超前部署，智慧產線解方-製程即時分析與回饋控制應用

走在大數據(Big Data)、人工智慧(Artificial Intelligent, AI)與萬物聯網(Internet of Things, IoT)的時代，從高科技到傳統產業，充斥著對於「智慧化」的各種想像，企業希冀結合資通訊科技與營運技術，打造永續經營的強健體質。本文簡述智慧製造發展趨勢，剖析臺灣製造業智慧化所遇難題，進而介紹製程即時分析與回饋控制方法及產業應用效益，藉由系統化整合製程串流數據、自動關聯多源資料、萃取產品重要特徵、分析高低產效與建立反饋調整模型，提升人均價值並排除隱性危機，協助製造業者智慧化監控與管理產線。 

一、智慧製造發展趨勢

全球主要經濟體近年重新檢視工業政策，紛紛提出振興方針與願景。德國推崇「工業4.0」 (Industry 4.0) [1]，應用物聯網整合資通訊軟硬體以建置虛實化系統(Cyber-Physical System，CPS)，打造智慧工廠，強調人機協同作業環境。美國則是啟動「先進製造夥伴計畫」(Advanced Manufacturing Partnership，AMP) [2]，將先進製程拉回美國本土，以3D列印、大數據製造系統及先進機器人，作為美國未來的製造模式，重新取得製造業領先地位。更不能忽略「中國製造2025」[3]，以製造業服務化是工業化的戰略取向，堅持創新驅動、智能轉型、強化基礎、綠色發展，全面推升中國製造業能量，從製造大國轉向製造強國。

各國藉由物聯網裝置、雲端技術、大數據分析、AI應用等策略，讓製造業不只做到自動化，更要做到智慧化。所謂「智慧化」[4]，是指具有可自主調整廠區與產線之產能配置、可自主調整上下游供應配送、可自主優化生產環境之資源與能源配置、可輔助人員正確完成各種操作與組裝、可即時逆向追蹤生產進度與履歷等特色。運用軟硬體與系統整合技術，使工廠的生產行為具有感測器連網、資料蒐集分析、虛實系統整合且具人機協同作業，稱之為「智慧工廠」[4]。

因應而生的研發趨勢，如谷歌(Google)、亞馬遜(Amazon)、微軟(Microsoft)等大廠推出商用版雲端管理平臺及AI機器學習套件，提供多種智慧系統服務的選擇。Digitimes論壇報告[5]指出2019年已開展智慧製造的企業將由資訊科技與營運技術的集成，包括資料處理與生產流程自動化等，提升營運效能。智慧製造的價值在於提升製造效率、加快決策速度、穩定生產品質，透過系統的即時警示、預測、優化等功能，節省人工處理時間，建立具有適應性、資源效率的智慧產線及工廠。

國內因應智慧製造浪潮，提出「生產力4.0」計畫[6]，結合我國精密機械資通訊、管理技術基礎，促成國內製造業、服務業與農業之智慧化轉型。生產力從1.0到4.0，可視為臺灣產業進化的歷程，1.0指的是生產製造程式化；2.0是生產製造整線電腦化；國內目前處於生產力3.0，縱使產業數位化達到一定程度，運用系統整合企業資源規劃及產線自動化調控仍有進步的空間；若要做到生產力4.0，必須思考如何應用資通訊科技，強化製造系統的智慧化服務，特別是因應彈性生產的智慧產線解決方案。 

二、國內製造業轉型課題

臺灣產業多以中小企業為主幹，在講求產業智慧升級的同時，礙於成本考量、資源限制，要投資高成本、人才與技術，推動智慧製造並不容易。而製造業領域廣泛，包含紡織、化工、電子零件、塑膠製品、金屬製品與半導體等，製造程序、產品特性跟規格相差甚遠，伴隨客製化訂單、少量多樣的彈性生產議題，欲發展智慧製造系統，打造智慧產線更是一大挑戰。

製造業從接單、設計、生產到銷售過程中，橫跨需求、製程、研發、供給等層面，數據量大且特徵複雜，現今感測器和整合平臺雖能蒐集大量數據，但許多數據重複蒐存，造成儲存空間不足，增加數據調閱、瞭解與分析的難度。機臺數據是以串流模式呈現，每秒鐘高達數萬筆，未經系統化整合歸納，只是一組組的數字，不具任何意義，無法單靠肉眼發現數據之間的關連性及其價值。

多數廠區的生產資訊與品質檢測分由不同系統管控，整廠資訊並無串連，須待生產完成才能知道品質優劣，時常面臨製程「品質」與「效率」評斷標準不一。每當機臺或產品出現良率問題時，需經過繁複的檢查流程，才確知是哪個環節出錯，現況普遍仰賴人工經驗調整，不僅費時費工，且難以發現根本原因。

由於缺乏瞭解產線流程知識、資料分析應用、運算系統建置的通才，即使企業內有資訊部門，仍無法完整支援資料分析和決策應用。加上市售生產管理軟體多為固定功能套裝出售，價格昂貴又不見得適用於實際產線，現行生產預測模型多因應某種假設情境而設計，但真實生產情況常有突發需求，假定的預測模型無法因應生產現場而動態調整，導致加工時間與產能預測不易，難以精準規劃人、機、料的投入安排及交期訂定。

本文歸納國內製造業智慧化發展的三大課題：

1. 整廠資源串連不易：國內製造業之智慧化發展隨著業者規模而程度不一，各家生產系統性質各異，且影響生產效能的因素極多，在多重生產條件限制下，產線的控制因子組合繁雜，難以全面串連整廠資源。
2. 仰賴個人經驗決策：生產資料量大，生管人員難以全盤分析，無法立即因應產線狀況調整生產決策，過往的決策經驗多是口耳相傳，儲存在資深人員（老師傅）的腦袋中，且可能侷限於單一產線應用，無法達到生產最佳化。
3. 套裝軟體客製不易：產品需求趨向多樣化且製程產線亦趨複雜化，在多重生產條件限制下，市售套裝軟體僅能滿足基本需求，場域對於製程換線頻率增加、機臺稼動率降低、製造成本提高等問題不易僅藉由市售軟體即可解決，使得各類從數據處理、清理、分析到應用等一連串問題因應而生。

有鑑於此，基於變動式生產情境，以顧客需求為導向、數據分析為驅動，發展製程即時分析與回饋控制方法，作為產線智慧化的起手式。藉由系統整合分析歷史生產資料，先找出生產品質或效能的關鍵因子，再透過機器學習方法建立預測模型，如同將老師傅的調控經驗嵌入系統中，讓沒經驗的新手也能透過系統輕鬆監控產線，成為提升營運績效的關鍵動能，24小時精準維持製程品質。 

三、即時分析與回饋控制方法

即時分析與回饋控制方法在於洞察製程核心需求，針對生產過程時時流入的大量數據，藉由逐筆疊代、特徵分群、模擬調節、感知回應等技術如圖1，在大量且即時的資料流中，達到建模過程可追溯、預測結果可對應原始數據，利於瞭解資料的影響範疇，更能深度剖析資料，協助業者即時掌握產線狀態，從容面對未知或突發的生產情境。

資料來源: 本文繪製

圖1 製程即時分析與回饋控制應用技術

1. 逐筆疊代、特徵分群技術重點

考量實務應用性，選用高度容錯和分散式、平行運算的Apache Storm [7]、MongoDB [8]、R語言[9]等開源軟體，開發數據特徵疊代萃取架構如圖2，作為產線資料即時處理流程的核心。透過線上分群、小量多批、依需匯集的過程，儲存具代表性的數值群，減輕大量原始資料的計算和儲存負擔，以漸進式資料分群處理後所得代表性數據分析，保持計算時間與所需儲存空間複雜度恆定，避免處理過大數據量而影響運算效能。

(1) 應用Apache Storm執行非監督漸進式資料分群(Unsupervised Incremental Binning)，將原始資料去蕪存菁，保留值得參考的資料，儲存於MongoDB（NoSQL資料庫）；
(2) 應用穩健統計(Robust Statistics) [10]的計算方法，克服真實離群/異常值的識別難度，分析異常起因；
(3) 應用R語言執行階層式分群(Hierarchical Clustering)，依需求分析如製程站點或機台的離群程度，視覺化正異常分布，顯示關鍵問題。

資料來源: 本文繪製

圖2 數據特徵疊代萃取架構

數據特徵疊代萃取重點在精準描述數據分布而不被異常值影響，並以階層式分群方法區分正異常分布發生源，依離群程度分級，以快速求得適於產線的人機料資源配置組合，達到加速運算效率、節省儲存空間，同時保持準確率，協助使用者快速調整關鍵問題，滿足工業應用情境所需時效。

2. 模擬調節、感知回應技術重點

製程中許多變異因子會影響生產品質，為提高人均生產力，應用即時監控與穩健統計方法作為品質管制流程的核心，藉由系統化整合廠區生產數據，即時監控產線機台運作效能，於良率下降或產能低效即時警示。生產資料除用以即時監控，提早識別異常事件，更應進化為管理決策。

透過生產狀態可視化與關聯分析如圖3，使用者可從清楚易懂的儀錶板及分析圖，如以趨勢圖觀察長期數據變動、以柏拉圖(Pareto Diagram)瞭解異常原因占比，觀測生產品質與關鍵因子變化，全方位偵測產線製程狀態，並以無線傳輸手持式行動裝置，利於走動式遠端管理型態，不用親臨現場即獲知生產資訊。

資料來源: 本文繪製

圖3 生產狀態關聯分析與可視化

從過去廠區品質參數設定資料，找出關鍵參數及最適參數組合，依據歷史資料及現況學習建模預測自動控制應調整量，計算可控因子相應之參數調整幅度，偵測歷史參數變動點所造成之影響，作為反饋控制依據，建構經驗反應曲面如圖4，猶如提取老師傅豐富的參數設置經驗，提升模型預測準確度，建立製程改善標準化流程，發揮數據分析而後用的最大效益。

資料來源: 本文繪製

圖4建構經驗反應曲面

製程即時分析與回饋控制方法得以支援製造業快速、大規模串流數據的What-if Analysis假設分析與預測程序，精確反應產線問題，確保品質穩定。綜整三大特點：

(1) 強化資料蒐集與儲存的整備度：以非監督式數據壓縮方法，串流運算多維度製程數據，萃取數據特徵並儲存利於分析之代表數據，減輕大量原始數據的計算和儲存負擔，同時保有精準度。
(2) 提高資料分析與預測的準確度：以穩健統計方法，針對工程數據多包含數值型與類別型之混合資料集特性，建立各種預測模型及因應生產實況即時選模，達到預測結果可溯源，具可解釋度。
(3) 確保品質監控與調校的穩定度：以穩健統計品管方法識別生產狀態，並於狀態改變時即時依據所有參數現況，建立調整模型計算相對應調整數值作為反饋控制之用，藉此確保品質之穩定性。 

四、應用架構與產業效益

製造業重視時間、績效、品質等三大指標，因應生產需求多樣及產線複雜化，發展製程即時分析與回饋控制應用架構如圖5，支援大規模機台群即時數據分析，克服混合型資料分析與預測之複雜度，整合機台設備、資料分析技術及平台系統技術，實現製程數據即時蒐集、儲存、提取、分析、決策的完整應用，具備如下功能：

1. 大數據即時非監督壓縮：儲存具代表性的數值群，減輕大量原始資料的計算和儲存負擔，並保有如同以全部數據分析的準確度。
2. 串流數據壓縮與分析：串流處理多維度數據，粹取數據特徵並儲存代表數據，基於使用者對於準確度指標之需求，支援多種基礎即時分析方法。
3. 製品特徵分析：製品特徵與穩態速率關聯分析，支援機台設備穩定度分析、人/機/料/工/法關聯分析、績效評比等日常生產管理所需資訊。
4. 製程即時監測：提供低效警示，減少低效狀況、加速製程、提高產能所需應用。
5. 組合式分層建模預測：針對包含數值屬性及類別屬性之混合型資料集，建立各類別組合之分層預測模型並評比其預測能力，預測結果可對應原始數據。
6. 穩態速率預測：預測新接訂單製品所需時間，提供接單估價與訂定生產期間所需資訊。
7. 參數回饋控制：以穩健統計品管方法識別異常狀態，建立反饋調整模型，確保品質穩定。

資料來源: 本文繪製

圖5 製程即時分析與回饋控制應用架構

製程即時分析與回饋控制應用架構具使用者友善性，採用高擴充性、易操作性之模組化設計，可依據業者需求，彈性調整系統功能，降低技術導入門檻，縮短系統建置時程。目前應用於半導體封測、塑膠押出、電池組裝、電子器材等產業，協助業者建立精準有效的製程數據分析與回饋控制系統，以國內半導體測試大廠實證為例，於測試廠每秒1MB數據串流的資料環境下，每日資料量逾3TB，動輒上億筆資料的回應延遲小於1分鐘，異常分析準確度高達99.6%。整體而言，透過系統自動關聯分析、即時警示、建模預測與回饋控制調校，加速逾百倍人力決策時間，為企業年省數千萬設備及人力維運費用，滿足儲存效能與成本效益。

技術要落地應用，必須研發與實務相互推動，以科技創新帶動產業升級，以產業效益驅動技術研發，同步拉抬供需兩端，才有可能蓬勃發展。為加速擴散產業應用，建立場域服務合作模式如圖6，借重設備商整合能力及市場觸角，針對各種製造業的產線實務需求，滿足資料整備、即時分析與自動調控之需求，並與製造業者建立示範產線，吸引更多業者跟進，完備製程即時分析與回饋控制導入、驗證與優化流程，提供解決方案予中介及終端廠商，致力於智慧製造服務化。 

資料來源: 本文繪製

圖6 場域服務合作模式 

五、未來展望

展望未來，加速製造業智慧化，以技術優勢如圖7為利基，持續研發特徵交互關聯性和時間序列異常識別的技術架構，以支援大量、快速的多變量工業數據分析與預測。產業拓展部分，將以客戶需求為出發點，積極與上中下游廠商合作，以智慧工廠為核心，串聯設備商、供應商、通路商及製造商，形成智慧製造服務網絡，透過雲端服務，加快各類製造業者導入應用。促使臺灣製造業從進料、生產到品質檢測全產線智慧化，好比為工廠建置數位大腦，形成高效率雙腦協作（人腦與AI相輔相成）的工作模式，協助業者快速做出更好、更安全、更精準的決策，邁向高階製造行列。

資料來源: 本文繪製

圖7 技術優勢

六、參考文獻

1.Blanchet, T. Rinn, G. V. Thaden, and G. D. Thieulloy, Industry 4.0: The new industrial revolution-How Europe will succeed, online available at http://www. rolandberger. com/media/pdf/Roland_Berger_TAB_Industry_4_0_2014 0403, March 2014.
2.B. Bonvillian, “Advanced manufacturing policies and paradigms for innovation,” Science, vol. 342, pp. 1173-1175, December 2013.
3.中國版工業0戰略－中國製造2025規劃，資策會產業情報研究所整理，2015年3月
4.智慧工廠定義與產業範疇，資策會產業情報研究所整理，2015年4月
5.智慧工廠應用，Digitimes智慧工廠論壇，2019年10月
6.行政院，生產力0科技發展策略會議，2015年6月
7.Apache Storm官方首頁，網址：http://storm.apache.org/，上網日期：2020年5月
8.MongoDB官方首頁，網址：https://www.mongodb.com/，上網日期：2020年5月
9.R語言官方首頁，網址: http://www.r-project.org/，上網日期：2020年5月
10.A. Maronna, R. D. Martin, V. J. Yohai, M. Salibián-Barrera, “Robust Statistics: Theory and Methods (with R),” 2nd Edition, New York: Wiley, 2019.