中小企業導入智慧製造如何立即見效？洛克威爾自動化打造客製化數據模型，精準掌握轉型步調！

 (News from: TechOrange)

今年受到疫情影響，許多產業試圖透過業務轉型、數位轉型來度過景氣低潮，其中製造業更因為中美貿易戰衝擊，紛紛加快其轉型腳步，但對於許多中小企業主而言「看不到智慧製造導入的真正效果」是阻礙轉型的關鍵。

在「2020 AIoT 論壇」中洛克威爾自動化（Rockwell Automation）資深顧問何輔仁分享，在工廠數位轉型後，許多企業主開始蒐集到大量數據資料，卻面臨不知道如何與營運問題做分析的情況。

因此若能以「小改變帶來大效益」，或許是讓中小製造業願意嘗試的開始，像是藉由 AI 與機器學習建立「變頻器的故障預測模型」，就能有效降低工廠停止運作的機率。

如何從單點作業項目拓展到全工廠的數位轉型？「篩選正確數據」是關鍵！

何輔仁也指出，在智慧製造的概念下，許多製造業希望透過 AI、機器學習的技術來做到設備異常偵測或改善良率等，但往往只能做到單點項目的改善，若要拓展到全工廠導入卻經常遭遇瓶頸。

這樣的困境主要在於，許多製造業都知道要搜集資料，但往往很多都是沒有用的資料，導致在分析時產生誤判。或者是聽到許多解決方案供應商的應用案例，但要套用到自己的產線上卻又格格不入。

何輔仁表示，Rockwell 致力於協助企業找出資料的價值，透過一套方法論幫助企業找出營運上的問題點，並透過分析工具來解決，之後才是引入機器學習與 AI 來建模、預測，並採取行動，如此才能完整的進行轉型改造。

從工廠的數據蒐集、清洗到模型建立分段拆解，加快企業找出轉型問題

過去企業透過機聯網搜集資料，OT 部門人員將資料存入資料庫，IT 人員將資料整理排序，再由資料科學人員分析資料、建模，最後交由 OT 驗證，整個流程橫跨不同部門、平台非常耗時，且成果無法重複使用。

因此，Rockwell 將多年協助製造業轉型的經驗歸納推出 Rockii（Rockwell Information Intelligence）。協助企業以概念驗證（POC）的方式，將整個流程拆解，從前端參數連結、資料記錄的「蒐集階段」，到資料清洗、統計分析的「診斷階段」，最後進入機器學習、模型建立的「預測階段」，以及未來由 AI 提供建議行動的「指導階段」，讓企業能清楚了解各階段的轉型問題。

其中「資料清洗」是許多業者最頭痛的問題，Rockii 透過數據中台（Data hub）快速處理不同來源的資料，依據產線、功能將資料分類，將資料從既有系統中解構，加入新增感測器的資料，再依據不同應用需求去重構，把需要的資料快速整合出來。

以前面提到的變頻器為例，Rockii 就能藉由追蹤變頻器的所有運作參數、記錄操作的環境因子、關聯報警訊息，而後進行統計分析，以及建立預測故障的模型，讓 AI 與機器學習技術融入變頻器預知保養中，以避免突如其來的損壞而造成產線營運中斷。

何輔仁也補充，Rockii 除了應用在關鍵元件維運，還可應用於能源優化、產能產線優化，及物料管理等環境優化。

5G 邊緣運算的智慧工廠新應用— AR 巡檢

而邁向智慧製造後，工廠有更多的設備連網，「資安」也成為企業需更重視的議題。在日常的巡檢作業上，傳統方式是巡檢人員拿紙張表格，到各個機器設備抄錶巡檢做記錄追蹤。

現今 AI、物聯網、大數據等智慧製造應用，都仰賴工廠「數據」的蒐集，然而熟悉製造業 Know-how 的數據分析專家並不多見，擁有豐富智慧製造導入經驗的 Rockwell  期待能透過 Rockii 將需要人為分析的專業知識模組化，成為可套用到任一產業的工具，協助中小企業大幅節省時間效能，彈性調整生產營運流程！