IT+OT深度融合，強化企業數位優化的手法流程

文：曹永誠 2021-4-26

智慧製造 智慧機械 數位轉型 IT+OT

本文分享，IT+OT深度融合如何幫助製造業工廠，從數位化後的數位優化，走向數位轉型的路徑與手法流程；並依圖示由左到右，逐一揭示九個里程碑的應用。

前兩篇文章，除了分享製造業工廠的數位化、數位優化與數位轉型的架構與價值外；也說明如何從智慧製造與智慧機械雙引擎上下合力，來提升製造業新競爭力。這其中的核心關鍵技術，必須從全方位掌控機台全生活週期的數據，即以IT+OT深度融合的創新應用，來強化數位優化。

《延伸閱讀：智慧製造與智慧機械雙引擎合力，加速企業數位轉型》

《延伸閱讀：IT+OT深度融合創新應用，落實企業數位轉型之路》

本文將進一步分享，IT+OT深度融合如何幫助製造業工廠，從數位化後的數位優化走向數位轉型的路徑與手法流程。下圖一顯示，由左而右是推進路徑，①②③④⑤⑥⑦⑧⑨則是標示各里程碑的應用。

然而，製造業工廠極度複雜，千人千面，不可能一概而論，所以這路徑是經過簡化。實務上，工廠推進時，不太可能全產線/全機台與全職能都一併同步推進，況且這樣的投資報酬率反而不高，還是得依照優先次序、個別推進後再互相帶動。下文將針對圖一展開說明逐步推進的可行走法。

數位化走向數位優化

如同上一篇所述，製造業企業進行數位轉型的第一步就是要先數位化∘請參考圖一中的①所示 (以下簡稱為①，下文的其它標示都是雷同)，IT端大多會導入ERP/MES等系統，以表單+流程來管理公司，畢竟『管理靠制度、制度靠表單、表單靠電腦』∘透過IT系統的導入，讓企業從數位化走向數位優化，如②所示∘

但在OT端就比較吃力了，傳統的機台設備常缺乏感測器、有些感測器則是類比錶頭，因此如③，OT透過安裝感測器，並將類比錶頭改成數位等等，才能讓OT端做到數位化階段的電腦化∘

但這還不夠，若數據只存放於機台控制器，或僅能顯示在各類錶頭的小螢幕，並不算完成OT數位化∘這些數據須透過工業互聯，例如：以機聯網連接機台控制器、或物聯網連接感測器或錶頭，將所有的數據串接、處理、儲存與應用，這才算是完成OT端的數位化∘

數位優化的可視化─知道發生甚麼事

數位化後的第一步就是透過數據的可視，協作製造業現場，以『感知現在』引導做對的事情、對的決策∘

以OT端來說，最簡單的方式就是將感測器的數據直接顯示，如④所示∘但問題是製造業現場人員多數對這種感測器的原始數據『無感』，大概就僅能拿來確認是否超過上下限等等，對於現場的協助效益度不高∘

例如：安裝振動感測器可以對馬達與軸承的健康做診斷∘但若直接把這種昂貴感測器的高頻數據，在現場的人機介面中直接顯示，說真的，除了少數特別受過相關訓練者之外，絕大多數現場人員都會無感∘

此時得透過工業機理-白盒子拆解的模式，將感測器所想偵測的部件或工藝，以相對應的物理/化學定律做轉換，例如：將感測器的原始數據轉換成健康指標數據，如⑤∘又例如：振動感測器數據可以採用FFT(快速傅立葉轉換)在頻率軸向來確認N次諧波的特徵，估算出馬達的健康指標∘

很多部件都有其特性曲線，透過相對應的工業機理可以分析出在時間軸向的特性曲線的偏移量，從而估算出健康指標數據∘而這些經過工業機理處理過的OT數據的可視化，對製造業現場的協作才會真正有效∘

數位優化的透通化─知道為何發生

對製造業現場來說，快速找到問題的根本原因後治本解決，才能降低浪費∘然而經常發生問題，就會案件發生一樣，嫌犯肯定跑掉，若想盡快抓到嫌犯(根本原因)，就須透過歷史數據『穿透過去』來重建現場，才能找到問題的根本原因，盡快解決，避免損失擴大∘

透過OT+IT融合的歷史數據，以黑盒子模式，採用諸如統計的迴歸分析、大數據分析、甚至AI模型，來建立OT數據與設備異常或品質不良的關係模型，如⑥，提供製造業現場有效找到問題根本原因的方法，快速且治本的解決問題∘

數位優化的預測化─從容應對，最低損失處理

透過快速解決問題可以阻止損失的持續擴大，然而製造現場若常常處於救火狀態，容易造成生產效率低，且產生額外的浪費∘換句話說，如⑤的健康指標固然有幫助，卻有其侷限性∘例如：機台的健康程度為34% (0%代表故障、100%是完全健康)，看似很先進與智慧，但目前絕大多數公司都無法善用∘

34%的設備健康指標預估，代表設備並沒有壞掉，但看起來又像是快要壞掉∘這設備確實還可以生產，甚至於還在正常生產中；但若要繼續派工生產，卻又讓人憂心忡忡，深怕隨時會發生故障。

所以，當製造現場拿到34%這樣的預測數據，到底是要安排設備維修，還是繼續生產，就頗令人頭痛∘這些花費巨資所得到的智慧結晶，卻帶給製造現場主管苦惱，沒辦法發揮數字價值∘

因此，得再次進行IT+OT融合，透過OT數據，例如：健康指標的變動(降低率)；與相對應的IT數據，例如：當時所生產的品號與工藝等；以黑盒子模式的大數據分析或AI模型，建置健康指標與品號/工藝之間的關係模型；以『預測未來』預知該機台相對於各品號與各工藝的剩餘可用產量或時數，如⑧∘

例如：健康指標34%的設備，可以生產A品號1萬片，但若生產B品號，只能生產8千片等∘而IT端，則透過APS(先進排程系統)等系統，協助進行排產與排程優化，如⑦∘

這二者的預測化，包括IT端─從工單面向的排程優化，與OT端─從機台面相的可用產量預測，二者經過互相參照，就可以讓製造業現場從容應對未來的變化∘雖然不可能零風險，但至少可以掌控因為設備衰退/老化的損失風險∘

數位優化的自適應- 自動最適切安排，永保最優化

當IT端與OT端的各項要素都逐漸走到預測化後，IT+OT就可以再次進行深度融合，例如：將自動排程演算法、與機台設備之各品號/各工序的剩餘壽命模型結合，再加上維修所需備品數量、維修人力狀況，甚至各設備停機維修對在線工單的衝擊、違約成本等，將這些數據與模型深度融合，再經由管理機制，自動規劃出最適切的排產/排程/派工安排，如⑨∘

讓製造企業隨時因應內外部變動，保持最優化運作，謀求最大競爭力，以此達到企業數位優化，進而加速企業數位化轉型∘

上述所分享的手法路徑，不是唯一的標準流程∘

針對實際輔導的客戶案例，透過切產線、切職能與切階段的逐步實施，效果十分顯著；雖然無法一步到位，但手法確實可以被複製，讓IT+OT深度融合，有效強化企業數位優化，並走向數位轉型，以此與產業先進們分享與交流∘

曹永誠

目前任職於鼎新電腦，深耕製造業自動化與大數據領域逾25年，專精於先進製程控制(APC)、智慧機台控制系統、機器人自動化、智慧能源管理等領域。實務輔導百餘家製造企業之智慧製造藍圖規畫與軟硬體整合應用。

相關資訊