後疫情時代去全球化，製造業靠IoT串流分析逆轉局勢
作者:SAS TAIWAN
原文刊登自:天下雜誌
前言：後疫情時代，去全球化崛起。製造業者漸漸回流建廠，如能掌握競爭對手停滯期，趁勢超前部署物聯網串流分析技術，將是台廠利用數據力逆轉競爭局勢的關鍵。
新冠肺炎COVID-19帶來的危機，重塑全球貿易。經濟學人智庫指出，疫情將會加速區域供應鏈的發展，重挫全球化，甚至會逆轉全球化。
隨著去全球化的時代來臨，工廠紛紛回流台灣或搬移遷廠，不少製造業直接佈局智慧工廠，導入具連網功能的新設備與建置物聯網環境，如能將大數據分析延伸至設備端、將可達到更精準的製程控制及避免報廢，加速組織在數位轉型上的學習曲線，與中日韓競爭對手拉開距離。
物聯網數據分析兩大痛點
全球數據分析領導大廠SAS，其台灣業務顧問部副總經理陳新銓指出，「物聯網設備通常伴隨巨量數據，然而，製造業者在進行數據分析時，最常面臨兩大痛點！」第一個痛點是，儲存聯網設備的數據需要巨大成本。他舉例，以數據產生的速度來說，單一感測器每秒至少能產生1萬筆數據，儲存所有物聯網數據的成本太大，況且大多數據缺乏分析價值。
常見的折衷作法是固定時間取樣、例如每秒取一個數據點，接著再根據製程特性取統計量、例如關鍵製程區段為7~10分鐘，則對180個數據點取平均值來代表某製程參數的水準。如此將衍生2大問題：1. 細微的製程變化難以被發現、2. 單變量的監控方式與實際製程環境不符。
第二個痛點則為，部署分析模型的時程長，並且急缺數據分析人才。陳新銓分析，製造業重視品質控制，些微良率變化可能是千萬以上損失，因此模型的生命週期要遠小於產品從投料到出貨的時間。一般而言，分析模型從訓練、產出冠軍模型、部署到生產環境、替換新冠軍模型的時間平均約三個月，但產品的製程時間是一個月的話，將分析模型在生產環境做品質判斷或設備預警的風險就會很高，因此需要結合分析與生產環境的解決方案。
此外，數據分析人才供不應求，同時具備工程知識及數據分析的人才更是稀缺，如有不需以程式語言操作的大數據分析平台，即可將產線工程師轉化為數據分析的即戰力。
為了解決以上物聯網數據分析的兩大痛點，陳新銓建議打造串流分析(Streaming Analytics)應用於連網設備，於邊緣即時運算多變量製程參數的模型，並不須轉譯分析與生產環境語言、具最佳實踐的商用軟體，將可讓模型的生命週期從3個月縮短至一週以內。此外，由於連網設備產出資料的速度極快，使運算效能成為分析模型應用設備端的瓶頸。Python為大數據分析的常用語言，但其語法特性較適合實驗室規模的應用、不適合處理設備的高頻資料，以SAS語法重新編寫Python常用的演算法後，可提升5-7倍的速度。
陳新銓說，製造業可用串流分析技術做製程設備診斷，可單純發佈警示而不儲存資料、也可儲存部分資料以自動調教線上模型。
(圖說一:原始的感測器資料、難以視覺化理解、幾乎無法設定有效的警示區間)
(圖說二:非監督式機器學習轉換後的數據，可視覺理解、並快速發掘異常值)
洛克希德・馬丁以AI預測軍機零件故障
舉例而言，全球頂尖的航空軍武製造商洛克希德・馬丁（Lockheed Martin），除了製造F-35之外，旗下更製造了號稱「大力神」的全能軍用運輸機C-130，不僅在美國戰略空運力量中扮演關鍵角色，也是全球超過70個國家重要的空軍戰術運輸機。這也代表C-130的停機時間將會影響重要的任務。
洛克希德・馬丁當時遇到的問題是，飛機上超過600個感測器，每飛行1小時可產生7.2萬行數據，資料來源龐大，且資料格式多，初期每天需要三名員工協助清理和儲存數據。此外，過去遇到零件故障，客戶要花3個月到半年等備料到貨，這段期間的停機對國安與運輸都是重大損失。
陳新銓指出，洛克希德・馬丁決定主動預測故障、以解決客戶等待料件時間過長與先進戰機較不穩定的問題，整合如廢氣體、溫度、壓力、引擎震動、軸心位置等多變量參數，使用監督式與非監督式機器學習，進行串流分析以預測軍機零件的剩餘壽命。成功讓C-130J停機的時間每年縮短了1,400個小時，約當58天，更節省95%資料清理的時間。
GE奇異運輸用深度學習診斷鐵軌健康度
另一個製造業數據分析的例子是火車頭製造商奇異運輸（GE Transportation），其在大北美鐵路網共有21個維修站、1,400個火車頭，超過200個以上感測器。奇異運輸與SAS合作發展工業物聯網，希望能透過解密火車頭物聯網數據，發現讓火車保持正軌運行的運作模式。
鐵路軌道的健康度對火車的安全性來說至關重要，最常碰到的問題是「道砟」的分佈不均勻，將會大幅影響火車的行車安全。道砟是承托軌道枕木的小碎石，可以用來排水、調校鐵軌，並降低列車經過時帶來的震動和噪音，進而能保持鐵軌的軌距不變，避免發生出軌意外。
陳新銓說明，過往仰賴人工巡邏維護鐵道及道砟，曠日廢時，奇異運輸後續決定與SAS攜手在火車頭裝上攝影機擷取軌道的影像，利用深度學習模型分析影像，在火車上的主機即時邊緣運算，從道砟的高度、厚度判斷鐵路軌道的健康度。若發現些微異常狀況，則警示駕駛員減速通過此路段；若有嚴重異常，則通知總部做緊急處理。
(圖說:深度學習模型分析影像、火車行進間即時判斷鐵軌健康狀況)
製造業的數據價值，取決於想解決的企業問題。陳新銓建議，製造業啟動數位轉型的第一步，可先從盤點業者自身的數據資源開始，若設備的感測線處於離線狀態，要先串連至網路環境，才能利於數據分析；若採用最新物聯網設備，則要先取得設備的數據。第二步則透過數據清洗、蒐集數值，再使用系統進行數據分析。打好數據分析的基礎建設，就能用比較小的人力滿足更多的分析情境。
陳新銓提醒，「物聯網時代，數據就是燃油，分析則為引擎。」後疫情時代，製造業者漸漸回流建廠，如某電子業的良率長久以來90%上下，如能將新設備結合串流分析，或可突破數年來的良率瓶頸，趁競爭對手停滯期加速數位轉型到位。台灣製造業此時正得以把握時機應用數據創造新應用，強化數據變現的競爭力。
