洛克威尔自动化打造定制化数据模型,精准掌握转型步调!

今年受到疫情影响,许多产业试图通过业务转型、数字转型来渡过景气低潮,其中制造业更因为中美贸易战冲击,纷纷加快其转型脚步,但对于许多中小企业主而言“看不到智能制造导入的真正效果”是阻碍转型的关键。

在“2020 AIoT论坛”中洛克威尔自动化(Rockwell Automation)资深顾问何辅仁分享,在工厂数字转型后,许多企业主开始搜集到大量数据文件,却面临不知道如何与运营问题做分析的情况。

因此若能以“小改变带来大效益”,或许是让中小制造业愿意尝试的开始,像是借由AI与机器学习创建“变频器的故障预测模型”,就能有效降低工厂停止运行的几率。

如何从单点作业项目拓展到全工厂的数字转型?“筛选正确数据”是关键!

何辅仁也指出,在智能制造的概念下,许多制造业希望通过AI、机器学习的技术来做到设备异常侦测或改善良率等,但往往只能做到单点项目的改善,若要拓展到全工厂导入却经常遭遇瓶颈。

这样的困境主要在于,许多制造业都知道要搜集资料,但往往很多都是没有用的资料,导致在分析时产生误判。或者是听到许多解决方案供应商的应用案例,但要套用到自己的产线上却又格格不入。

何辅仁表示,Rockwell致力于协助企业找出资料的价值,通过一套方法论帮助企业找出运营上的问题点,并通过分析工具来解决,之后才是引入机器学习与AI来建模、预测,并采取行动,如此才能完整的进行转型改造。

从工厂的数据搜集、清洗到模型创建分段拆解,加快企业找出转型问题

过去企业通过机联网搜集资料,OT部门人员将资料存入数据库,IT人员将资料整理排序,再由资料科学人员分析资料、建模,最后交由OT验证,整个流程横跨不同部门、平台非常耗时,且成果无法重复使用。

因此,Rockwell将多年协助制造业转型的经验归纳推出Rockii(Rockwell Information Intelligence)。协助企业以概念验证(POC)的方式,将整个流程拆解,从前端参数连接、资料记录的“搜集阶段”,到资料清洗、统计分析的“诊断阶段”,最后进入机器学习、模型创建的“预测阶段”,以及未来由AI提供建议行动的“指导阶段”,让企业能清楚了解各阶段的转型问题。

其中“资料清洗”是许多企业最头痛的问题,Rockii通过数据中台(Data hub)快速处理不同来源的资料,依据产线、功能将资料分类,将资料从既有系统中解构,加入添加传感器的资料,再依据不同应用需求去重构,把需要的资料快速集成出来。

以前面提到的变频器为例,Rockii就能借由关注变频器的所有运行参数、记录操作的环境因素、关联报警消息,而后进行统计分析,以及创建预测故障的模型,让AI与机器学习技术融入变频器预知保养中,以避免突如其来的损坏而造成产线运营中断。

何辅仁也补充,Rockii除了应用在关键组件运维,还可应用于能源优化、产能产线优化,及物料管理等环境优化。

5G边缘运算的智慧工厂新应用—AR巡检

而迈向智能制造后,工厂有更多的设备联网,“安全”也成为企业需更重视的议题。在日常的巡检作业上,传统方式是巡检人员拿纸张表格,到各个机器设备抄表巡检做记录关注。

但目前Rockwell发展出以AR技术连接数据库,巡检人员只要手持平板,走到定位结合空间识别,系统便能自动呈现需要抄写的表格,也能告知需要抄写的数据,并即时串联后端分析平台。对于新进的巡检人员来说,也能快速上手以减少各种人为疏失。

现今AI、物联网、大数据等智能制造应用,都依赖工厂“数据”的搜集,然而熟悉制造业Know-how的数据分析专家并不多见,拥有丰富智能制造导入经验的Rockwell期待能通过Rockii将需要人为分析的专业知识模块化,成为可套用到任一产业的工具,协助中小企业大幅节省时间性能,弹性调整生产运营流程!

发表评论