智慧製造2019.04.25

邊緣運算是算什麼?

飛飛

物聯網 雲端服務 創新

在物聯網的架構下,資料來自四面八方,而正是如此多源流資料蒐集,提升資料的即時性、有效性、精緻度,以至而後運算的準確性;避免現今所倚賴人工輸入、個別軟體匯出分析結果,再由人工綜合判讀的諸多不足。

邊緣與雲所構成的運算架構體系,即是針對物聯網多源資料流,以分工合作方式完成資料庫建構、統計分析,並待未來人工智慧技術更臻成熟之時,進階提供更深度的智慧決策建議與選項功能。因此,在眼下邁入 5G 通訊商用化階段初始,運算體系的建立將是日後躍進人工智慧的根基,尤其是歷史性資料庫各種相關數據及實務演算累計經驗值。及早建構,不僅是資料庫越強大,也更能儘早優化製造流程,去蕪存菁並自我修正,形塑出最核心價值及市場定位,早一步卡位 5G 產業新生態

 

Smart Factory 為例,邊緣運算的主要功能在肩負 OT 資料流蒐集與相關即時性運算;其中兩大資料流來源:感測器、機械工控系統,前者具備現場資料蒐集,後者則具低延遲性優先的特性。譬如:以往環境感測與機械工控的資料整合,需透過人工輸入後報表輸出,再經人工判定後修正機器設定。邊緣運算則能即時整合兩大資料流,可將現場環境因素的感測數值,直接匯入系統進行邊緣運算;並經此判定後,直接透過控制器變更機械狀態或作動。不僅是有益於環境值敏感度高的產線,如:生鮮食品、化學加工品等,高效率降低不良品,對於精密儀器,或是注重環境因素的工具機更是有利於降低其故障率。

此外,影像辨識亦通常納入邊緣運算。影像辨識同為低延遲性優先考量的演算需求,以便在影像入鏡當下的短促時間內即時正確辨識。而影像辨識用於工廠環境可加強人員安全,像是:禁區警示、移動機件近身警示等;或者可應用於產線上,異物/人員入侵即刻停止作動中的機械動作,避免損壞機械/造成人身事故。不只如此,影像辨識也可用於穿戴式裝置,協助即時顯影 3D 維度量測,無論是品質管理、產線作業等都能提供即時資訊,實現即時品管、提高產線流暢性。影像辨識還可應用於產線上機械協作之間,像是:影像辨識產品定位有異時,即時停止如打印、鑽孔、填料等作業,並發出警訊;或通訊對應機台,自動啟動機械調整功能,就是可優化產線流程管理的應用。

預測性維護也適用於邊緣運算。現場每日累計的環境值、機械實際啟動次數或作動次數、如地震等外部因素測值、噪音震動測值等異常因素匯入 IoT 閘道器後,經綜合各項實測指數再透過歸納分析等進行相關運算,協助判定。如此,設備維護、零件更換都將不再只靠通用性建議值或記憶性經驗,而足以依據個別工廠環境、實務作業期間環境等實際情況, 基於更豐富的資料來源,取得更精準的預測結果,有效減少產線的干擾因素。

 

以感測數據、影像辨識形塑製造現場實境,再經邊緣運算後自動協作機台作業,可輔助 OT 現場控管人員更輕鬆維護產線流暢性。自動化資料流程不只可自動蒐集資料,還可針對現場環境變動、異常狀況,自動控管產線作業及機台作動,達到更實時又精準的機台協作,並能自動紀錄作業日誌。重複性、特定條件相關判定交給邊緣運算,讓 OT 控管人員專注於創新現場管理好主意。

 

延伸討論

智慧製造

Edge AI 準備好了,創意商機起飛

飛飛
在軟體作為使用者介面的時代,軟體是為大量生產的現成品。使用者以既有功能為工具,或解決問題;或協助工作;或實現自我創意。使用者回饋通常透過日後不定期的更新、迭代或新產品才將之納入。換句話說,軟體的設計仍偏向開發端決定。物聯網不只是物物相連,其中 AI 智慧可說是直接邀請參與者加入軟體設計,並透過經驗值自動達到持續客製化,以建構資料流的相對低廉成本(長期遞減)方式,提供以個別使用者為中心的可客製化產品。
智慧製造

AIoT 資料流生態系, Edge AI 上場了!

飛飛
AI 的關鍵核心在於 Machine Learning 機器學習,尤其是 Deep Learning 深度學習,將機器運算層次從線性思維走向立體化處理,變革資料處理的機器運算概念,更從而徹底改變自 IT 產業堀起以來將近百年的基礎運算硬體組構,並連帶物聯網的願景,自此硬體組構衍生全新 AIoT 資料流生態系。在如今 5G 規格底定、全球邁入正式開通的時點上,AIoT資料流生態系也已經從 Cloud AI 延伸到 Edge AI。
智慧製造

I/O 也能虛擬化?

飛飛
Virtualization 是 IT 資源擴展的新興潮流;透過 isolation 隔離技術,能夠在相同的 IT 實體資源下,增生多套虛擬運作環境,相當適合雲端系統,也能在成本考量下,回應物聯網所可預見爆增需求的資料流及運算資源。