關於 人工物料搬運規則 ，我們在網路上蒐集到這些相關的討論、資訊與評價

#智慧製造 #人工智慧AI #機器視覺 #機器人 #無人搬運車AGV

【呆板不知變通，談不上「智慧化」】

自動化 vs. 智慧化有何不同？工研院認為，差別就在「適應性」。在今年「台北國際自動化工業大展」上，工研院所展出的四大創新成果：人工智慧 (AI) 自動標註系統、高品質研磨系統、七軸驅控整合式關節機器手臂以及智慧派車系統，皆圍繞這個核心主軸。各用一句話形容重點特色：

●AI 自動標註系統
可「自動學習」不同種類物件，且不必編程就能自動生成圖形介面。

●高品質研磨系統
以機器視覺定位並進行校正，線上量測即時因應變異並加入適應性和協調性應對個別變異。

●七軸驅控整合式關節機器手臂
可拓展至生醫和服務業供導引或扶持，搭配另一套「多自由度仿生機械手掌」(Ochu) 能抓取形狀不規則與軟性物件甚至作為義肢使用。

●智慧派車系統
能兼容工廠裡各種導引方式的無人搬運車 (AGV)、多種上層聯網標準和下層物料管理系統和廠房的周邊設備。

延伸閱讀：
《自動化 vs. 智慧化之別？工研院：適應、協調、機動》
http://compotechasia.com/a/tactic/2020/0828/45606.html

#工研院機械所 #AI自動標註系統 #高品質研磨系統 #七軸驅控整合式關節機器手臂 #多自由度仿生機械手掌Ochu #智慧派車系統 #行動式手臂機器人系統MARS #機邊運算模組PI_EC#

工業物聯網進入AI時代

啟動智慧思維

[作者 王明德] 2018年05月02日 星期三

智慧化是近年來製造業最重要的趨勢，歷經過去幾年的市場教育，這兩年市場詢問度已開始提高，而從2016年開始，IT產業掀起AI熱潮，AI與物聯網的整合將成為未來各垂直領域的主流系統，在製造業中，AI也將成為工業物聯網的核心運算架構之一。

自從德國率先喊出工業4.0後，相關科技也同步的突飛猛進，包括工業物聯網、大數據分析、機器人等技術發展至今，已漸漸打造出新型態的智慧工廠與全新的工業化標準。

尤其近幾年來，人工智慧（AI）浪潮襲來，更賦予工業4.0有了全新的發展面向，明確分野「自動化」及「智動化」的差異，包括「機器視覺」、「深度學習」等利用演算法分析為主的人工智慧技術，已成為工業4.0未來發展的全新趨勢，不僅讓自動化與機器人的技術更為精準、製造業也開始進入如「無人工廠」等全新的科技領域。

AI打開製造智慧化大門

在製造業領域，經濟部近年來積極強化智慧製造的布局，從之前的生產力4.0到現在的智慧機械，都投入大量預算與資源，經濟部認為台灣製造業具深厚基礎，亦累積大量數據資料與製造管理技術、能量，發展智慧製造系統，可整合終端物聯網、通訊網路、雲端平台到大數據分析，後續更可導入人工智慧，運用於電子資訊、金屬機電及民生化工等產業，協助升級轉型。

經濟部部長沈榮津之前就指出，台灣若能躋身人工智慧晶片自主國，以台灣優勢領域為主軸，如車用電子、醫療電子、智慧製造等，發展利基型智慧系統整合晶片，晶片及半導體產值可望快速增長，從現在的2.5兆元，成長到2025年的4兆元。

就目前發展來看，智慧製造有三大趨勢，首先是生產網路，這部分主要是應用製造運行管理系統（Manufacturing Operations Management, MOM），協助生產價值鏈中的供應商獲得並交換即時生產資訊，供應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線，第二個趨勢是虛擬模擬與真實物理系統的完美融合，在生產製造過程中的每一步都將在虛擬世界被設計、模擬及優化，為真實的物理世界包括物料、產品、工廠等建立起一個高度模擬的數位雙生（Digital Twin，Twin Model），第三個趨勢則是網宇實體系統（Cyber-Physical System，CPS），在此系統中，產品資訊都將被輸入到產品零組件本身，它們會根據自身生產需求，直接與生產系統和設備溝通，發出下一道生產工序指令，指揮設備自行組織生產，這種自主生產模式能夠滿足每位用戶的客製化需求。

以大數據建立運算模式

上述的三大趨勢，未來都會與AI有一定程度的整合，例如在產線監控、機器人、無人搬運車等，都將有AI運算功能設計，主因在於大量客製化的趨勢，工廠需要面對的產品類型、產線調動等各種生產情境的難度也會大增，雖然透過感測器及大數據分析，管理者已經可以掌握更多用來幫助決策的資訊，但也因為資訊量大量增加，增加管理者的資訊分析壓力，加上市場變化愈來愈快速，人類的分析速度恐怕已經愈來愈難跟上提供速度愈來愈快的前端資料，自然也就更難讓製造現場的機台能夠迅速反應客戶需求，AI應用於製造業，將可讓系統從大數據分析找出規律性建立模式，進而學習避免前面發生的錯誤，甚至做到提前預測，應用於製造領域，不僅可以縮短停機時間，更可適時做出產線調整，減少呆料及廢料的發生頻率。

對工業物聯網來說，取得數據和分析數據是核心任務，而來自感測器的數據點經過多個階段才能轉化為可操作的見解，工業物聯網平台包括可擴展的資料處理流程，能夠處理需要立即關注的即時資料，以及僅在一段時間內有意義的資料，當檢測到壓力和溫度閾值的異常組合之後，物聯網平台關閉液化石油氣灌裝機可能已經太晚了，應該在毫秒之內檢測到異常，然後依規則觸發立即反應。

就目前發展來看，AI有幾種演算法，例如熱點路徑分析的核心是負責檢測異常的規則引擎，物聯網平台嵌入複雜的規則引擎，可以從感測器數據流動態評估複雜的模式，由了解模式和數據格式的領域專家來定義規則引擎的基準閾值和路由邏輯，這種邏輯作為規則引擎在編排訊息流中的關鍵輸入，在資料點移動到數據處理流程下一個階段之前，為每個資料點定義嵌套的陳述式條件，規則引擎已經成為物聯網平台的核心，而機器學習的關鍵領域之一是從現有數據集中找到模式，將類似的數據點分組，並預測未來數據點的價值。

機器學習有關的高階演算法可用於分類和預測分析，由於這些演算法可以從現有數據中學習，且大多數物聯網數據都是基於時間序列，因此這些演算法可以根據歷史數據預測感測器的未來值，這些多種機器學習演算法的組合，將可替代工業物聯網平台中的傳統規則引擎，雖然領域專家仍然需要根據條件定義採取行動，但這些智慧演算法提供更高的準確性和精準度。

AI + HI大幅提升效益

工業物聯網中的機器學習最大應用之一是設備的預測性維護，透過關聯性和分析模式變化來預測設備故障，並報告如設備的剩餘使用壽命等關鍵指標，預測維護未來也可應用在航空航太、製造、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，在航空業中，預測維護方案的目標是根據維護歷史和飛行路線訊息等相關數據來預測航班延遲或取消的可能性。

觀察物聯網的發展態勢，目前工業物聯網是所有垂直應用中，發展最快的類別之一，AI在工業物聯網主要是協助操作者與管理者，篩選從大量設備擷取出的數據，並做出判斷，但是目前的AI並無法做出具有邏輯性的決策，因此在製造領域，AI必須與人類智慧結合，才會是系統的最佳效益。

附圖：圖1 : 自動化是現在工業的技術根基，AI導入將全面提升自動化系統的效益。（Source: BSOCH）
圖2 : 連網是工業物聯網架構的基礎，未來AI將會分析設備設網所取得的大量數據，作出具智慧的判斷與建議。（Source: Process on line）
圖3 : 在工業領域，AI與HI必須協力合作，方能創造系統最大價值。（Source:Universal Robot）

資料來源：https://smartauto.ctimes.com.tw/DispArt-tw.asp…