工廠的信息流和控制可以提高自動化水平，幫助制造商做出更好的決策

　　作者：偉創力智能制造工程團隊副總裁MURAD KURWA

　　文章要點

　　強大的信息控制可以提高自動化水平，幫助制造商做出更好的決策

　　在自動化過程中注入人工智能（AI）和機器學習（ML)，以開發閉環控制，可以釋放更多價值

　　機器視覺還可以幫助制造商發現生產過程中的瑕疵或缺陷

　　工業自動化和信息化正在以飛快的速度發展。無論是協作機器人、自主移動機器人（AMR），還是高速生產線，全球的工廠都在需要提高效率、優化工作流程、增加安全性和提高生產率。

　　然而，在工廠中，自動化有一個常常被忽視的好處 —— 信息。如果使用得當，那么在產品生產過程中獲得的數據可以幫助工程師做出深思熟慮、更明智的決策。

　　問題是，許多工廠沒有適當的自動化或控制機制，將產品從步驟 A轉移到步驟 Z。這常常減少了在產品生命周期中收集到的信息。

　　更好的自動化意味著更好的流程、更多的制造信息

　　如果在工廠生產線上沒有利用自動化技術，收集到的數據只能與當前的人工的過程相同。一步步地收集信息意味著失去了對產品在其過程中實時演變的可視性。生產團隊幾乎很難甚至不可能理解潛在的挑戰或缺陷，因為他們只關注客戶的要求。

　　這種遺留過程或全面質量管理，能夠確保生產團隊得到以下問題的基本答案：

　　在這個步驟中，你做了什么？

　　產品是如何滿足規格的？

　　我們遵守要求了嗎？

　　雖然滿足客戶的要求是優先考慮的，但如果沒有自動化，生產團隊就會錯失可以幫助提高產量、減少不必要的工作、減少停機時間和浪費的大量數據流。

　　制造應用中的數據流

　　幫助提供生產線洞察的數據往往以不同的數據包、大小和形狀出現。收集到的第一組數據與制造階段的質量和產品性能相匹配，其他超出了產品屬性的信息，能幫助回答以下重要問題：

　　制造產品花了多長時間？

　　在這個特定的項目上花了多少小時？

　　是否使用了正確的工具？

　　制造產品的正確組件和材料清單是什么？

　　這一層信息來自于整個控制線，有助于生產團隊堅持標準操作程序，并確保根據基于周期時間及其他領先標準的規范生產產品。

　　同時，全自動生產線也能使工程師獲得比人工或半自動生產線更多的性能反饋。這是因為信息控制通過自動化的工具，傳遞產品生產過程中的數據，這些數據可以在監視器上被捕捉并看到。例如，生產團隊可以在產品緊固件上看到扭矩值等步驟，以確保在組裝過程中（而不是之后）滿足要求。

　　全自動生產線還可以更輕松地將關鍵信息傳遞給客戶。例如，對于醫療器械來說，自動化數據收集能夠讓生產團隊以準確、及時、高效的方式記錄并向客戶交付防水、測試、密封及其他關鍵因素的信息。對于汽車等其他有嚴格要求的行業同樣如此。

　　讓工廠生產線達到這樣的自動化和數據收集水平需要時間、規劃及專業知識的支持。

　　為自動化成功設置生產線

　　對于機器和設備的自動化控制，有兩種選擇。

　　第一種是可編程邏輯控制器（PLC)，可用于同步生產線控制，包括速度，物料進出之間的相互作用，以及其他方面的控制。借助PLC，操作員可以坐在裝有機器視覺攝像頭的傳送帶前。當產品被放置在傳送帶上時，攝像頭會看到并進入下一個周期。盡管PLC能正確地執行控制反饋，但在這個過程中沒有數據收集——只是被動、半自動的進行控制。

　　為了充分地利用自動化和相關數據的優勢，工廠應該考慮將工業PCs (IPCs)與高速自動化和傳感器相結合。這些系統為PLC的邏輯編程提供了先進的計算能力和信息控制。這種設置也可以由邊緣網關來支持，以幫助管理數據流。

　　獲取實時分析數據的三個步驟

　　企業在獲取最終實時分析數據之前需要采取的步驟包括：

　　更好地理解投入——產出機制

　　使用合適的傳感器來收集數據

　　通過低代碼/無代碼應用啟用閉合循環控制程序

　　該智能系統有助于在整個產品生命周期中進行數據收集，從而獲得諸多文章上述的優勢。這些數據還可以被傳輸到云端進行大數據分析，或者在邊緣（也就是接近機器的位置）進行實時處理。在此基礎上，通過將人工智能（AI）和機器學習（ML）注入自動化過程，以開發閉環控制，可以釋放更多的價值。

　　利用 AI和 ML釋放價值的五種方法

　　ML可以從閉環控制中獲取大量數據，并將其合成可操作的信息，以便驅動更好的流程和更明智的決策。ML幫助生產團隊將信息用于控制，這些控制可以實時調整生產線上的參數，而無需停止生產。ML還可以用于識別和消除工作中的非增值方面，例如在一段時間后對產品的測試。

　　AI和 ML價值的另一個驅動因素是視覺。例如，從工業 PC的閉環系統中獲取數據，機器可以檢測出劃痕等產品上的瑕疵或其他缺陷。這種異常檢測功能允許系統映射導致這些問題的熱點，并能夠標記出要檢查的潛在問題區域。

　　然而，為了最大程度地利用這些解決方案，考慮以下問題很重要：

　　1. 由你來構建 AI/ML，還是通過第三方購買？

　　2. 跨生產線的可擴展性如何？

　　3. 誰來創建算法和教學模型？

　　4.是否有足夠的數據科學家來支持該項目？

　　5.是否有正確的系統和員工來理解和解釋數據？

　　當自動化發揮其最大能力時，它可以執行生產過程中的戰略原則。自動化是一種受控機制，它讓機器對機器（M2M）接口以正確的步驟順序驅動產品，從原材料到轉化后的成品。產品性能、質量、周期時間的信息流和管理進出工位的材料流也是通過自動化同步完成的。當自動化與AI或ML相結合，便能夠帶來無限的可能。