曹永誠：做工廠智慧化先降低期望！以敏態模式建構智慧閉環

降低不預期停機只能靠AI？機台異常偵測與分類(FDC)敏態案例解析

文：曹永誠

發布時間： 2019-07-15 11:35:00

機台設備是工廠的基礎，當機台發生不預期停機，不管對交期還是成本衝擊都很大。如何有效地降低不預期停機的機率，甚至於達到預知保養(PdM)的層次，正是現在大家所追求的目標。但說真的，大家對此的期望都太高了。因為不管是不預期停機的避免，乃至於預知保養，都是無法100%做到的理想境界。

因為就算不計成本的在機台上裝滿了各式各樣的感測器，仍有百密一疏的可能性。

既然如此，何不就讓夢想只歸夢想，改以『摸著石頭過河』的務實漸進手法，採用敏態模式，建構公司內的智慧閉環並持續推動運作。讓公司的智慧程度可以隨著閉環一次次的持續運轉而得以持續提升，這或許是更有效且划算的模式。

圖一、FDC(機台異常偵測與分類)的架構圖

我們以SEMI所定義的FDC (Fault Detection and Classification, 異常偵測與分類) 為案例來說明。FDC的架構如圖一所示，透過機台運作時感測器所讀到的時間序列數據、機台產出的產品品質數據或良率，以及機台定期保養後校正的數據等，透過大數據分析或AI數學模型，以預測機台的健康程度，避免不預期停機。

畢其功於一役並不實際

但受限於感測器的成本與可安裝的位置等條件的限制，其實機台的數學模型所能預測的有其極限。當然不同的機種、製程與機構的設計方式，極限各自不同，但現實面就是，目前製造業工廠的機台現狀尚有很大的進步空間，極難一步到位。更頭痛的是，由於機台是設備商所設計的，但運作與製程設計卻是製造業工廠的事。現況是：二者的關係屬於買賣關係。

一般來說，製造業工廠往往會怕設備商知道太多運作數據與製程參數後，會不小心把資訊透漏給同業，因此往往不願意回饋設備商太多可以安裝更多感測器來強化智慧的資訊。

但製造業工廠若想運用這些強化智慧的資訊，自行動手改造機台安裝更多感測器卻也很難做到，畢竟專業不同，且強行改機不但耗時費力，事後改造比起設計階段就規劃安裝的難度更高，甚至於有機構上永遠無法克服的先天障礙。

所以這也是工業互聯網會開始風行的緣故，畢竟透過雲端互聯形成設備商與工廠由買賣關係，逐漸提升為協作關係，以共同創造雙贏，雖尚有些必要機制得先被催生出來，但絕對是未來的大趨勢。只不過在現階段，我們還是得先針對現狀，想辦法提升工廠的競爭力。

圖二、FDC(機台異常偵測與分類)的運作流程圖 (1/2)

累積亡羊補牢強化機台智慧

因此，在先天有極限、設備有瓶頸，加上投資報酬率的考量之下，若奢望可以直接建立機台數學模型，以AI預測，讓工廠智慧化一步登頂的想法，說真的可遇不可求，得視各種客觀條件是否到位。所以，換另一種角度思維，比較簡單有效的可行流程則是『摸著石頭過河』的漸進模式。

如圖二與圖三的流程圖，透過一次次的異常發生後的根因分析，與預防措施所建立的甄別模型，先以Rule-based模式進行。不管這Rule是採用上下限(UCL/LCL)、數學函數還是AI數學模型，我們可以將這一次次的智慧成果，設計成一個個微服務智慧元件，然後串接到前文所說的工廠數據高速公路上。

以這一個個的智慧元件將工廠的機台等同加上一層層的保護機制，一點一滴地提升了工廠的智慧程度。依照我過去的經驗，這智慧保護機制就像網一樣，一層層覆蓋上去，當達到某個臨界數量之後，不預期停機的機率就會開始非線性的大幅下降，直到某個飽和點才會趨緩。也就是說，成效此時就會開始展現。這過程不能太心急，智慧元件的數量與不預期停機的機率之間，確實是正相關，但是呈S曲線，得有些耐心持續推動才能看到成效。

圖三、FDC(機台異常偵測與分類)的運作流程圖 (2/2)

以智慧閉環匯聚眾人之智

這種模式乍看之下似乎不會那麼令人驚豔，卻是極為有效的方式。不但簡單有效，更重要的是，就是因為這模式夠簡單所以很容易就可以全員一起努力，集合眾人的力量逐步把智慧不止文件化、而且IT化、而且自動化。這模式就好比是一個閉環(Closed loop, 閉迴路)一樣，透過這個智慧閉環的流程、制度、工具與文化的建立，公司可以把眾人的智慧逐漸匯聚，持續沉澱與結晶，形成正向的公司新文化，最後變成工廠提升競爭力的基礎。