Labels

Adventure Book 2.0 Headline Animator

推薦內容

Thursday, April 25, 2019

製造業如何藉由數位轉型提升企業效率


自從德國於2013年漢諾威工業展提出工業4.0技術發展策略後,
世界各國紛紛制定發展製造產業相關策略計畫。美國總統川普致力美國的重返製造、
中國大陸推動的中國製造2025等,都是強調製造業升級之政策。

根據國際調查機構MarketsandMarkets 2017市場調查報告書,
全球智慧工廠市場規模將以每年9.3%的年複合成長率(CAGR)成長,
預計2022年將達到2054億2000萬美元的規模。

台灣也將智慧機械/智慧製造列入5+N創新產業政策之一。
根據機械公會統計,台灣機械業者高達1.7萬家,創造超過30萬個就業機會,
台灣機械製造業在2017年產值已經達到新台幣1.1兆元,成為繼半導體、面板之後,
台灣第三個兆元產業。

工業4.0是打造一個將網路、軟體、物聯網技術、雲端運算技術、
與巨量資料(Big Data)技術整合起來的數位化智慧製造生產系統。

隨著物聯網、工業機器人的應用逐漸普及,
加上各國相關法規配套條文的要求,成為推動製造業升級的主要因素。

在數位經濟革命浪潮下,各產業藉由創新科技加速重組產業鏈競爭力並提升整體營運升級轉型。
 本文將藉由設備聯網的需求與數據分析討論工業物聯網目前在製造業的導入近況,
並進一步闡明如何結合公司IT及工廠OT跨部門整合,協助企業數位轉型。

工業4.0

相關資訊:





製造業數位轉型 藉由AI + IoT 來提升生產效率

製造業為什麼需要數位轉型?不能單看技術層面為了引進新技術而提出數位轉型,
需要從商業價值出發,數位轉型可以帶來什麼好處?

其中數位轉型對於製造業而言最顯而易見的目標是提升生產效率,
製造業可藉由生產效率提昇而帶來利潤的提升,對於管理者而言,
這是企業決策是否要進行數位轉型的一個重要考量。

   公司管理高層需要帶頭思考,針對哪些棘手問題必須要加以改善,
從而找出適合的數位化轉型方案。初步生產及製造議題中,
建議藉由數據分析提升生產效率來做為切入點。製造業工廠過去以機台資訊為主,
因此著重在內部流程改善及與原廠的技術支援合作,
長期而言老舊機器的維護成本逐年提高,新機器的導入對於整體工廠規劃都是一大考驗。

因此在現有機台不變動的前提下,導入數據分析提升生產效率成為持續升級的重要議題。
近年因物聯網技術及人工智慧技術的發展,製造業也可以藉由新技術完成工廠端機器資料收集、
資料視化與智慧化,藉由數據分析來提升生產效率。以下將一一說明。

AIoT 價值

智慧製造從設備聯網做起

物聯網帶動數據自動化
許多製造業者已導入製造執行系統(Manufacturing Execution System,MES)
或企業資源規劃 (Enterprise Resource Planning,ERP)等數位化製造管理系統,
但對於工廠內機器設備的相關資訊卻仍以人工抄寫與事後輸入的方式,
或者由工作人員現場巡視來確認機台運轉與否的做法,均讓管理者無法即時掌握生產線狀況,
因此紙本記錄的數位化成為關鍵問題。可見當企業想要深化生產管理並有效控管生產設備時,
設備聯網絕對是必不可少的重要一環。以能源監控為例,
傳統電表顯示方式造成紀錄只能依賴人工抄表,但在電表數位化之後,
對於供電及用電的紀錄就可以藉由無線通訊連結閘道器再傳送到對應的系統,
達成數據自動化避免人工抄寫疏失。除了設備本身的數位化之外,
也可以藉由感測器的佈署來作機台監測。以空調系統為例,
冰水主機的效率也會影響到耗電量,可以藉由感測器偵測室內外溫濕度,
並蒐集空調系統冰水主機的冷卻水溫度及主機電流量,來進行智慧節電運轉調控。

機器網路傳輸協議統一架構-OPC UA推動數據整合
   製造業產線中所需要的設備,鮮少由單一廠商產品即可涵蓋,也會因應不同需求及成本考量而採購不同廠商的機器。由於既有機台設備不可能全面換新,如何讓既有機台設備聯網將會是重要關鍵。過去以完成生產為目標下,主要以人工記錄整合生產過程中所需資料,廠商雖然可以理解整合資訊所帶來的好處,實務上各廠牌設備難以整合。在OPC基金會提出基於機器網路傳輸協議的OPC統一架構(OPC Unified Architecture,OPC UA) 後,許多廠商投入開發讓新型設備支援OPC UA或提出OPC UA外接模組,讓舊型設備也可以藉由OPC UA支援其它設備,工業物聯網平台支援OPC UA client/server後,可以連結底層的設備;而上層系統如MES,也可以藉由OPC UA來與工業物聯網平台連結收集資料。

現階段人工智慧技術導入主要用於節約成本
   在AlphaGo一戰成名後,展現人工智慧的技術確實能為人類生活帶來更多便利與增加工作效率,
也造成產業對於人工智慧及深度學習有更多的想法,
對於智能化與訓練 AI 模型的需求也因此有更多企業願意投入資源並逐步落實。
現階段的人工智慧主要藉由GPU所帶來的計算力提升,
而進一步使用GPU讓深度學習(Deep Learning) 落地實現。
深度學習屬於狹義領域人工智慧 (Narrow AI),或稱為應用型人工智慧 (Applied AI),
需要藉由標記資料預先處理,再進一步開始訓練。

在應用需求上主要分為:1. 模型訓練 (Model Training) 2. 對應的AI推論(Inference)落地運作。
目前在發展初期著重模型訓練,待有可靠度高的模型產生後,才會進入到落地運作。
 在物聯網及人工智慧(深度學習) 逐漸被重視及在各產業落實後,
人工智慧物聯網應用 (AIoT)也受到關注。近年來持續發熱的AI 應用市場,
在雲端業者不斷提供各式各樣的AI模型訓練服務加持下,
已經有數以萬計的 AI 模型被發展,其中醫療、影像監控、金融等領域都發展的非常快,
一般情況下客戶在研發出 AI 模型後,就希望快速導入各個作業現場做推論(Inference)使用。
然而一開始使用 AI 模型在現場操作時就會發現需要非常低的系統運作延遲時間才能確保 AI 執行效果,
例如行駛中的汽車車牌辨識、行動中人臉辨識與生產線瑕疵品檢測等。
除了效能等級夠高的硬體規格之外,還需要完整配套的軟體環境才能符合低延遲時間的AI系統運作。
   現階段工廠AI應用主要用於影像資料,
如瑕疵品的檢測。品質與良率仍然是製造業最重視的議題,因此從應用端需求來看,
品質檢測的相關解決方案是智慧製造市場上的龐大商機,
其中以結合機器視覺與機器學習的自動光學檢測(Automatic Optical Inspection, AOI)
已成為製造領域檢測方案的發展主流。AOI是以快速、非接觸的方式,
運用機器視覺技術擷取影像進行分析,進而判斷物件是否存在瑕疵,是業界廣泛應用的檢測手法。
   藉由大量的資料收集,採用深度學習產生出瑕疵品的判斷模型來協助檢測,
目前產業的作法主要藉由自動檢測做為第一個關卡,設定一個初步的門檻來做初篩。
在產品測試上主要有兩種問題:漏檢(Leakage,缺陷被判斷為正常)及過檢(Overkill, 正常被判定為缺陷)。
初篩後會由人工進行第二次檢驗,主要檢查初篩被認為是缺陷品的部分,人工判別是不是缺陷,對於研發部門而言主要希望找出缺陷的產生模式;對於生產部門而言,
主要希望藉由第二次檢驗來減少過篩,將被判定為缺陷品但實際上是正常的,
藉由人工檢測增加產出。在大量的資料輸入並導入深度學習較傳統的影像辨識技術準確度高,
可以提高初篩的門檻以降低第二次檢驗人力成本,提升整體效率。
機器視覺影像判斷技術除了在生產上使用,也有業者應用老舊機台不同產線之間的資訊收集,
主要藉由額外的影像擷取將系統資訊轉化為畫面,再藉由影像分析,萃取出資訊,
以解決老舊機台無法達成機器直接溝通(Machine to Machine,M2M)的缺憾。

工業4.0 數位轉型

相關資訊:



工業物聯網技術應用概況

工業物聯網技術應用概況

工業物聯網是物聯網發展的一個重要領域,也是一個指標,許多技術會優先用
在工業場域上,在工業物聯網有觀察到兩個技術趨勢:低功耗廣域網路以及邊緣運
算,分別帶來的場域的範圍擴充,以及專案設備配置的變化,以下為大家說明。

工業物聯網:


萬物互聯的下一步: 人工智慧物聯網 AIoT Trend of IoT: Artificial Intelligence and IoT

2014年台積電董事長張忠謀在台灣半導體協會(TSIA)年度會議上提出,物
聯網(Internet of Things,IoT)是Next Big Things;經過這幾年的變化已經是產業
進化的重要元素,其市場發展潛力具備無限想像空間,許多研究調查機構都看好物
聯網商機。市場調查機構IDC在2015年的調查報告中指出,物聯網市值將從2013
年的422億美元,成長到2018年的989億美元,年複合成長率高達19%,且全球半
數以上企業都已經準備好發展IoT解決方案。而實際上根據2017年IDC的調查報告
指出在全球25個國家、超過4,500家企業有3成去年已導入IoT,更有43%、將近
2,000家還未導入的企業2017年也有意採用,若加上原本已採用的企業的話,代表
2017年全球企業採用IoT的比例將超過7成。產業發展趨勢符合2015年的預測,甚
至超前預測進度,物聯網的成長不容小覷,而針對延伸的議題工業物聯網
(Industrial IoT,IIoT) 以及 人工智慧物聯網AIoT (AI + IoT),值得台灣產業先進訂定
未來策略時也加入考量。

人工智慧+物聯網


AIoT價值


Monday, April 22, 2019

Virtualization Station 內提供「虛擬機市集」,加速應用程式部署

QNAP NAS作為一個自建雲的選擇,又多了一個利器:Virtualization Station 內提供「虛擬機市集」,加速應用程式部署


台灣台北,2019 年 4 月 15 日 – 運算、網通及儲存解決方案的領導廠商威聯通®科技 (QNAP® Systems, Inc.) 發表全新「虛擬機市集」(VM Marketplace),使用者可於 Virtualization Station 應用程式中安裝多個虛擬機 (Virtual Machine, VM) 映像,加速部署並拓展應用範圍。

Sunday, April 7, 2019

AI Expo 2019 加賀電子 使用AI來辨識代幣

第二年參展,第三回 AI 人工知能 Expo ,人工智慧這個新議題日本真的衝得很快,這兩次參加都覺得很驚訝。



QNAP合作夥伴展示:加賀電子 展示辨認代幣的應用 image classification 

Saturday, April 6, 2019

跳脫傳統NAS思維 QNAP用 AI / IoT 助產學轉型

在數位轉型的範疇中,NAS儲存系統不再只是資料存儲,而是推升企業於數位轉型的重要工具,尤其對於中小企業等服務類型產業最為適用,達到以小博大的可能。

QNAP 參展 第三回 AI 人工知能 Expo 展示OWCT (採用 Intel OpenVINO)

QNAP 參展 第三回 AI 人工知能 Expo  展示OWCT (採用 Intel OpenVINO)



QNAP 的 OpenVINO™ Workflow Consolidation Tool (簡稱OWCT) 為融合 OpenVINO™ 執行流程的協同工具。此應用程式採用 Intel® OpenVINO™ 開發工具包技術,專為深度學習應用打造,可將訓練好的 AI 模型部署到目標平台上進行推論操作,協助企業組織以經濟、效率的方式快速部署電腦視覺 (Computer Vision) 和深度學習解決方案。

QNAP AI Expo 2019 展示OWCT (採用 Intel OpenVINO)




OWCT 產品頁:https://www.qnap.com/solution/openvino/zh-tw/


OWCT 完整介紹影片:




Wednesday, April 3, 2019

2019 AI EXPO: QNAP enters the Japanese AI market with AI-Ready NAS and multi-AI applications

Taipei, April 2, 2019 – QNAP® (QNAP® Systems, Inc.) will showcase the TS-2888X AI-Ready NAS for machine learning at the 2019 Artificial Intelligence Exhibition & Conference (AI EXPO 2019). The TS-2888X uses the exclusive QuAI Developer Suite and the Intel® OpenVINO™ Workflow Consolidation Tool (OWCT) to simplify AI application development processes, and helps organizations develop Computer Vision and deep learning solutions with cost effectiveness and high efficiency. QNAP will also unveil its smart home video companion robot, AfoBot, which integrates health, education and surveillance applications.

Welcome to Taiwan ! 推薦台灣住宿