仿真與真實(shí)物理系統(tǒng)的完美融合，在生產(chǎn)制造過程中的每一步都將在虛擬世界被設(shè)計(jì)、模擬及優(yōu)化，為真實(shí)的物理世界包括物料、產(chǎn)品、工廠等建立起一個(gè)高度仿真的數(shù)字雙生（Digital Twin，Twin Model），第三個(gè)趨勢則是網(wǎng)宇實(shí)體系統(tǒng)（Cyber-Physical System，CPS），在此系統(tǒng)中，產(chǎn)品信息都將被輸入到產(chǎn)品零組件本身，它們會根據(jù)自身生產(chǎn)需求，直接與生產(chǎn)系統(tǒng)和設(shè)備溝通，發(fā)出下一道生產(chǎn)工序指令，指揮設(shè)備自行組織生產(chǎn)，這種自主生產(chǎn)模式能夠滿足每位用戶的訂制化需求。

以大數(shù)據(jù)建立運(yùn)算模式

上述的三大趨勢，未來都會與AI有一定程度的整合，例如在產(chǎn)線監(jiān)控、機(jī)器人、無人搬運(yùn)車等，都將有AI運(yùn)算功能設(shè)計(jì)，主因在于大量訂制化的趨勢，工廠需要面對的產(chǎn)品類型、產(chǎn)線調(diào)動等各種生產(chǎn)情境的難度也會大增，雖然透過傳感器及大數(shù)據(jù)分析，管理者已經(jīng)可以掌握更多用來幫助決策的信息，但也因?yàn)樾畔⒘看罅吭黾樱黾庸芾碚叩男畔⒎治鰤毫?，加上市場變化愈來愈快速，人類的分析速度恐怕已?jīng)愈來愈難跟上提供速度愈來愈快的前端數(shù)據(jù)，自然也就更難讓制造現(xiàn)場的機(jī)臺能夠迅速反應(yīng)客戶需求，AI應(yīng)用于制造業(yè)，將可讓系統(tǒng)從大數(shù)據(jù)分析找出規(guī)律性建立模式，進(jìn)而學(xué)習(xí)避免前面發(fā)生的錯(cuò)誤，甚至做到提前預(yù)測，應(yīng)用于制造領(lǐng)域，不僅可以縮短停機(jī)時(shí)間，更可適時(shí)做出產(chǎn)線調(diào)整，減少呆料及廢料的發(fā)生頻率。

對工業(yè)物聯(lián)網(wǎng)來說，取得數(shù)據(jù)和分析數(shù)據(jù)是核心任務(wù)，而來自傳感器的數(shù)據(jù)點(diǎn)經(jīng)過多個(gè)階段才能轉(zhuǎn)化為可操作的見解，工業(yè)物聯(lián)網(wǎng)平臺包括可擴(kuò)展的數(shù)據(jù)處理流程，能夠處理需要立即關(guān)注的實(shí)時(shí)數(shù)據(jù)，以及僅在一段時(shí)間內(nèi)有意義的數(shù)據(jù)，當(dāng)檢測到壓力和溫度閾值的異常組合之后，物聯(lián)網(wǎng)平臺關(guān)閉液化石油氣灌裝機(jī)可能已經(jīng)太晚了，應(yīng)該在毫秒之內(nèi)檢測到異常，然后依規(guī)則觸發(fā)立即反應(yīng)。

就目前發(fā)展來看，AI有幾種算法，例如熱點(diǎn)路徑分析的核心是負(fù)責(zé)檢測異常的規(guī)則引擎，物聯(lián)網(wǎng)平臺嵌入復(fù)雜的規(guī)則引擎，可以從傳感器數(shù)據(jù)流動態(tài)評估復(fù)雜的模式，由了解模式和數(shù)據(jù)格式的領(lǐng)域?qū)＜襾矶x規(guī)則引擎的基準(zhǔn)閾值和路由邏輯，這種邏輯作為規(guī)則引擎在編排訊息流中的關(guān)鍵輸入，在數(shù)據(jù)點(diǎn)移動到數(shù)據(jù)處理流程下一個(gè)階段之前，為每個(gè)數(shù)據(jù)點(diǎn)定義嵌套的語句條件，規(guī)則引擎已經(jīng)成為物聯(lián)網(wǎng)平臺的核心，而機(jī)器學(xué)習(xí)的關(guān)鍵領(lǐng)域之一是從現(xiàn)有數(shù)據(jù)集中找到模式，將類似的數(shù)據(jù)點(diǎn)分組，并預(yù)測未來數(shù)據(jù)點(diǎn)的價(jià)值。

機(jī)器學(xué)習(xí)有關(guān)的高階算法可用于分類和預(yù)測分析，由于這些算法可以從現(xiàn)有數(shù)據(jù)中學(xué)習(xí)，且大多數(shù)物聯(lián)網(wǎng)數(shù)據(jù)都是基于時(shí)間序列，因此這些算法可以根據(jù)歷史數(shù)據(jù)預(yù)測傳感器的未來值，這些多種機(jī)器學(xué)習(xí)算法的組合，將可替代工業(yè)物聯(lián)網(wǎng)平臺中的傳統(tǒng)規(guī)則引擎，雖然領(lǐng)域?qū)＜胰匀恍枰鶕?jù)條件定義采取行動，但這些智能算法提供更高的準(zhǔn)確性和精準(zhǔn)度。

AI + HI大幅提升效益

工業(yè)物聯(lián)網(wǎng)中的機(jī)器學(xué)習(xí)最大應(yīng)用之一是設(shè)備的預(yù)測性維護(hù)，透過關(guān)聯(lián)性和分析模式變化來預(yù)測設(shè)備故障，并報(bào)告如設(shè)備的剩余使用壽命等關(guān)鍵指標(biāo)，預(yù)測維護(hù)未來也可應(yīng)用在航空航天、制造、汽車、運(yùn)輸、物流和供應(yīng)鏈等領(lǐng)域，例如預(yù)測模型安排至汽車服務(wù)中心，在航空業(yè)中，預(yù)測維護(hù)方案的目標(biāo)是根據(jù)維護(hù)歷史和飛行路線訊息等相關(guān)數(shù)據(jù)來預(yù)測航班延遲或取消的可能性。

觀察物聯(lián)網(wǎng)的發(fā)展態(tài)勢，目前工業(yè)物聯(lián)網(wǎng)是所有垂直應(yīng)用中，發(fā)展最快的類別之一，AI在工業(yè)物聯(lián)網(wǎng)主要是協(xié)助操作者與管理者，篩選從大量設(shè)備擷取出的數(shù)據(jù)，并做出判斷，但是目前的AI并無法做出具有邏輯性的決策，因此在制造領(lǐng)域，AI必須與人類智慧結(jié)合，才會是系統(tǒng)的最佳效益。

審核編輯 ：李倩