徹底改變廠房的工業運作方式

March 7, 2023

Christina Cardoza

工業運營

有潛力讓廠房工業製程加速，並且更安全也更永續的新工具很多，其中包括邊緣運算和數位分身。然而，伴隨著這些效益而來的難題包括，弭平 IT/OT 落差，以及用先進的技術搭配舊式基礎架構。

工業製造解決方案供應商西門子的工廠自動化執行長 Rainer Brehm，討論了這些工業趨勢與轉型。他談及標準化、自主 AI，以及包含西門子本身的使用案例。他從 1999 年就效力於該公司，持續親眼見證了這個領域的演變，以及接下來可能的發展。

工業領域在 2023 年及往後的趨勢走向如何？

在我們看來，結合數位（亦即模擬模組、數位分身）與真實世界是未來的趨勢。基本上，只要事先模擬一切，然後執行就可以了。備妥回饋迴路。先從作業取得即時資料，然後將它回饋至數位分身，接著就可以進一步將資料最佳化。善用資料極為重要，因為雖然 AI 尚未在廠房蔚為風潮，但是由於資料越來越唾手可得，AI 將會在廠房逐漸風行。

另外，我們還注意到軟體定義的控制方式，或是軟體定義的自動化。目前，幾乎每樣東西都與硬體搭售，但是日後分開銷售和虛擬化的比例將越來越高。

最後一個重點則是，回顧廠房時我們發現，使用這些複雜技術的人，依舊是機器的操作者。這些人雖然不是 IT 專家，但依舊必須能夠操作與維護生產線、機器和基礎架構的機器設備。因此，我們必須面對以人為本的自動化這個議題：我們怎麼做才能讓過程儘可能簡單？

達成工業 4.0 的目標必須克服哪些難關？

我認為過程必須動用多項技術。然而，他們並未擴充的原因在於，OT 與 IT 人員的溝通方式截然不同。即使是在我們公司，身為 OT 人員的我也能感同身受。談及連線能力時，我想到的連線對象是真實世界、設備、感應器與硬碟等。IT 人員談及連線能力時，腦中浮現的連線對象則是資料庫、雲端與資料湖。客戶的體驗，我們在公司也感同身受。IT 部門與 OT 人員之間的落差仍未消弭。OT 人員負責定義如何自動化、如何架設設備、如何設置生產線，以及如何如何透過維護的方式最佳化。

那麼您如何整合溝通方式？雖然重點可能在於用字遣詞，但是舉例來說，可能與如何為 OT 整體環境制定計畫有關。我們引進了全新的程式設計環境，名為 SIMATIC AX (Automation Xpansion) 擴充套件。之所以稱為擴充套件的原因在於，它為 IT 人員拉近了與 OT 界的距離。

整體環境的異質程度也非常高。很多機器使用的語言都不一樣，因為機器是出自不同的廠商之手。由於沒有標準，因此其實無法擴充。標準是擴充的必要條件。這項必要條件甚至適用於新機器、新廠擴建，不過就連既有廠房擴建也需要有標準可循。工廠一般至少運作 10 年，多半運作 20 年或 30 年。如果是能源產業或化學產業，工廠或許會運轉 40 年。

邊緣與 AI 問世，如何使得工廠自動化的過程複雜化？

論及廠房的邊緣運算時，條件更多。所謂的即時，可能只有微秒之差。請試想，在速度飛快的流程中，一微秒可能發生很多事情。如果回應速度不夠快，那麼可能會懷疑機器有問題，或是可能得出不同的結果。因此，即時是非常重要的議題。

其次，如果想在廠房部署 AI 工作負載，並且希望它以極快的速度回應，那麼關鍵則在於這個 AI 工作負載必須有緊鄰機器的推論，而原因則單純在於光速。另一方面，AI 最好能與實際過程頻繁互動。基本上，您必須干涉這個過程，因此最好採用緊鄰機器或生產線的近距離配置方式。此外，您還必須從過程中擷取資料，然後回饋至 AI。

我可以舉個例子說明。我們在漢堡市的工廠，每天約產生 10 TB 的資料。儘量不要將那 10 TB 的資料傳送至雲端，讓資料留在資料來源才是明智之舉。這個作法或許有別於傳統的 IT 現況。但是除了新增即時功能，我們還必須加入安全措施。

這一點與自動駕駛有點類似，因為安全措施對兩者而言都是極為重要的一環。請試想，在汽車業推行自動駕駛時，將看到小朋友跑到街上時是否該停車的決定，交給雲端並非是明智的選擇。直接在車上儘快執行那個反應才是上策。機器也同理可證。如果印刷機故障，而且有人的手指夾住了，應該立刻停機才對。您需要的是那種光速反應。

但何不未雨綢繆呢？1999 年我開始在西門子工作時，自動化的工作內容基本上重複性質都很高。大量生產非常適合自動化，因為量產有很多重複性質的工作。或者也可以將可預測的工作自動化。基本上，可以只將已知的部分自動化。

雖然 AI 已經用於將流程最佳化，但是難道我們不能也利用 AI 打造更自動化的工廠嗎？我們該如何利用 AI，讓機器或機器人自行決定該怎麼做嗎？也就是說，AI 不僅能將流程最佳化、將工程設計最佳化及強化，實際上還能操縱機器人、機器與生產線。將 AI 應用於那個用途令人非常雀躍，因為它開創了全新的自動化領域。

西門子有哪些使用案例能夠當成這些解決方案的實際示範？

先從我們的廠房說起；我們自己也採用了用於客戶廠房的解決方案。我們位於漢堡市的廠房，正是 IT/OT 運用 AI 的使用案例。印刷電路板生產線的產量極高，而且將零件放在電路板的過程也很複雜。我們過去通常會在最後以 X 光檢查印刷電路板，而且始終遇到瓶頸。因此，利用 AI 之後，現在我們能預測每塊印刷電路板品質是否優異，也可預測每部機器是否有極高的可能性不會發生品質問題，將印刷電路板送去 X 光機的作法已經淘汰；現在印刷電路板會略過 X 光機，直接送去進行最後組裝。

另一個例子則是基礎設施，也就是隧道自動化。開車行經阿爾卑斯山或洛基山脈的隧道時，哪些隧道極有可能是由我們的 PLC 所自動化及控制。為了偵測隧道內的緊急情況，例如是否塞車、是否發生火災，現在我們利用 AI 的情況越來越多。如果需要快速回應，該如何從隧道疏散？如何開啟或關閉通風孔或燈光？

再以工廠為例，我們目前採用即時的彈性抓取方式，將物品從盒子中取出。AI 會指示機器人抓取哪個部位，完全不必用需要抓取的物品訓練機器人，也不必為機器人編寫程式。我們會訓練機器抓取的技巧。基本上，只要夾爪允許，機器人能抓取任何需要的物品。因此，有了那項抓取技巧，我們能開始將未知或無法預測的動作自動化。

我的最後一個使用案例雖然目前尚未實現，但卻是目前投資的標的：未來是否可以將維修自動化？以汽車電池為例。未來或許可以將汽車開去保養廠；電池取出後發現有缺陷，接著系統能自動偵測問題所在，然後自動修理電池電芯。這也算是將未知的過程自動化，因為每顆電池都獨一無二。是否能利用 AI 將那個過程自動化？因此，幾個令我十分雀躍的使用案例，將會在未來產生影響。