工業革命步入第四階段，工業物聯網(IIoT)為其中不可或缺的元素。透過有線和無線網路將工具機、PLC、感測器、分散式運算、工廠中的電腦和雲端系統連接起來，可讓工廠的各個部分收集和處理資料，並且與其他部分及網路共享資訊，進而發揮資料的真正價值，優化產品製造方式。
1960年代末，數位電腦首次顛覆了工廠自動化運作，開創了電腦輔助設計(CAD)時代，利用可程式設計邏輯控制器(PLC)提高自動化程度，並提高生產率，實現了複雜零組件的連貫生產。此時期被視為是繼蒸汽機推動第一次工業革命，以及工具機、電氣化和內燃機極大地提高了生產力後的第三次工業革命。
下一階段的工業革命正在如火如荼地進行：工業4.0利用廣泛的機器對機器通訊(M2M)、邊緣運算以及人工智慧(AI)和機器學習(ML)進行變革，為傳統製造和自動化實作帶來更大規模的自動化方案。
工業物聯網(IIoT)彙集了這些技術，而IIoT的連接性也為工業4.0奠定基礎。透過使用有線網路和無線網路將工具機、PLC、感測器、分散式運算、工廠中的電腦和雲端系統連接起來，使得工廠的每一部分都可以收集和處理資料，並且與其他部分及網路共享資訊。此資訊寶庫使工程師能夠徹底改變從罐頭到汽車、從螺絲釘到智慧型手機、從拼圖到噴氣渦輪機等一切產品的製造方式。
彌合工廠鴻溝
工業3.0期間，雖然設計和製造皆受益於數位自動化，但設計和製造兩階段並未彼此連接，往往各自獨立運作。在此情況下，工程師需要先從設計部門取得CAD輸出資料，接著再利用所取得的資訊，手動對工廠的工具機進行程式設計。如此不僅對於人力需求更高且容易出錯，設計和製造獨立運作也使業者失去了透過完善產品設計來讓製造變得更容易、更便宜且更迅速的機會。
如今，IIoT在用於設計的資訊技術(IT)網路和用於工廠自動化的營運技術(OT)網路之間架起了橋樑。透過M2M通訊，設計電腦可以與工具機進行對話，直接對工具機進行程式設計以製造零件，而工具機也可以與設計電腦進行通訊，讓設計電腦瞭解製造過程中的瓶頸所在，以便重新進行產品設計，在不影響功能的前提下簡化製造過程。
資訊的自由流動使得工程師能夠設計出既能快速、廉價地製造，又能保證品質和減少浪費的產品，並且讓工具機將製造資訊回饋給設計部門，以確保下一代產品能夠作出改進，進而精簡製造流程以提高生產率。中央電腦還可以利用所有的設計和製造資料，找出未來製造產品的最佳方法，使產品經久耐用、易於維修，並且在使用壽命結束時易於回收。
混合使用有線和無線連接
工業乙太網路是成熟的工廠自動化網路技術，可靠耐用，支援一系列經過驗證的工業自動化設定檔，如EtherNet/IP、PROFINET和Modbus TCP。在未來數年內，有線技術很可能仍然是工廠通訊網路的骨幹。
工業乙太網路的缺點是擴展基礎設施的成本高昂，並且擴展過程具破壞性，必須在建築物內安裝布線和連接器，還必須安裝用於管理協定的相關電子設備。在工廠增加新的大型工具機或生產線時，管理人員可能會認為這是合理的作法，但對於增加感測器以監控現有的機器和生產狀況、追蹤工廠內零件或元件的移動情況，或是將設計和製造資料傳輸到雲端來說，便可能會認為此舉不符合成本效益。
對於這些應用，低功耗藍牙(Bluetooth LE)、低功耗Wi-Fi和蜂巢式物聯網(NB-IoT和LTE-M)等無線技術是更實用的替代方案。這些協定以國際標準為基礎，並且隨著IIoT的演進發展不斷更新以引入新功能。採用這些無線技術的感測器價格相對低廉、結構精巧、易於安裝和配置，使用電池可持續運行數月或數年。
低功耗藍牙適用於網狀網路(Mesh Network)，確保數百個感測器能夠從工廠的一端向另一端進行通訊；低功耗Wi-Fi適用於需要更大頻寬的感測器(如攝影機)，也可用作定位技術以進行資產追蹤；蜂巢式物聯網則提供了遠距離通訊協定，可用於負責整理感測器網路資訊並將其轉發至雲端的閘道器。
使用機器學習進行密切監控
精細的程序控制是確保生產率和品質的關鍵，無線感測器和攝影機可以監控機器並測量成品零組件以發現產品中的任何細微偏差，並在情況惡化之前糾正製造程序。除了製造過程本身，許多其他因素也會影響生產率和品質，因此可以透過其他感測器來追蹤這些因素，包括振動、溫度、濕度和空氣品質等面向。
然而，連續不斷的大規模生產會產生可觀的感測器資料，並且大多數的資料皆維持不變。將資料發送到電腦以進行篩檢既耗時又費錢，還會耗費大量能源。整合嵌入式處理器和機器學習軟體的無線系統單晶片(SoC)和系統級封裝(SiP)產品因此成為合適方案，可以協助識別重大偏差，僅轉發重大偏差資訊以採取進一步行動。例如，Nordic的nRF52和nRF53系列多協定SoC便整合Arm Cortex-M4(nRF52系列)和Arm Cortex-M33(nRF53系列)處理器，支援TinyML(來自Edge Impulse的小型電池供電感測器支援的精簡形式機器學習)。
機器學習也有助於預先解決外部因素可能導致的問題，例如，工人抵達現場而導致濕度增加、打開門窗導致的空氣流動以及白天和晚上的溫度變化，並且在這些因素影響流程之前調整機器設置。最後，專用的振動和聲學感測器可以監控工具機，確保它們處於最佳狀態。如此一來，可以在故障發生前報告任何不尋常的振動、溫度升高或是功耗增加，以便及早進行維護，進而防止生產突然中斷而造成損失。
工業物聯網方案多元
如同本文所述，善用有線及無線方案，並結合邊緣端的機器學習能力，將可協助業者提升工廠運作效率。目前，市面上已有許多相關方案，Nordic的多協定和蜂巢式物聯網無線技術便為各種IIoT應用提供支援，例如，Grandcentrix的Modbus Cloud Connect允許運行工業乙太網路協定Modbus RTU的任何設備使用蜂巢式物聯網無線連接到雲端，其便使用Nordic的nRF9160低功耗SiP實現蜂巢式物聯網連接。Modbus RTU是廣泛應用於M2M通訊的工業自動化協定，可將製造資料或維護問題報告給中央設備或伺服器。
同樣，TYMIQ的Prylada物聯網閘道器使用nRF9160實現設備與雲端平台之間的LTE-M連接。該閘道器提供一組連接介面，允許從各種感測器收集遙測資料，包括溫度、濕度、光線、液體洩漏、空氣品質和移動檢測。該閘道器使用SiP的Arm Cortex-M33處理器監控感測器並整理相關資料。TZero則使用nRF9160 SiP為其MachineMailbox機器連接工具提供遠距離無線連接和處理性能。MachineMailbox使用nRF9160 SiP的Arm Cortex-M33處理器來管理和執行多個感測器所需的複雜專有演算法，並將資料發送到雲端。
Atomation的Atom服務於預測性維護領域，配備Nordic的nRF52840 SoC並整合各種感測器，能夠監測溫度、振動、濕度、壓力、距離、傾斜和衝擊等機器變數。Atom利用SoC的Arm Cortex-M4處理器運算性能，確定感測器檢測到異常數值才傳輸資料。
(本文作者為Nordic Semiconductor業務開發經理)