机器学习算法需要一定的运算时间，其目的也多在解决制造业类似像是制程排程优化的长时间问题，对于制程中会遇到的实时问题反应与控制指令回馈会缓不济急，近两年边缘运算概念兴起，成为工业物联网的实时性问题的最佳答案。

1969年PLC问世后，自动化技术在制造领域逐渐站稳脚步，如今已是全球制造系统的核心架构，由于制造系统讲究稳定，因此对新技术、新架构的接受速度向来缓慢，不过近年来消费市场快速变动，对全球制造业带来严峻挑战， 导入智能化架构成为业者永续经营的必要策略，而在新世代的制造系统中，工业物联网不仅成为核心架构，更会与AI(人工智能)结合，落实智能化愿景。

所有场域应用的物联网，其架构都相同，都是由传感器、通讯网络与云端管理平台所组成的3层架构，由传感器撷取设备数据，再经由通讯网络传送到上层云端平台储存、运算，最后再以分析出来的数据作为系统运作的决策参考，而在整体架构中， AI过去多被建置在上层的云端平台，透过强大的机器学习算法，分析由终端感测层传回的海量数据。

不过，机器学习算法需要一定的运算时间，其目的也多在解决制造业类似像是制程排程优化的长时间问题，对于制程中会遇到的实时问题反应与控制指令回馈会缓不济急，近两年边缘运算概念兴起，成为工业物联网的实时性问题的最佳答案。

上层AI多用于长期规划

边缘运算的做法是让终端设备具有一定的运算能力，具有边缘运算设计的工业物联网架构，必须先建立起一套数据流模式，当传感器撷取到设备的状态数据后，就将数据传送到通讯层的网关，网关再依照系统建构时的设定让数据分流， 需要实时处理数据传送到前端控制器，让自动化设备可以快速反应，需要储存累绩为长期数据的数据，则送往数据库储存，上层再透过运算平台分析出结果，提供管理者作为决策参考，因此现在完整的工业物联网， 其AI会被分别设计在会有终端与云端两部分，让分布式与集中式运算在架构中并存，彼此各司所职。

再从设备供应端在工业物联网的研究议题来看，现在主要是集中在4个方向，包括生产系统、产品质量、制程优化与数字建模。 在这4大方向中，各有其需要解决的问题，像是生产系统中，设备的状态感测、监控与预诊，产品质量的检测、预测，制程优化的参数设定、能源运用，数字建模的数字双生平泰建立等，透过工业物联网的数据撷取与分析，将可逐步解决这些问题， 提升系统整体效能。

在工业物联网中，AI主要用来做制程的优化与长期规画等非实时性决策，例如现在消费性市场的产品类别多样，制程系统的换线将成为常态，透过大数据与AI的运算，就可尽量缩短换线生产的停机时间，让排程优化。

进行产线排程时，需从机器环境、制程加工特性与限制、排程目标，依据工作到达达生产现场的情况区分，可分静态及动态排程两种，静态排程是到达生产现场时，其制造数目?固定且可一次完成的任务进行排程，后续如果出现新工作， 再并入下一次制程处理。 动态排程则是若制程连续、产品随机，而且数目不固定的到达生产现场，须不断的更新生?排程。

就上述两种排程方式来看，静态排程通常为少样多样方式，AI在其中要解决的问题，主要是透过深度学习算法分析各环节的时间与质量，不断的改进工序，让效能与质量优化;动态排程则用于少量多样生产，AI会针对不同产品的工序， 建立起换线模式，有不同产品上线时，即启动专属换线模式，尽量缩短停机时间，同时让产品维持固定质量。

边缘运算效益可快速浮现

由于工业物联网上层的AI建置，效益需要一段时间才浮现，不会是立竿见影的发生，而且对制造业者来说并非当务之急，因此目前投入者大多为大型制造业，中小规模的业者，则以底层的边缘运算为主。

目前中小企业的工业物联网建置，制造设备的预知保养与制程检测仍是两大主要功能，由于设备的无预警停机，将会造成整体产线停摆，轻则产在线的半成品报废，重则交期延宕影响商誉，设备保养过去多采人工记录方式，人员再按照时间维护， 不过这种方式除了有可能因人员疏失或懈怠，未能定时作业外，设备也有可能在未达维护时间时故障。

工业物联网中的设备预知保养可分两类，一种是直接在管理系统上设计提醒功能，主动告知相关人员维修时间，另一种则是由传感器侦测设备状态，若是出现异常，AI则会依据出现的状态频率，判断可能发生的情况，再做不同处理， 例如传感器发现马达的震动，有可能是轴心歪斜，系统会依据震动的大小与频率判断马达现在的状态，如果有可能会立即损坏，就马上告知设备维护人员停机更换，如果没有立即危险，则会让马达持续运作，并记录该马达的状况， 让管理人员自行决定维护时间，让产线可以维持稳定的运作效能。

边缘运算的另一种主要功能是制程检测，从目前AI的发展来看，图像处理占有70%以上的应用，在工业物联网架构中也是如此。 过去制程中多靠人眼检测产品质量，由于人眼容易疲劳，随着工作时间的拉长，检测质量会逐渐降低，再者，部分消费性产品的体积越来越小，产线速度越来越快，人眼已难以负荷，现在已被取代机器视觉所取代。

现在的机器视觉判断速度非常快，且精准度越来越高，不过其运作模式仍是贴合大量制造的制程为设计，其快速与精准的辨识，仅能适用于少数类型，在少量多样或混线生产的制程中仍力有未逮，而AI则可让机器视觉拥有学习能力， 未来的设备将可透过算法自我学习，遇到不一样的产品种类或瑕疵时，即可自主判断，不必再由管理人员重新设定、调整判别模式。

感知运算会是下一步

在现有的设备预诊与制测检测之后，制造系统的边缘运算接下来将会有那些重点应用? 易用性将会是下一个趋势，而要让设备易用，感知会是系统的必要设计理念。

相对于现在的工业物联网中，边缘运算只能找出系统问题，感知运算则可找到问题的原因，并直接提出最佳解决方式，制造系统的智能化设计，必须针对不同用户提供适用功能，决策者、管理者、操作者所需的信息大不相同， 第一线的设备作业者遇到问题时，往往面临极大的时间压力，此时系统并不需要问题以外的信息，只需要系统直接告知问题所在，甚至提出可行的解决方式，像是设备故障，系统会直接在画面显示或以语音提示，告知操作人员先按下某个按键， 让系统先恢复安全状态，之后再提示紧急状态的发生原因。 这就是感知运算最大的优势所在，随着IT领域软硬件技术提升与制造业对智能化概念的逐渐接受，感知运算将成为制造业的应用会越来越多。

观察发展现况，工业4.0在制造业已是大势所趋，无论是设备应应商或制造业者，导入工业物联网的动作也都转趋积极，不过有成效者仍占少数，之前研究机构麦肯锡(McKinsey)就曾针对欧、美、日等地的制造大厂进行调查， 根据调查显示，建置相关系统的企业中，仅有四成认为有获得成效或确实改善了制程，此一结果虽然不至于太惨，但与当初预期仍有一段距离。

至于台湾地区市场，由于制造业族群分布零散，工业4.0要落实在不同产业中仍有困难，原因在于无论是技术成熟度、策略方针到问题痛点，不同型态的制造业，其差异都相当大，因此制造业导入工业物联网的第一步，就是先审视自己所处的位置， 以找出最合适的解决方案。

业者指出，各族群制程系统的技术成熟度不同，对工业物联网的功能需求差异也极大，例如传产可能连第一步将设备连网的阶段都还未达到，更遑论AI，但也有产业已在深入研究AI、机器学习等技术的深化应用，让设备自主优化。

你在工业4.0的哪一阶段?

至于制造业要审视本身在工业4.0中所占的位置，则可透过讯息物理系统(Cyber Physics System)当中的5C架构来进行评判标准， 5C标准非常适合用来检视工业4.0技术的成熟度，并辅助企业审视各阶段所需的代表性能力与技术，顺利导入工业物联网。 5C架构从最底层初阶技术至最高层高阶应用共可分为五个能力组成，分别是链接(Connect)、转化(Covert)、虚拟(Cyber)、感知(Cognition)以及自我配置(Configure)。

第一阶段的链接，最主要是整合OT与IT系统，透过联网技术让机器与机器间能够互相通讯、进行串联。 其次是转化，这阶段是让设备机台在初步的连网后，将撷取到的信息转换为具有分析价值的数据信息，例如设备的失效或良率的分析。 其中，设备端点须具备分析、智能化的能力是这一阶段中非常关键的能力。

在第三个阶段虚拟中，则是强调虚拟化的数字双生(Digital Twins)，在所有机台都连网之后，形成另外一个虚拟、同步化的工厂运行，而其数字工厂具备感知、预测能力，可预测“ 非计划内”的设备故障，当故障讯息被数字工厂撷取后，更可以仿真接下来如何执行优化的重新排程，例如像日本近年就非常致力于推动数字工厂的运行。

至于第四层感知阶段，主要则是导入如机器学习、深度学习等一系列的人工智能技术，让机器可自我学习、进化，并从大数据分析中不断进行推算与仿真，进而在设备端预防机器故障与良率不佳的状况。

最后一个阶段自我配置，则是能够机器能够藉由感知、学习的结果，以自主的方式改变机器设备的设定，就好比自动驾驶的概念，利用系统对环境变化的判断与分析自动更改执行命令。 而工厂的机器同样也能够根据感测系统、订单需求等的变化重新排程，订立优化的结果，这也是目前工业4.0追求的最高层级。

透过不同阶段的认知，制造业即可掌握目前自身系统所在的位置，并根据自身问题，向系统整合商提出功能需求，例如产品质量不佳，就以图像处理强化质量控管;要提升效能，则可侦测设备的使用状态，提升OEE(整体设备效率)， 而这些功能都可透过简单的AI设置，加快效益的浮现速度。

谈到AI，过去多认为是遥不可及的概念，但其实AI可分为强AI与弱AI，在工业物联网的边缘运算中，通常只需要用到有限效能的弱AI，就可有效提升效能，因此制造业者不必认为太过遥远就一径排斥，可与系统厂商沟通讨论，先从影响不大 、成本不高之处先行建置，再视成效决定下一步动作，透过不断的尝试、修正与导入，企业就可在有限的成本与风险下逐步转型，维持市场竞争力。