自從德國率先喊出工業(yè)4.0后，相關科技也同步的突飛猛進，包括工業(yè)物聯(lián)網(wǎng)、大數(shù)據(jù)分析、機器人等技術發(fā)展至今，已漸漸打造出新型態(tài)的智能工廠與全新的工業(yè)化標準。

　　尤其近幾年來，人工智能(AI)浪潮襲來，更賦予工業(yè)4.0有了全新的發(fā)展面向，明確分野自動化及智動化的差異，包括機器視覺、深度學習等利用算法分析為主的人工智能技術，已成為工業(yè)4.0未來發(fā)展的全新趨勢，不僅讓自動化與機器人的技術更為精準、制造業(yè)也開始進入如無人工廠等全新的科技領域。

　　就目前發(fā)展來看，智能制造有三大趨勢，首先是生產(chǎn)網(wǎng)絡，這部分主要是應用制造運行管理系統(tǒng)(Manufacturing Operations Management, MOM)，協(xié)助生產(chǎn)價值鏈中的供貨商獲得并交換實時生產(chǎn)信息，供貨商所提供的全部零組件都可在正確的時間以正確的順序到達生產(chǎn)線，第二個趨勢是虛擬仿真與真實物理系統(tǒng)的完美融合，在生產(chǎn)制造過程中的每一步都將在虛擬世界被設計、模擬及優(yōu)化，為真實的物理世界包括物料、產(chǎn)品、工廠等建立起一個高度仿真的數(shù)字雙生(Digital Twin，Twin Model)，第三個趨勢則是網(wǎng)宇實體系統(tǒng)(Cyber-Physical System，CPS)，在此系統(tǒng)中，產(chǎn)品信息都將被輸入到產(chǎn)品零組件本身，它們會根據(jù)自身生產(chǎn)需求，直接與生產(chǎn)系統(tǒng)和設備溝通，發(fā)出下一道生產(chǎn)工序指令，指揮設備自行組織生產(chǎn)，這種自主生產(chǎn)模式能夠滿足每位用戶的訂制化需求。

　　以大數(shù)據(jù)建立運算模式

　　上述的三大趨勢，未來都會與AI有一定程度的整合，例如在產(chǎn)線監(jiān)控、機器人、無人搬運車等，都將有AI運算功能設計，主因在于大量訂制化的趨勢，工廠需要面對的產(chǎn)品類型、產(chǎn)線調(diào)動等各種生產(chǎn)情境的難度也會大增，雖然透過傳感器及大數(shù)據(jù)分析，管理者已經(jīng)可以掌握更多用來幫助決策的信息，但也因為信息量大量增加，增加管理者的信息分析壓力，加上市場變化愈來愈快速，人類的分析速度恐怕已經(jīng)愈來愈難跟上提供速度愈來愈快的前端數(shù)據(jù)，自然也就更難讓制造現(xiàn)場的機臺能夠迅速反應客戶需求，AI應用于制造業(yè)，將可讓系統(tǒng)從大數(shù)據(jù)分析找出規(guī)律性建立模式，進而學習避免前面發(fā)生的錯誤，甚至做到提前預測，應用于制造領域，不僅可以縮短停機時間，更可適時做出產(chǎn)線調(diào)整，減少呆料及廢料的發(fā)生頻率。

　　對工業(yè)物聯(lián)網(wǎng)來說，取得數(shù)據(jù)和分析數(shù)據(jù)是核心任務，而來自傳感器的數(shù)據(jù)點經(jīng)過多個階段才能轉(zhuǎn)化為可操作的見解，工業(yè)物聯(lián)網(wǎng)平臺包括可擴展的數(shù)據(jù)處理流程，能夠處理需要立即關注的實時數(shù)據(jù)，以及僅在一段時間內(nèi)有意義的數(shù)據(jù)，當檢測到壓力和溫度閾值的異常組合之后，物聯(lián)網(wǎng)平臺關閉液化石油氣灌裝機可能已經(jīng)太晚了，應該在毫秒之內(nèi)檢測到異常，然后依規(guī)則觸發(fā)立即反應。

　　就目前發(fā)展來看，AI有幾種算法，例如熱點路徑分析的核心是負責檢測異常的規(guī)則引擎，物聯(lián)網(wǎng)平臺嵌入復雜的規(guī)則引擎，可以從傳感器數(shù)據(jù)流動態(tài)評估復雜的模式，由了解模式和數(shù)據(jù)格式的領域?qū)＜襾矶x規(guī)則引擎的基準閾值和路由邏輯，這種邏輯作為規(guī)則引擎在編排訊息流中的關鍵輸入，在數(shù)據(jù)點移動到數(shù)據(jù)處理流程下一個階段之前，為每個數(shù)據(jù)點定義嵌套的語句條件，規(guī)則引擎已經(jīng)成為物聯(lián)網(wǎng)平臺的核心，而機器學習的關鍵領域之一是從現(xiàn)有數(shù)據(jù)集中找到模式，將類似的數(shù)據(jù)點分組，并預測未來數(shù)據(jù)點的價值。

　　機器學習有關的高階算法可用于分類和預測分析，由于這些算法可以從現(xiàn)有數(shù)據(jù)中學習，且大多數(shù)物聯(lián)網(wǎng)數(shù)據(jù)都是基于時間序列，因此這些算法可以根據(jù)歷史數(shù)據(jù)預測傳感器的未來值，這些多種機器學習算法的組合，將可替代工業(yè)物聯(lián)網(wǎng)平臺中的傳統(tǒng)規(guī)則引擎，雖然領域?qū)＜胰匀恍枰鶕?jù)條件定義采取行動，但這些智能算法提供更高的準確性和精準度。

　　AI + HI大幅提升效益

　　工業(yè)物聯(lián)網(wǎng)中的機器學習最大應用之一是設備的預測性維護，透過關聯(lián)性和分析模式變化來預測設備故障，并報告如設備的剩余使用壽命等關鍵指標，預測維護未來也可應用在航空航天、制造、汽車、運輸、物流和供應鏈等領域，例如預測模型安排至汽車服務中心，在航空業(yè)中，預測維護方案的目標是根據(jù)維護歷史和飛行路線訊息等相關數(shù)據(jù)來預測航班延遲或取消的可能性。

　　國內(nèi)最大的物聯(lián)卡交易平臺（http://whsspr.com）表示，觀察物聯(lián)網(wǎng)的發(fā)展態(tài)勢，目前工業(yè)物聯(lián)網(wǎng)是所有垂直應用中，發(fā)展最快的類別之一，AI在工業(yè)物聯(lián)網(wǎng)主要是協(xié)助操作者與管理者，篩選從大量設備擷取出的數(shù)據(jù)，并做出判斷，但是目前的AI并無法做出具有邏輯性的決策，因此在制造領域，AI必須與人類智慧結(jié)合，才會是系統(tǒng)的最佳效益。

延伸閱讀

http://whsspr.com/ask/255.html

http://whsspr.com/ask/254.html

http://whsspr.com/ask/252.html