历经机械生产、制造标准化、电脑化及自动化革命，在比拼整体设备效率 (OEE) 和设备综合生产力 (TEEP) 指标、快速量产之后，时至工业 4.0，等同砸大钱新购昂贵设备、将所有设备联网？叡扬资讯 (GSS) 高级解决方案架构师钱钲津直指，第四次工业革命的核心精神在于＂智能化及价值创造＂；惟对于中小企业而言，如果连现有瑕疵都管理不好，又遑论智能制造？不如从＂解决问题＂切中时弊，以＂如质、如期、如成本＂为首要目标更接地气。换个角度，中小企业更见商业潜力，尤其是面临夕阳西下危机的产业，更有＂救危扶倾＂的迫切需求。
照片人物：叡扬资讯高级解决方案架构师钱钲津
智能制造时代，价值认定由市场说了算！
钱钲津说明，中小型工厂不像大企业可让耗资数亿元台币的生产设备一次到位，但强在柔性生产、灵活，反而是新契机。他表示，智能制造的价值链是由工厂 (机械) 和产品 (服务) 两个环状结构组成，须留意的是：价值的认定来自于市场，非生产者的主观思维，有赖数字供应链串流与数字客户关系链的协同合作，让生产者不必再瞎子摸象、凭空臆测。将＂协同＂概念延伸至下游客户端做智慧拓销，可发展智能型产品与服务，例如，智能孕妇装可感测腹中胎儿生长情形；而迈向智能制造的旅途，可借镜生命体的演化进程 (如图 1 所示)。
钱钲津说明，中小型工厂不像大企业可让耗资数亿元台币的生产设备一次到位，但强在柔性生产、灵活，反而是新契机。他表示，智能制造的价值链是由工厂 (机械) 和产品 (服务) 两个环状结构组成，须留意的是：价值的认定来自于市场，非生产者的主观思维，有赖数字供应链串流与数字客户关系链的协同合作，让生产者不必再瞎子摸象、凭空臆测。将＂协同＂概念延伸至下游客户端做智慧拓销，可发展智能型产品与服务，例如，智能孕妇装可感测腹中胎儿生长情形；而迈向智能制造的旅途，可借镜生命体的演化进程 (如图 1 所示)。
钱钲津认为，智能制造应按部就班推动管理创新、重新定义所有价值主张。首先，要有整厂思维，将企业资源规划 (ERP)、制造执行系统 (MES) 与底层设备数据整合、串接并回馈到上层系统；其次是跨厂管理——包括源头供应到市场销售、甚至往前追溯到设计端，改善延迟交货、质量不良等缺失，而非一味强迫机器不停大量生产；再者，是导入物联网 (IoT) 和人工智能 (AI)，落实精实生产系统 (LMS)、提升品管并节约能源；最后是全产业的协同优化与人机协作，以便因应需求快速转换与少量多样的客制化生产。
图1：智能制造之旅，可借镜生命体的演化进程
资料来源：钱钲津提供
AIoT 解析现在，探索未来
钱钲津指出，早期工厂多是以手工记录片段数据，一旦设备故障仅能概略描述过程、无法获悉当下机台参数；但要确实找到根源，势必考虑事发前后的背景因素，人工智能＋物联网 (AIoT＝AI＋IoT) 可助一臂之力。随着感测触角越来越多，需要大脑中控；与此同时，长期累积下来的数据经由 AI 进行相关演算、分析，以达到预防、预测、优化建议到全厂高度自动化，工厂环境恶劣、招工不易的纺织业就是经典教案。以染整为例，化验室配方到生产端的＂一次对色率＂极其重要；当中任一环节稍有差池就会拖累整个工序，而高度智能化利于知识经验传承。
钱钲津指出，早期工厂多是以手工记录片段数据，一旦设备故障仅能概略描述过程、无法获悉当下机台参数；但要确实找到根源，势必考虑事发前后的背景因素，人工智能＋物联网 (AIoT＝AI＋IoT) 可助一臂之力。随着感测触角越来越多，需要大脑中控；与此同时，长期累积下来的数据经由 AI 进行相关演算、分析，以达到预防、预测、优化建议到全厂高度自动化，工厂环境恶劣、招工不易的纺织业就是经典教案。以染整为例，化验室配方到生产端的＂一次对色率＂极其重要；当中任一环节稍有差池就会拖累整个工序，而高度智能化利于知识经验传承。
目前纺综所正携手叡扬信息尝试以 400 多个参数做高维计算，冀将一次对色率从 60% 提升至 80%。另一方面，借助异类数据处理与高度计算能力可探索从前没发现的新大陆，激发创新灵感。例如＂循环经济＂兴起，研发新织法典范、定义新的工艺参数／添加物／配方，以便旧衣可被拆解回收。不过如前所述，规模不大的工厂要大举更张并非易事，钱钲津建议，从最迫切处切入是最好的方式，并提出＂1/3 月台＂构想——失效预防与问题解决、智能型全面质量保证、数据辅助质量管理，以及＂切、望、闻三感 AI＂三种级别解方——内嵌或接触式机台传感器、CCD 光学摄影机做色彩空间处理、收音式麦克风做声音信号处理。
无联网功能的老旧设备，也能产业升级
秉持＂不必汰换无联网功能的老旧设备＂理念，第一种＂切＂是在每台织机加装信号撷取卡与信号传输设备、收集织机数据，再将生产相关信号整合至伺服端以监控织机实时运转狀态。第二种＂望＂是借由 CCD 将控制面板仪表数字拍摄下来，再利用双方共同开发的光学 IoT 系统、以机器视觉及 AI 演算采撷机台数据——CCD 容易晃动，且织布是非均匀表面、易受光线影响，导致拍摄影像色彩不是点状、而是团状不规则分布，须以算法校正并将原始影像进行色彩空间转换。
秉持＂不必汰换无联网功能的老旧设备＂理念，第一种＂切＂是在每台织机加装信号撷取卡与信号传输设备、收集织机数据，再将生产相关信号整合至伺服端以监控织机实时运转狀态。第二种＂望＂是借由 CCD 将控制面板仪表数字拍摄下来，再利用双方共同开发的光学 IoT 系统、以机器视觉及 AI 演算采撷机台数据——CCD 容易晃动，且织布是非均匀表面、易受光线影响，导致拍摄影像色彩不是点状、而是团状不规则分布，须以算法校正并将原始影像进行色彩空间转换。
图2：通过色彩空间转换演算，提高纺织色纺着色识别的精准度
资料来源：钱钲津提供
钱钲津另举一例解释：通过 CCD 采撷多采用 HSV 椭圆锥体空间，但纺织染整是以分光仪量测而采 CIE L*a*b* 四色维度，所以须先经过转换，再依序做颜色筛选、噪声消除、影像重建、偏心尺码侦测和影像瑕疵过濾后转成＂二元影像＂(Binary image)，继而将这些数值分群、比对。第三种＂闻＂是基于机台内部本是一种黑箱状态，可将机台运转声音转换成音高等特征来自动判断是否有＂水锤现象＂——染料液体因管路阀门受阻、流体压力急升而损伤机台 (运转马达的共振亦可用麦克风收音监测)。
＂精实生产＂深化上、下游合作，AI 向大自然取经
另钱钲津提到对＂物联网交换平台＂的看法：美系多有商业考虑、小工厂难以负担，故特别推荐欧洲＂Tango Controls＂开源平台；通过统计过程控制 (SPC) 计算得出六个标准偏差，针对可靠稳健原则订出 10 个规则加以过滤，员工只需在中控台工作、搭配走动式现场管理即可，不必整天待在令人不适的生产线。智能中控台还可清楚呈现完整制造过程价值图，找出价值流的贡献度、问题环节与浪费根源予以模拟、预测，实现＂精实生产＂——平准化生产、改善换模时间、提高工作效率，进而建立＂超级市场＂让上、下游生产不间断。
另钱钲津提到对＂物联网交换平台＂的看法：美系多有商业考虑、小工厂难以负担，故特别推荐欧洲＂Tango Controls＂开源平台；通过统计过程控制 (SPC) 计算得出六个标准偏差，针对可靠稳健原则订出 10 个规则加以过滤，员工只需在中控台工作、搭配走动式现场管理即可，不必整天待在令人不适的生产线。智能中控台还可清楚呈现完整制造过程价值图，找出价值流的贡献度、问题环节与浪费根源予以模拟、预测，实现＂精实生产＂——平准化生产、改善换模时间、提高工作效率，进而建立＂超级市场＂让上、下游生产不间断。
钱钲津预期，自然语言处理／机器视觉／知识表示／自动推理／机器学习／机器人技术等＂类人类行为＂与感性工程／人工心理／人工情感／神经生理结合等＂类人类思考＂将是 AI 未来趋势，而向大自然学习的＂群体智能＂(Swarm Intelligence) 算法——又称为仿生计算 (bio-inspired computation) 或自然计算 (natural computation)，有助于求得各类问题的最佳解；依循机率转移规则，由个体的适应值引导搜寻，且群体中单一个体可从空间中不同初始位置 (随机多点) 同时搜寻，效率较佳且不易陷入局部最佳解错觉。
图3：＂类人类＂行为＋思考，是 AI 未来趋势
资料来源：钱钲津提供
图3：＂类人类＂行为＋思考，是 AI 未来趋势
资料来源：钱钲津提供
＂群体智能＂减少无谓浪费，智慧供应链最终成＂生产同盟＂
＂群体智能＂是一种＂去中心控制＂方式，蚁群 (ant colony)、粒子群 (particle swarm)、蜂群 (bee colony)、人工鱼群 (artificial fish swarm) 等算法，是近年研究热点；分散处理、多重演算／互动＂大动员＂，可应对零工排程问题 (Job-shop Scheduling Problem, JSSP) 与二次分配问题 (Quadratic Assignment Problem, QAP)，减少无谓的浪费。钱钲津强调，智能制造是从定义生产规范、转变成定义价值，借由深度学习／机器学习计算提供建议给工厂 (样本数／数据量) 是关键，且此一智慧供应链最终将串连成＂生产同盟＂。
＂群体智能＂是一种＂去中心控制＂方式，蚁群 (ant colony)、粒子群 (particle swarm)、蜂群 (bee colony)、人工鱼群 (artificial fish swarm) 等算法，是近年研究热点；分散处理、多重演算／互动＂大动员＂，可应对零工排程问题 (Job-shop Scheduling Problem, JSSP) 与二次分配问题 (Quadratic Assignment Problem, QAP)，减少无谓的浪费。钱钲津强调，智能制造是从定义生产规范、转变成定义价值，借由深度学习／机器学习计算提供建议给工厂 (样本数／数据量) 是关键，且此一智慧供应链最终将串连成＂生产同盟＂。
