歷經機械生產、制造標準化、電腦化及自動化革命，在比拼整體設備效率 (OEE) 和設備綜合生產力 (TEEP) 指標、快速量產之后，時至工業 4.0，等同砸大錢新購昂貴設備、將所有設備聯網？叡揚資訊 (GSS) 高級解決方案架構師錢鉦津直指，第四次工業革命的核心精神在于＂智能化及價值創造＂；惟對于中小企業而言，如果連現有瑕疵都管理不好，又遑論智能制造？不如從＂解決問題＂切中時弊，以＂如質、如期、如成本＂為首要目標更接地氣。換個角度，中小企業更見商業潛力，尤其是面臨夕陽西下危機的產業，更有＂救危扶傾＂的迫切需求。
照片人物：叡揚資訊高級解決方案架構師錢鉦津
智能制造時代，價值認定由市場說了算！
錢鉦津說明，中小型工廠不像大企業可讓耗資數億元臺幣的生產設備一次到位，但強在柔性生產、靈活，反而是新契機。他表示，智能制造的價值鏈是由工廠 (機械) 和產品 (服務) 兩個環狀結構組成，須留意的是：價值的認定來自于市場，非生產者的主觀思維，有賴數字供應鏈串流與數字客戶關系鏈的協同合作，讓生產者不必再瞎子摸象、憑空臆測。將＂協同＂概念延伸至下游客戶端做智慧拓銷，可發展智能型產品與服務，例如，智能孕婦裝可感測腹中胎兒生長情形；而邁向智能制造的旅途，可借鏡生命體的演化進程 (如圖 1 所示)。
錢鉦津說明，中小型工廠不像大企業可讓耗資數億元臺幣的生產設備一次到位，但強在柔性生產、靈活，反而是新契機。他表示，智能制造的價值鏈是由工廠 (機械) 和產品 (服務) 兩個環狀結構組成，須留意的是：價值的認定來自于市場，非生產者的主觀思維，有賴數字供應鏈串流與數字客戶關系鏈的協同合作，讓生產者不必再瞎子摸象、憑空臆測。將＂協同＂概念延伸至下游客戶端做智慧拓銷，可發展智能型產品與服務，例如，智能孕婦裝可感測腹中胎兒生長情形；而邁向智能制造的旅途，可借鏡生命體的演化進程 (如圖 1 所示)。
錢鉦津認為，智能制造應按部就班推動管理創新、重新定義所有價值主張。首先，要有整廠思維，將企業資源規劃 (ERP)、制造執行系統 (MES) 與底層設備數據整合、串接并回饋到上層系統；其次是跨廠管理——包括源頭供應到市場銷售、甚至往前追溯到設計端，改善延遲交貨、質量不良等缺失，而非一味強迫機器不停大量生產；再者，是導入物聯網 (IoT) 和人工智能 (AI)，落實精實生產系統 (LMS)、提升品管并節約能源；最后是全產業的協同優化與人機協作，以便因應需求快速轉換與少量多樣的客制化生產。
圖1：智能制造之旅，可借鏡生命體的演化進程
資料來源：錢鉦津提供
AIoT 解析現在，探索未來
錢鉦津指出，早期工廠多是以手工記錄片段數據，一旦設備故障僅能概略描述過程、無法獲悉當下機臺參數；但要確實找到根源，勢必考慮事發前后的背景因素，人工智能＋物聯網 (AIoT＝AI＋IoT) 可助一臂之力。隨著感測觸角越來越多，需要大腦中控；與此同時，長期累積下來的數據經由 AI 進行相關演算、分析，以達到預防、預測、優化建議到全廠高度自動化，工廠環境惡劣、招工不易的紡織業就是經典教案。以染整為例，化驗室配方到生產端的＂一次對色率＂極其重要；當中任一環節稍有差池就會拖累整個工序，而高度智能化利于知識經驗傳承。
錢鉦津指出，早期工廠多是以手工記錄片段數據，一旦設備故障僅能概略描述過程、無法獲悉當下機臺參數；但要確實找到根源，勢必考慮事發前后的背景因素，人工智能＋物聯網 (AIoT＝AI＋IoT) 可助一臂之力。隨著感測觸角越來越多，需要大腦中控；與此同時，長期累積下來的數據經由 AI 進行相關演算、分析，以達到預防、預測、優化建議到全廠高度自動化，工廠環境惡劣、招工不易的紡織業就是經典教案。以染整為例，化驗室配方到生產端的＂一次對色率＂極其重要；當中任一環節稍有差池就會拖累整個工序，而高度智能化利于知識經驗傳承。
目前紡綜所正攜手叡揚信息嘗試以 400 多個參數做高維計算，冀將一次對色率從 60% 提升至 80%。另一方面，借助異類數據處理與高度計算能力可探索從前沒發現的新大陸，激發創新靈感。例如＂循環經濟＂興起，研發新織法典范、定義新的工藝參數／添加物／配方，以便舊衣可被拆解回收。不過如前所述，規模不大的工廠要大舉更張并非易事，錢鉦津建議，從最迫切處切入是最好的方式，并提出＂1/3 月臺＂構想——失效預防與問題解決、智能型全面質量保證、數據輔助質量管理，以及＂切、望、聞三感 AI＂三種級別解方——內嵌或接觸式機臺傳感器、CCD 光學攝影機做色彩空間處理、收音式麥克風做聲音信號處理。
無聯網功能的老舊設備，也能產業升級
秉持＂不必汰換無聯網功能的老舊設備＂理念，第一種＂切＂是在每臺織機加裝信號擷取卡與信號傳輸設備、收集織機數據，再將生產相關信號整合至伺服端以監控織機實時運轉狀態。第二種＂望＂是借由 CCD 將控制面板儀表數字拍攝下來，再利用雙方共同開發的光學 IoT 系統、以機器視覺及 AI 演算采擷機臺數據——CCD 容易晃動，且織布是非均勻表面、易受光線影響，導致拍攝影像色彩不是點狀、而是團狀不規則分布，須以算法校正并將原始影像進行色彩空間轉換。
秉持＂不必汰換無聯網功能的老舊設備＂理念，第一種＂切＂是在每臺織機加裝信號擷取卡與信號傳輸設備、收集織機數據，再將生產相關信號整合至伺服端以監控織機實時運轉狀態。第二種＂望＂是借由 CCD 將控制面板儀表數字拍攝下來，再利用雙方共同開發的光學 IoT 系統、以機器視覺及 AI 演算采擷機臺數據——CCD 容易晃動，且織布是非均勻表面、易受光線影響，導致拍攝影像色彩不是點狀、而是團狀不規則分布，須以算法校正并將原始影像進行色彩空間轉換。
圖2：通過色彩空間轉換演算，提高紡織色紡著色識別的精準度
資料來源：錢鉦津提供
錢鉦津另舉一例解釋：通過 CCD 采擷多采用 HSV 橢圓錐體空間，但紡織染整是以分光儀量測而采 CIE L*a*b* 四色維度，所以須先經過轉換，再依序做顏色篩選、噪聲消除、影像重建、偏心尺碼偵測和影像瑕疵過濾后轉成＂二元影像＂(Binary image)，繼而將這些數值分群、比對。第三種＂聞＂是基于機臺內部本是一種黑箱狀態，可將機臺運轉聲音轉換成音高等特征來自動判斷是否有＂水錘現象＂——染料液體因管路閥門受阻、流體壓力急升而損傷機臺 (運轉馬達的共振亦可用麥克風收音監測)。
＂精實生產＂深化上、下游合作，AI 向大自然取經
另錢鉦津提到對＂物聯網交換平臺＂的看法：美系多有商業考慮、小工廠難以負擔，故特別推薦歐洲＂Tango Controls＂開源平臺；通過統計過程控制 (SPC) 計算得出六個標準偏差，針對可靠穩健原則訂出 10 個規則加以過濾，員工只需在中控臺工作、搭配走動式現場管理即可，不必整天待在令人不適的生產線。智能中控臺還可清楚呈現完整制造過程價值圖，找出價值流的貢獻度、問題環節與浪費根源予以模擬、預測，實現＂精實生產＂——平準化生產、改善換模時間、提高工作效率，進而建立＂超級市場＂讓上、下游生產不間斷。
另錢鉦津提到對＂物聯網交換平臺＂的看法：美系多有商業考慮、小工廠難以負擔，故特別推薦歐洲＂Tango Controls＂開源平臺；通過統計過程控制 (SPC) 計算得出六個標準偏差，針對可靠穩健原則訂出 10 個規則加以過濾，員工只需在中控臺工作、搭配走動式現場管理即可，不必整天待在令人不適的生產線。智能中控臺還可清楚呈現完整制造過程價值圖，找出價值流的貢獻度、問題環節與浪費根源予以模擬、預測，實現＂精實生產＂——平準化生產、改善換模時間、提高工作效率，進而建立＂超級市場＂讓上、下游生產不間斷。
錢鉦津預期，自然語言處理／機器視覺／知識表示／自動推理／機器學習／機器人技術等＂類人類行為＂與感性工程／人工心理／人工情感／神經生理結合等＂類人類思考＂將是 AI 未來趨勢，而向大自然學習的＂群體智能＂(Swarm Intelligence) 算法——又稱為仿生計算 (bio-inspired computation) 或自然計算 (natural computation)，有助于求得各類問題的最佳解；依循機率轉移規則，由個體的適應值引導搜尋，且群體中單一個體可從空間中不同初始位置 (隨機多點) 同時搜尋，效率較佳且不易陷入局部最佳解錯覺。
圖3：＂類人類＂行為＋思考，是 AI 未來趨勢
資料來源：錢鉦津提供
圖3：＂類人類＂行為＋思考，是 AI 未來趨勢
資料來源：錢鉦津提供
＂群體智能＂減少無謂浪費，智慧供應鏈最終成＂生產同盟＂
＂群體智能＂是一種＂去中心控制＂方式，蟻群 (ant colony)、粒子群 (particle swarm)、蜂群 (bee colony)、人工魚群 (artificial fish swarm) 等算法，是近年研究熱點；分散處理、多重演算／互動＂大動員＂，可應對零工排程問題 (Job-shop Scheduling Problem, JSSP) 與二次分配問題 (Quadratic Assignment Problem, QAP)，減少無謂的浪費。錢鉦津強調，智能制造是從定義生產規范、轉變成定義價值，借由深度學習／機器學習計算提供建議給工廠 (樣本數／數據量) 是關鍵，且此一智慧供應鏈最終將串連成＂生產同盟＂。
＂群體智能＂是一種＂去中心控制＂方式，蟻群 (ant colony)、粒子群 (particle swarm)、蜂群 (bee colony)、人工魚群 (artificial fish swarm) 等算法，是近年研究熱點；分散處理、多重演算／互動＂大動員＂，可應對零工排程問題 (Job-shop Scheduling Problem, JSSP) 與二次分配問題 (Quadratic Assignment Problem, QAP)，減少無謂的浪費。錢鉦津強調，智能制造是從定義生產規范、轉變成定義價值，借由深度學習／機器學習計算提供建議給工廠 (樣本數／數據量) 是關鍵，且此一智慧供應鏈最終將串連成＂生產同盟＂。
