結合感測器、大數據及AI演算法 打造自主化主軸

國立中正大學機械工程學系特聘教授鄭志鈞。

當前許多製造業者，皆期待推動生產機具智能化，以提高生產效率、品質或降低對高階生產設備使用之技術門檻(例如減少對於老師傅的倚賴)；所以亟思找尋一套好方法，將人工智慧(AI)、物聯網(IoT)、數據分析等技術融入機台，展現良好智慧化功效。

國立中正大學機械工程學系特聘教授鄭志鈞表示，回顧近十年生產機具技術演變，在機構部份改善幅度很有限，反觀控制、感測、資料處理端則進步較多。大體來說，近十年來OT端(含MES)諸如加工參數優化等進化，其中一部分是拜OT和IT融合所賜，另一股助力來自CT通訊技術，靠著網際網路、無線感測等技術蓬勃發展，有效解決過往拉線不易、頻寬不足等難題，讓大量數據得以被更有效率地累積。

鄭志鈞接著說，一旦將感測器裝入OT設備，所能採集的數據量較從前急遽攀升，即可適時引進IT人協助，經由大數據分析技術來反映OT製程或機器的問題，經由分析找出問題癥結點，滿足機台稼動、產線或整廠監控、優化加工、品質管控等需求。換言之，現在任何源自IT或CT的新技術誕生，都會對OT造成影響；例如即將商轉之5G，以5G搭配8K影像，便可望讓瑕疵檢測更容易實施。

談及現今正夯的AI，大約可劃分為三大支脈，分別是監督式學習、非監督式學習與強化學習。監督式學習就好比大學生唸書解題、往往都有標準答案可循；反觀非監督式學習，像是研究生做研究，經常遭遇沒有答案可循的題目，其研究進展端看研究成果之進展是否有邏輯性，而在製造業場域，運用非監督式學習技術的機會相當多。

藉由AI預診，隨時監測加工機軸承健康狀態

比方說加工機主軸(Spindle)的狀態監測，其中因軸承損傷故障而導致主軸送修比例高達六成以上，亦即做好主軸軸承健康狀態監測與預診，可以掌握六成主軸問題，而主軸軸承健康狀態中之正常磨耗監測是非監督式學習的典型應用情境。

鄭志鈞指出，許多加工程序都有一定複雜度，一般是非單機所能完成，需要透過網路串聯不同加工機台，因此機台連網目的，除了涵蓋現在大家常提到的數據累積外，其實也包括派工的最佳化。機台一旁會帶有「Edge Layer」、一般是一台工業電腦(IPC)，由它協助採集數個機台數據，進行初步分析與過濾，甚至即時回饋給控制器，有用之數據才會傳至雲端，此乃因為不管PLC或CNC控制器，執行運動控制或插補等作業的負載已相當吃重，實在無力兼顧數據蒐集與分析作業。

常見的情景是，由資料擷取(DAQ)裝置將類比資料轉為數位資料，由Edge Layer進行資料過濾後上傳雲端；可以想見，今後隨著5G時代來臨，Edge Layer角色勢必愈來愈重要。事實上目前許多工廠都有能力把數據送上雲端，但重點在於數據的可靠度是否足夠、如何做分析，尤其捕捉到的數據與要觀察之物理現象(例如軸承磨耗狀態甚至損壞判定)，必須有較大的關聯度才有意義，所以前端所用的感測器類型(例如尺寸、靈敏度、頻寬等)、DAQ是否適合，無疑至關重大。

加工機主軸必須走向智慧化甚至自主化，例如使用戶隨時掌握其健康狀態；若僅擷取電流、電壓等數據，其往往由於受到Noise干擾、靈敏度不足或離感測端過遠等，所以需要借助額外感測器(例如加速規、溫度計等)，累積足夠量數據，方能實現主軸的健康預診，還可一併監看加工與刀具磨耗狀況，適時提出加工參數調整、預估刀具更換時機與機台預防性保養等。

「展望下一步，我們期望能創造『自主化主軸』，」鄭志鈞說，自主化主軸的多項智能中，主軸預診即是其中一項，亦即機器具有自己預診自己的能力，例如以主軸預診而言，假設研判主軸軸承或重要零組件該做替換，便主動下單採購或安排保養以免影響整線稼動。總括而論，實現主軸智慧化需要靠感測器，此取決於OT人知道有哪些物理量與軸承損壞相關，故由OT人負責開立感測器與DAQ規格，以達在適當的靈敏度、解析度、頻寬條件下(結合CT)，採集到可靠的訊號，接著結合對應的演算法(IT人員)產生數據模型，由系統根據模型做推論，隨時反映軸承的健康狀態與剩餘壽命。