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全新的發(fā)展方向，明確區(qū)分自動(dòng)化及智動(dòng)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(shì)，不僅讓自動(dòng)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。

01

大數(shù)據(jù)建立運(yùn)算模式

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(shì)，工廠需要面對(duì)的產(chǎn)品類型、產(chǎn)線調(diào)動(dòng)等各種生產(chǎn)情境的難度也會(huì)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Γ由鲜袌?chǎng)變化愈來愈快速，人類的分析速度恐怕已經(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(chǎng)的機(jī)臺(tái)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(cè)，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(duì)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(tái)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(cè)到壓力和溫度閾值的異常組合之后，物聯(lián)網(wǎng)平臺(tái)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(cè)到異常，然后依規(guī)則觸發(fā)立即反應(yīng)。

02

現(xiàn)實(shí)技術(shù)情況的反應(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(cè)異常的規(guī)則引擎，物聯(lián)網(wǎng)平臺(tái)嵌入復(fù)雜的規(guī)則引擎，可以從傳感器數(shù)據(jù)流動(dòng)態(tài)評(píng)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(dòng)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(tái)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(cè)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(cè)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(cè)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(tái)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(dòng)，但這些智能算法提供更高的準(zhǔn)確性和精準(zhǔn)度。

03

AI大幅提升利潤效益

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(cè)性維護(hù)，透過關(guān)聯(lián)性和分析模式變化來預(yù)測(cè)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(cè)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(cè)模型安排至汽車服務(wù)中心，在航空業(yè)中，預(yù)測(cè)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(cè)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(shì)，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(huì)是系統(tǒng)的最佳效益。