Skip to main content

即時分析改造廠房

工廠車間

製造商承受高度壓力,得要充分利用所有可用的智慧功能,像是機器視覺還有 AI 驅動的視訊分析。這些功能可以成為關鍵性的工具,從瑕疵偵測到保障員工安全都能發揮作用。但很少製造商擁有 AI 領域的專業知識,同時他們需要應對許多挑戰和工作,更不用說要對一項龐大的技術投資做好未來規劃。這些全新技術必須兼具適應性還有互通性。

能跟深入探討這些需求的兩位專家分別是工業機器視訊供應商 Eigen Innovations營收長 Jonathan Weiss,以及 AI 視訊分析公司 AllGoVision銷售兼行銷長 Ali Anirudhan。兩人談到了實現工業 4.0 的挑戰、製造商怎麼善用資料驅動的廠房,以及 AI 如何持續改造廠房(影片 1)。

影片 1 。AllGoVision 與 Eigen Innovations 的產業專家探討 AI 在製造業中的革命性影響。(資料來源:insight.tech

機器視覺和 AI 如何應對工作 4.0 的挑戰?

Jonathan Weiss:我們所做的就是把機器視覺應用在品質檢測上,工業製造領域是我們的重點。傳統的視覺系統非常適合在生產現場偵測問題,通常會告訴你產品是好是壞。但是要怎麼幫助製造商預防瑕疵,而不是只有讓他們知道已經製造出有瑕疵的產品?

這就是我們的軟體特別的地方。我們不只利用視覺系統、攝影機還有不同類型的感應器,還直接跟處理資料,包括歷史資料、OPC UA 伺服器連接,甚至直接連線到網路控制級的 PLC 。我們提供製造零件實際使用的變數和計量指標的深入解析,製程中的出現的問題,還有導致瑕疵發生的變化。我們的方式大量採用 AI 跟 ML 技術。

在目前的工業環境裡面,視訊分析如何應對員工的風險?

Ali Anirudhan:這個產業的重點是怎麼提升自動化水準,增加更多的機器應用。但是人員的角色不會從廠房消失,基本上這表示人和機器之間的互動會越來越多。

根據聯合國的資料,全球企業每年在職業災害和損失上的支出高達 26,800 億美元。這項成本對每個製造商來說都是關鍵問題。過去他們會研究不同的事故案例來制定政策,確保不會再發生類似的事故。

但這種傳統的作法不足以降低成本。事故發生的原因可能有很多種,意外的情況也可能造成潛在的事故。所以你得要建立一個即時的機制,確保事故一開始就不會發生。

也就是說如果廠房員工沒有戴上應該要戴的安全帽,即使事故還沒有發生,系統就會馬上辨別出來,讓現場主管馬上處理。簡單來說:減少事故就是降低保險成本,進而提升公司的收入/ 利潤。

工業製造的領域涉及到人員的行為模式,以及他們和機器或車輛之間的互動方式。不同客戶對員工安全的需求也不一樣:石油和天然氣跟製藥公司的設備、防護裝備還有安全計畫的需求都不同。

例如,我們曾經跟一家印度的公司合作,他們生產線的熱金屬有時候會出現溢漏的情況。不管是從人員還是工廠的安全角度來看,這都非常危險。這間公司希望持續監控,發生任何情況即時報告。 

製造商準備好迎接資料驅動的工廠了嗎?

Jonathan Weiss:製造商一般來說都認識到數位化、自動化的必要性。我的確覺得在大規模計畫的方面還需要更多教育,包括從何開始、如何確保計畫的效率和成果,還有怎麼擴展到工廠之外。

在我的領域裡面,協助工業克服攝影機系統被孤立還有沒辦法跟其他企業溝通的挑戰非常重要。同時也要解決不能在生產線、工廠甚至只是在機器之間擴展 AI 模型的問題。這就是傳統攝影機不足的點。Eigen 已經跨越了這道障礙。

但我跟 Aij 解決的只是冰山一角,整個問題的關鍵就在資料上。透過為所有生產資料建立單一的可信來源,我們推動可採取行動的深入解析和自動化。簡單來說,就是把所有資料存放在同一個位置,包括品質資料、製成資料、安全資料、現場服務類型資料、客戶資料、保固資訊等等。然後開始跟各種企業級應用程式建立雙向連線,這樣 ERP 和品質就可以相互了解關注的部分。

這就是有單一的可信來源還有正確的策略和架構,把各種類型的軟體實施到整個工業企業的單一可信來源裡面。

製造商如何把機器視覺應用到工廠作業?

Jonathan Weiss:首先要瞭解想解決的問題。哪種瑕疵有最大的影響,而且最常出現,是你最希望能夠降低的?

在焊接領域,這種瑕疵通常是肉眼看不到的,所以視覺系統變得非常重要。譬如複雜的組裝過程會需要紅外線攝影機,因為肉眼很難看到零件的整個幾何形狀,來辨別是不是有瑕疵,或者要找出瑕疵會非常有挑戰性。

重點在於找到具有最大價值的使用案例,然後根據這個案例來制定計畫。接下來就是選擇技術。我都鼓勵製造商選擇兼具適應性和擴充性的技術,因為情況順利的話,工廠可能還會部署更多視覺系統。

Ali Anirudhan:現在大多數工廠為了符合法規和其他需求都有安裝 CCTV 攝影機,AllGoVision 的需求可以跟這些現有設備的輸入/輸出輕鬆匹配。也許攝影機的位置要改變,或是照明條件要調整。又或者是特定的情況需要不同的攝影機,譬如說熱攝影機。但在 80% 的情況下,我們可以重複採用現有的基礎架構,直接使用原先的視訊摘要。

跟像 Intel 這樣的夥伴合作有什麼重要性?

Aji Anirubhan:我們是首批採用 Intel 開放式架構的視訊分析供應商之一。從早期版本到 Gen4 和 Gen5,我們持續採用 Intel 處理器,效能有很明顯的提升。Intel 提供的平台和適合執行深度學習模型的技術對我們非常有幫助。

我們很期待像是整合式 GPU 或全新的 Arc GPU 這樣執行深度學習運算法的增強功能,迫不及待利用它們來提升執行運算的效率。在我們目前的策略和未來發展中,Intel 扮演著關鍵的合作夥伴角色。

隨著 AI 領域持續發展,還有哪些機會在等著我們?

Jonathan Weiss:Eigen 進行各種類型的檢測。其中一個例子是檢測在紙上塗上特殊塗層的機器。機器的一部分會在紙張通過的時候分級,只有八秒的時間來偵測機器上堆積兩點五毫米的塗層,不然會造成大約 150,000 美元的損失。這種情況一年可能發生很多次。甚至在一次輪班就發生很多次。

未來我們只有八秒的時間來偵測這種堆積,然後自動執行一個動作來防止設備故障。目前大概一秒鐘可以完成這個動作,但想像一下,未來只需要要三分之二或半秒的時間。

我想技術會變得越來越強大,使用的方式也會越來越多元。我有觀察到很多這類複雜工具的普及化。Eigen 從頭開始打造我們的軟體,目的是讓任何生產線的人員,不論經驗多寡,都能夠建立一個視覺系統。這對我們和客戶來說都非常重要。

雖然我們的領域非常注重產品的品質,但也同意 Aji 在前面提到的觀點,人員的角色不會消失。我覺得這反映了對 AI 普遍的誤解,認為會被 AI 取代,工作會被 AI 搶走。我們在產品品質上看到的情況剛好相反:我們把視覺系統和軟體引進工廠,提升他們檢測零件的速度。隨著工廠的生產量增加,公司有能力雇用更多人員來進一步增加零件生產。

很多客戶都說,視覺檢測是他們工廠流動率最高的職位。這份工作做起來可能不太舒服,員工需要連續站 12 個小時,眼睛盯著通過的零件,頭還要一直轉來轉去。這也是為什麼過去這種需求像是補充的維他命,而不是必要的止痛藥,但現在對企業來說,這些技術已經不再只是維他命了。我們在協助組織緩解難題,這不只是一種額外的增值。

Ali Anirudhan:值得注意的是所有生成式 AI 的存在,還有我們怎麼利用這些技術。大型視覺模型基本上是在解釋複雜的視覺或情境。我舉個例子:有一個環境允許車輛進入,但是人不可以。客戶說:「好,員工推著手推車的話,也可以走這條路線。」但要怎麼定義一個人有沒有手推車?

所以我們在研究像是 LVM 這樣全新的技術增強功能,來推出新的使用案例。在未來幾年,生成式 AI 技術會在應對工廠中的這些使用案例發揮更大的作用。但我們還有很大的進步空間。我們對技術還有正在實施的計畫非常期待。也迫不及待跟全球各地的不同客戶合作,打造更龐大的商業版圖。

相關內容

若要進一步瞭解 AI 驅動製造,請收聽 AI 驅動製造:打造資料導向工廠,以及閱讀機器視覺解決方案:偵測與預防瑕疵。想要掌握 AllGoVision 和 Eigen Innovations 的最近創新技術,歡迎在 Twitter/X 上關注 @AllGoVision@EigenInnovation,以及在 LinkedIn 追蹤 AllGoVisionEigen Innovations Inc.
 

文由 Erin Noble 編審

作者簡介

Christina Cardoza is an Editorial Director for insight.tech. Previously, she was the News Editor of the software development magazine SD Times and IT operations online publication ITOps Times. She received her bachelor’s degree in journalism from Stony Brook University, and has been writing about software development and technology throughout her entire career.

Profile Photo of Christina Cardoza