智慧化浪潮席捲製造業，對製造業的機器運作、廠務管理與營運管理造成全方位的影響。許多新科技、新應用與新商業模式，正在改變製造業的風貌。
根據國際自動化協會所制定的ISA-95標準，製造業營運及生產流程可劃分成六個階級，並進一步歸納成機器運作端(機)、廠務管理端(廠)、營運管理端(鏈)三個環節。
其中，機器運作端包含各式感測器、驅動器、製程機械等組成的設備層，以及發號指令給設備的控制層；廠務管理端則包含可監控生產設備及環境的監控層，與掌握生產流程和管理工廠作業的生管層；營運管理端則包含管理企業內部營運流程的內部鏈，以及供應鏈上下游流程管理的外部鏈。
隨著時間推演，智慧製造在機、廠、鏈逐漸演化出多項新興應用。例如在機器運作端，隨著設備層出現機器人生產、積層製造(Additive Manufacturing, AM)的3D列印、AOI檢測等多項應用，控制層也因應製程段需要即時分析的需求，發展出運算力更強的PC-based控制器。
在廠務管理端，透過數位雙生模擬與設計最適產線，並即時呈現產能狀況、生產設備資訊，以及搭配5G及邊緣運算等技術，滿足AR、大規模AMR車隊管理的低延遲需求。
在營運管理端，配合歐盟碳邊境稅、國際品牌大廠要求供應鏈碳排放調查，衍生出的碳盤查解決方案。以及供應鏈短鏈，應運而生的供應商管理數位工具。
物聯網使IT/OT界線越趨模糊
工業4.0發跡後，物聯網技術逐漸打破IT、OT隔閡，例如因應工控需求，設備運作端需要IPC分析移動機器人所處的複雜環境，乃至高階運動控制；廠務管理端則利用邊緣伺服器以達到即時分析需求。IT進入OT場域，使兩者分界日趨模糊，業者市場版圖也開始朝對向擴張。
例如OT大廠西門子(Siemens)的業務範疇，已向上往企業營運端發展，並推出IIoT平台MindSphere。MindSphere除可掌握工廠、機械營運狀況，更能與PLM等IT系統高度整合。微軟(Microsoft)、Google等資訊大廠也從營運管理端，跨入到廠務管理端發展AR應用，AWS亦推出基於機器學習的產品瑕疵檢測方案–Look out for Vision。
西門子、施耐德(Schneider)等自動化大廠發展工業4.0相關契機，與工業物聯網(IIoT)市場成長快速，以及大數據、雲端運算、AI等技術逐漸崛起高度相關。隨著技術日趨成熟，並得以支撐工廠智慧應用發展。自動化大廠紛紛將數位化業務納入組織規劃，或是推出智慧製造解決方案，整合原有在機器運作端技術，進一步利用IIoT串聯至廠務管理端，乃至營運管理端發展多元實務功能，積極朝工業4.0相關應用拓展業務範疇。
智慧應用全面滲透機、廠、鏈
除了宏觀面的變化外，物聯網概念跟各種智慧應用，也為製造現場帶來明顯的改變。本文接下來將從機、廠、鏈三個面向進行介紹。
機器運作端
在機器運作端，自動光學檢測(AOI)結合人工智慧(AI)，進行自動參數調整，是一大發展趨勢。AOI大廠Mek即以AI作為技術基礎，可讓AOI學習在PCB製程中，自動調整數百個預設參數以辨識物件缺陷，包括掌握最佳光照水準、攝影機位置，以及調整檢測閾值等，確保AOI不因人為設定過高檢測標準而造成誤判，也降低對人員操作AOI專業知識的要求(圖1)。
圖1 AOI大廠mek所推出的PCB檢測設備 圖片來源：mek
協作機器人的進化，也是一大趨勢。觀察2022年RBR50機器人創新獎評選獲獎名單，協作機器人創新之處開始從機器人單機設計，走往應用面周邊發展。例如手臂末端工具業者OnRobot，其分析軟體WebLytics可預判調整機器人作業速度或工具設定，將對效能產生的影響，並能監測工具運作狀態，維持高OEE生產。
另外，協作機器人與具備搬運料件功能的AMR結合，亦是發展趨勢。例如Omron的AMR與協作機器人二哥達明機器人整合，以在晶圓製造、封裝等高科技場域應用。
設備預測性維護，近幾年也出現長足進展，開始大規模應用。廠區設備現在可透過AI蒐集設備運行數據，分析設備使用壽命、預期維護項目和時間，為企業節省維護人員成本，降低設備突發故障的風險。
Siemens旗下設備預測性維護企業Senseye透過掌握用戶每次對預測的回饋優化模型演算，減少可用數據過少、數據關聯性不足的問題。另外透過AI機器學習、統計建模、預測以及數據挖掘，清除干擾預測結果的環境噪音。同時自動為每台機器創建貼近實際情況的模型，不用為每種機器類型開發自定義模型。
物聯網模糊IT/OT界線 機、廠、鏈全面智慧化(1)
物聯網模糊IT/OT界線 機、廠、鏈全面智慧化(2)