3S Market 傳遞 智慧應用與價值的商業資訊
【2017台北國際自動化工業大展】 帶您前進現場搶先看! |
| ||||||||||||||||||||||
經營管理探討
| ||
2017年9月8日 星期五
‧ 2017\09\08\3S Market Daily 智慧產業新聞
3S Market deliver Smart and Valuable information for Business
．工業 4.0 是炒作還是商機？
Mikael Gidlund, Myths, truth, and challenges in industrial 4.0 and wireless automation
 |
來源：eettaiwan 作者：Susan Hong
利用網宇實體系統(CPS)架構的5C元素，有助於衡量不同製造業族群在工業4.0的技術成熟度，以及在導入工業4.0應用與策略時所面臨的挑戰…
工業4.0(Industry 4.0)正成為時下熱門的關鍵詞，大家都在討論如何透過人機協作的方式，在這一波數位化浪潮中，提升製造價值鏈的效率與生產力。
然而，根據Mckinsey在去年，針對全球製造相關業者進行的工業4.0調查顯示，目前大約只有四成的業者，在實現工業4.0的應用與策略方面取得成效。
(來源：Mckinsey Industry 4.0 Global Expert Survey, 2016 )
工業4.0究竟只是市場炒作一場，還是可透過轉型，帶來希望的絕佳機會？業界在實現工業4.0的過程中，究竟遭遇到哪些問題?目前的實施成效如何?未來又該如何跳脫市場炒作，真正落實工業4.0?
對此，英特爾(Intel)亞太區製造業解決方案總監李立仁表示，製造業是一個族群多元且分散的產業，包括半導體、汽車、石化、組裝、金屬加工與紡織等等。不同的族群在技術的使用與成熟度方面各不相同，因此在工業4.0發展道路上，處於不同的位置，所面臨的問題也不盡相同。
因此，他指出，藉由網宇實體系統(Cyber Physics System)架構的5個元素(5C)——連結(Connect)、轉化(Convert)、虛擬(Cyber)、認知(Cognitive)與配置(Cofigure)，有助於業者評估自家公司在工業4.0發展的技術成熟度以及面對的挑戰。
借助網宇實體系統的5C架構，有助於衡量導入工業4.0的技術成熟度
在最基本的連結(connect)階段，必須把工廠設備和業務整合(M2B)、機器對機器(M2M)整合起來，而其挑戰就在於如何將設備機台的訊息，轉化成可供大數據和人工智慧(AI)進行分析用的數據。因此，在這個階段的重點是如何以物聯網(IoT)實現M2M的結合，以及操作技術(OT)與資訊技術(IT)的整合。
在鏈接之後，就必須把OT的數據，轉化為有價值可分析的資訊。例如如何將設備機台的數據導入大數據平台，以支持失效分析、良率分析等不同應用場景。而在虛擬階段中的關鍵在於Cyber Twin，具備實現工業4.0的關鍵能力;可在連接所有的設備端點後，實現虛擬化、同步化的數位工廠，並具備感知、預測的能力，並進一步用於模擬與重新排程，實現優化的結果。
而在設備連結、具備智慧化分析運算後，下一步的認知階段重點，在於確保累積的數據進入學習系統，並整合邊緣、大數據以及讓工廠自主學習的重要技術——人工智慧(AI；包括機器學習與深度學習)，實現自我診斷與決策。
最後是根據生產環境、訂單需求、機台設備等變化，不斷自行重新排程至優化的執行與計劃結果，目標在於達到自主配置的工廠/企業/價值鏈。
李立仁指出，「5C代表工業4.0的五個能力階段，面對的典型問題各不相同。」從物聯網的連結、OT到IT轉化、Cyber Twin的模擬、AI能力的自主學習到自主配置優化的工廠，不同的族群或客戶，在每個階段的技術成熟度不同，也分別遭遇不同的挑戰，必須先確定客戶發展至哪一個階段，遭遇哪些問題，才能建議其技術導入方向。
除了技術的成熟度以外，發展工業4.0還需要高度的人力資源，與資本資源的投入，畢竟這還是一個高度成本競爭的環境，但要如何確定導入藍牙、物聯網還是AI等技術的投資報酬率(ROI)呢?
因此，具有商業價值的應用場景，也是目前進入工業4.0的障礙之一。
李立仁建議，先找到一個好的應用場景，或轉型其他商業模式，例如提升良率或設備維修服務，將有助於發掘出新的商機，落實工業4.0的願景。例如，有些業者導入工業4.0後，將設備維運變成一種服務，取得客戶端的設備運作數據，在雲端同步運算，同時介入設備的控制系統，進行故障排除的服務。
此外，建立完整的生態系統也非常重要。如果每一家方案供貨商都提出針對片段範圍的方案，或升級而不進行整合，其成效也會大大折扣。
因此，在發展工業4.0的道路上，跨生態系統的合作夥伴之間垂直整合，提供端對端的解決方案，也有助於產業加速導入。
因此，在發展工業4.0的道路上，跨生態系統的合作夥伴之間垂直整合，提供端對端的解決方案，也有助於產業加速導入。
．AI 幻滅？八大趨勢正在阻礙 AI 發展
Artificial Intelligence
 |
來源：大数据文摘
這不是一個會不會發生的問題， 而是會什麼時候發生的問題。
在之前的文章中，我寫過關於AI在創新潛能上與之前的科技浪潮的不同之處。
文章的核心主題，是近期在主流科技浪潮中，獨一無二的全分布式創新模型。
在過去的幾年中，AI無窮的潛力被大肆宣傳。這些宣傳中，一些是符合實際情況的，但是很多卻被過分誇大。
事實上，對於一項正在風頭上的科技，人們很難想像，未來將會遇到什麼樣的困難。人工智慧和相關技術，被追捧的時間已經很長了，常理推斷它由盛轉衰的最高點也即將來臨。在過去長達1年半的時間裡我都有這種預感，而高德納公司2016年的「炒作週期」更是映證了這一看法(參考機器學習)：
《高德納2016炒作週期》
整體來看，AI 可能已經開始出現「幻滅」的勢頭。作為一種主觀推斷，幻滅發生的時間無法用科學方法去測算。然而不論我們相信與否，AI的熱度會不可避免的有所反彈。然而，關於AI的幻滅，從一定程度上來說並不是一件壞事，因為在很多情況下，炒作宣傳的內容，都遠遠超過了當前的技術發展水平。
但是我並不擔心這種情況的發生，因為我對長遠的規劃更感興趣，這包括：過去幾年中的傑出成就能否持續發展?是否能繼續遵循全分布式的創新模式?或者是事與願違，AI會最終迎來一個寒冬?
這都很難預測，因為很多因素會減緩現在的創新速率，接下來我會對此進行深入探討。
1、專利比論文更受偏愛
與之前的技術相比，AI的一個重要優勢就是強有力的研究背景。在電算科學領域，創新程度是用發表的文章，以及這些文章對AI技術的影響程度來衡量的。谷歌，臉書，和其他大型AI公司，從學校挖走了很多頂尖的AI人才，而這些人才在業界也還在繼續發表文章。
儘管學術論文經常會讓人覺得晦澀難懂，但是它們確實包含著，如何應用一個新方法，或者算法來繪製技術的前景藍圖，這也使得AI領域中的大多數創新能夠公之於眾。甚至有些情況下，在新論文發表的幾天之內，github上就會出現相應的應用實例。
在大企業中，關於是否將一個想法發表專利，一直都存在爭議。考慮到機器學習領域的飛速進展，研究人員都想盡快發表自己的論文，以宣示對新想法的所有權。谷歌目前除了對一些有專利的產品，如 word2vec，對其他產品都持有較為開放的態度。我希望谷歌能繼續保持下去，不然這種現象可能會嚴重阻礙AI社區的發展。
2、少數大公司雇傭了所有的AI人才
目前有很多關於科技巨頭從各大高校席捲AI人才的故事。在過去的幾年中，很多高調收購案的目的，都是為了獲得AI核心人才。這種現象的好處，是抬高了AI技術的身價，壞處則是人才都去了少數的大公司。
谷歌、臉書、亞馬遜、百度、微軟、特斯拉、蘋果和IBM都在野心勃勃的建立AI中心，並且把能找到的博士生都收入麾下。這些公司在AI研究社區都極力表現，以維持自己的聲望，但是由於公司內部的工作進程安排，使得那些來大公司的人才，很難獲得在學校或者在自己創辦的公司中，實踐想法的自由度。
如果少數十幾家公司網羅了世界上絕大部分的AI人才，我們將看不到，更多與眾不同的創意和新的解決方案。多數大公司並不能快速換代，創建新產品。因此，我們更需要一個健康的創業環境來激發新靈感。
3、等待好結果的時間太久
當每個人都從Good Morning America上瞭解到AI時，其實人們的心理倒計時已經開始了。如果沒有好的產品來支撐，在宣傳維持了一段時間的熱度之後，人們終會對AI喪失信心，並且把它丟進名為過度炒作的垃圾桶裡。
這意味著如果得不到新的解決方案或者新結論，人們將不會再關注下去。
4、幾個重大失敗案例
一個難以避免的會減慢AI發展的情況，就是出現重大失敗。不論是AI公司沒能提供承諾的價值，還是一個新產品發售後迴響平平，都會給大眾埋下懷疑的種子。就像沒有值得上新聞的突破一樣，類似MD Anderson取消與IBM Watson的合作協議，一樣的重大失敗，會讓原本對AI很熱忱的公眾，開始產生懷疑。
5、Tensorflow變得太複雜和太佔主流
也許這不符合常理，但是實際情況是，擁有很多AI開發平台才是一件好事，而不是像現在這樣，Tensorflow成為了主流。無論如何，應用新的AI技術對於小團隊和個人都是很困難的。開發整體佈署軟體(如操作系統)需要大量的開發者的協作，但AI平台與此不同。當一篇新的論文發表後，相互競爭的實踐產物經常在幾周或幾天之內就出現了。
Tensorflow是最流行的機器學習框架，並且正在變得越來越強大和複雜。如果Tensorflow真的變得過於複雜，讓人難以應用，或者谷歌失去了對它進行高頻更新的興趣，那Tensorflow本身將會阻礙創新。雖然短期來看，所有人都使用Tensorflow是一件好事，但在長遠來看很可能成為一個隱患。
6、我們用深度學習只到達了局部最優
深度學習已經一戰封神。現在它能讓軟體替代醫生，甚至能做飯，清潔，洗碗。有些暫時或許還沒有實現，但是人們把太多的注意力，投注在深度學習上，會導致對其他領域的關注不足，而下一個突破點很可能就在這樣的過程中被忽視了。深度學習也有自己的不足，所以我們需要持續地探索新的想法和概念。
7、社會和政治上的壓力會阻礙AI前進
我認為AI發展會減緩的最主要的原因，並不是技術本身或者創造新解決方案的能力，反而是公眾對這些方案實施的熱度。
公眾非常期待5級自動駕駛技術能夠應用，同樣也對飛機的無人駕駛很感興趣，但是目前駕駛艙坐著的仍然是人類。
公眾多年建立起來的信心，可能只需要一個偶然的重大事故就摧毀了。我們可以預見，將來AI會產生的事故不止一個。儘管機器操作可能比人工操作的事故率低，但是AI還是會因為這少數的「事故」獲得很慘的下場。
8、放慢速度是件好事
我希望未來AI能夠不要太主流。一定程度上，獲得巨大關注是一件好事，這會讓個人和公司對開發新技術興致高漲，但這樣會產生過度炒作的弊端，以及帶來很多任意消費，而不思回報的盲從者。同時，讓我更擔心的是熱度越高，摔得越重。
．解析 3D 列印後處理的「門道」
Post Processing in 3D Printing
 |
來源：
製造具有複雜幾何形狀的，功能整合式的零組件是3D列印技術主要優勢之一，但是3D 列印的零組件，同時也面臨著提高表面品質的挑戰。對3D列印零組件進行後處理，是提升表面品質的有效方式。
那麼，怎樣才能充分發揮出後處理技術的效果？ 後處理技術對3D列印零組件的設計有影響嗎？ 美國一家從事後處理設備研發及服務的公司 Bel Air Finishing Supply 針對這些問題提出了幾點建議。
3D列印後處理有「套路」
沒有哪種技術可以對所有的3D列印零組件進行後處理。3D列印零組件的表面品質受到打印機類型、列印技術和材料粒度多種因素的影響。後處理技術需要與列印材料、列印技術和零件幾何形狀相匹配，有時多種不同技術，可以用於一種零件的後處理。
在設計3D列印零件時要考慮的不僅僅是3D列印技術。例如，一個原本由5個部分組成的組件，可以被設計為一個整體的、整合式的零件，然後由3D列印設備及製造出來。
但是在採用這種設計方案的時候，應考慮到打印完成後的表面處理要求，有時傳統的精加工技術，可能並不適用於這種3D列印的零件，那麼，這種情況下就需要重新調整設計方案，考慮將整體式的零件拆分為兩個部分，列印完成之後進行組裝。調整設計方案之後，既可以通過標準的精加工技術，完成3D列印零件的表面處理要求，又能夠保證高效的生產。
在確定你需要的3D列印方式和進行零件設計之前，就確定對零件表面品質的要求。即使是同一個3D列印零件，不同位置上的表面光潔度也會有所差異，比如在下圖中，零件7個不同位置的表面光潔度差異很大，這與列印零件的成型方向和在列印基台的定位是相關的。
因此，為了獲得最佳的表面光潔度，需要針對選擇的3D列印技術把握好零件關鍵面的成型方向。還有一個考慮的因素是列印速度，列印速度和表面光潔度，是負相關的兩個因素。
另外，零件的表面光潔度，關係到後處理時的材料去除量，一般來說列印零件的表面光潔度越低，在後處理時需要去除的材料就越多。
充分瞭解後處理技術。3D列印後處理的技有多種，例如水射流清潔和濕磨技術等，很多後處理技術都牽涉到一定程度的材料去除，因而在設計零件的幾何形狀時，需要考慮到後處理技術，並考慮如何補償這些去除量。
對於粉末床技術列印的尼龍零件，在列印後通過水射流技術可以清除多餘的列印粉末，提升表面光潔度。
 |
| 後處理前的3D列印零件，右圖為200倍放大圖像 |
濕磨削後處理之後的3D列印零件，右圖為200倍放大圖像
收集後處理的結果及數據，並用於下一輪的設計優化。在對初次列印的零件進行後處理之後，評估尺寸公差，表面光潔度以及在後處理中損失的幾何形狀，將這些訊回反饋給設計團隊，在進行設計優化時，考慮是否需要增加加工餘量，或者考慮是否需要將零件拆分為多個組件等。
左1： 初次3D列印的未經過後處理的空氣壓縮機葉片：；左2：經過拋光處理的列印葉片，側面前緣有缺損；右1：參考了初次列印和後處理結果後，在列印時對葉片進行了重新定位
花時間理解和驗證你所使用的任何一種後處理技術。條件允許的話，用不同的加工技術，來製造的產品原型，然後進行表面處理，對結果進行分析，掌握每種技術所存在的限制因素。