SAP智能制造,为企业带来的无限机遇
342
2023-10-30
随着消费市场的生成动力由供给端移转至需求端,促使制造系统较过往更复杂,藉由部署先进感测技术与结合AI算法等科技,提高信息可视性及系统可控性,在虚实整合系统运用增加的趋势下,迎来智慧自动化的工业4.0智能制造世代,以下将分析协作机器人、数位双胞胎、预测性维护等2019年发展重点。
过往传统大型工业机器人一度扮演工厂中重要角色,然随着市场需求迅速且多变,高导入门槛、投资成本高、回收期长且应用上较为僵固的传统机器人渐被Cobot取代。
Cobot能以更低成本为企业提供更易部署及更高的灵活性,且通常无需额外防护及大量的软件套件,进而满足制造过程中不断变化的需求。
适合导入Cobot的应用方式多为真人作业员周遭重复性高,但不需真人手工技巧、思考力或临场应变的人工作业,亦可提升安全性。
相较传统机器人,目前Cobot具有价格优势,且驱使市场成长的推动力主要来自中小企业,需较快设计周期和产品可变性的产业亦为Cobot主要采用者,例如诉求自动化灵活性的汽车业及电子制造业等。
持续在Cobot产业握有近半市场且市占率居冠的Universal Robots,透过自动化的新方案聚焦于解决制造业劳动力短缺问题,针对肮脏、沉闷与危险的3D工作(Dirty、Dull and Dangerous),也不断开发相关机型及应用平台。
在产品研发外,Universal Robots也积极布局海外市场,尤其锁定工业机器人密集度较低国家,例如拥有全球最大机器人市场的中国、制造业占98.5%积极部署工业4.0但机器人采用率仍低的马来西亚,以及每万名员工仅配有3台机器人的印度等。
2016年底才首度开卖的广达旗下品牌「达明机器人」,于2018年超越四大机器人家族之一的日本大厂Fanuc,成为全球协作机器人市占第二高厂商。
达明专注研发机器视觉,于Hannover Messe 2019自动化展推出TM Operator系列,当中的TM Palletizing Operator能利用视觉检测自动补正物件及栈板位置偏移,并搭配智慧图形化界面提供使用者简单快速编辑,实时反应工作进度与监控机械手臂状况。
达明进一步整合德国IDS的Ensenso 3D相机和瑞士Asyril震动盘整料情境应用等厂商,藉由精准辨识物件以深化产业应用,扩展其智慧视觉系统生态系。
工业自动化和机器人技术大厂ABB是协作机器人的主流厂商之一,其Yumi系列包括单臂和双臂协同机器人,为潜在客户提供比ABB传统工业机器人更低成本和更灵活的替代品。
由于ABB具备IoT解决方案Ability,可用于连接机器人和其他设备的网络,故能精确监控和控制,利用数据驱动分析提高硬件和流程的性能、可靠性与使用寿命。
在周边方面,ABB也推出监测Dodge带座轴承(Mounted Bearing)运作的无线传感器,除了透过监测温度与震动状态评估轴承健康度外,也希望远程监控技术能使维护或相关人员无需接触处于危险位置的承轴,仍能安全进行检查。目前ABB持续在模块化设计平台上构建Cobot,透过更多客制化解决方案,为更多Cobot形状和尺寸打开大门。
同为四大机器人家族之一的德国厂商KUKA则致力于人体强化机器人(Human Robot Augmentation,HRA),作为人类工作者的延伸,提供更高精度和灵敏度。该技术透过机器学习应用,Cobot可与人类实时互动,并在不重置的情况下回应不断变化的任务,因此可应用于快速、准确与安全的安装组件。
随着传感器及机器视觉技术领域创新与AI的结合,Cobot持续往更安全和更易使用等趋势发展,并执行过往仅能倚靠人力的作业来增加价值。
由于Cobot并非完全取代人工而是创造互补角色,并透过承担或协助重复性艰困作业,帮助提高生产力和工作场所的满意度,因此一定程度上消弭传统机器人取代人力的质疑与抵抗,且相对而言,制造商也为工程师提供所需的自动化技能和技术工具,甚或增加新工作机会,然而持续涌现的供应商也使该产业面临激烈竞争。
数位双胞胎是指透过传感器收集相关实体设备、流程与系统建置而成的虚拟副本,持续被视为重要的战略技术。
相较于模拟技术,数位双胞胎可透过传感器达到实时虚实整合,意即物理模型和虚拟模型间具有连结性,藉由传感器回传资料后进行实时处理、分析和判断后,使虚拟模型能产生反馈,进而优化产品并增加价值。
目前该技术已在各垂直领域陆续投入应用,例如医疗保健领域用来管控急诊室的等待时间及患者流量、建筑业远程监控并降低营运成本、能源产业的实时监控及输配调控等。
在制造业方面,数位双胞胎多用于生产与设计、现场产品调整,以及未来产品开发等,可降低产品开发周期因应客制化和少量化趋势,并延长组件寿命,创造更合理的制造规划和精确生产控制,进而优化整体业务流程和操作流。
此外,随着工业自动化转型过程中,无线物联网设备的基数在2018年已突破2,000万台,广泛连结性及工业物联网的建置也促使数位双胞胎更精准,使智能制造得以实现。
智能制造应用的数位双胞胎主要分三类,首先,产品面的数位双胞胎允许制造商在虚拟环境中添加所需的调整,能在产品上线前测试与验证产品功能、安全性和质量,大幅缩短总开发时间。
生产面的数位双胞胎则着重于虚拟调校,进而使工厂现场的数位与全自动化更为落实。最后,在运作面的数位双胞胎收集产品、机台及整个生产线的运行数据,透过模拟预测性能故障、能耗峰值及停机的风险。
目前数位双胞胎解决方案的主要供应商包括Siemens、Microsoft、GE与IBM等,虽皆以虚实整合作为决策者的辅助判断,然各家发展重点略有不同,例如GE的Predix资产及运营分析着眼于直接绩效管理,IBM具有数位双胞胎技术的产品则聚焦于生命周期优化。
Microsoft的Azure Digital Twins多应用于工厂和电网的整体设施管理,透过虚拟化建置,搭配可透过软件定义的硬件设施,让使用者藉由服务快速部署物联网服务。
Microsoft将进一步拓展应用数位双胞胎的便利性,已于2019年推出让IoT装置随插即用的IoT Plug and Play建模语言,亦预计整合即将推出的DTDL定义语言(Digital Twin Definition Language),让Azure Digital Twins上的记录、监视与分析服务能支援随插即用功能。
Siemens透过MindSphere平台连接实际的产品、工厂、机器及系统,将数位双胞胎应用聚焦于产品设计、现场模拟与决策支援等解决方案,并提出利用该技术整合模拟工具机建造商与机台操作者真实流程链的解决方案。
此外,考量到CNC及积层制造对模拟需求及调整弹性的产业特性,Siemens也推出专为其设计的Sinumerik ONE数位双胞胎系统。
预测性维护是智能制造中相当重要的应用技术,透过分析生产数据与实时监控设备运行状况,优化维护计划,可有效预防停机等意外发生,降低维护成本并使制造商能将正常运行时间最大化,以提高生产量。
由于现行工厂的运行能力比过往进步许多,在全天候运作为常态下,停机成本将不断提升,1小时停机成本可能造成厂商10~30万美元不等的业务损失,计划外的停机更可能导致上百万美元成本。于此趋势下,预测性维护优化停机规划、最大限度减少意外停机时间、延长设备使用寿命及员工生产力的特性,使其成为工业4.0重要应用之一。
预测性维护同样建立于工业物联网基础上,基本元素包括安装在设备或机器中的数据采集传感器、允许数据在受监控资产与中央数据中心间传送的通讯系统、储存处理及分析来自OT与IT系统的中央数据中心、具预测分析能力的算法,以及维护和流程工程师用于调查并确定要执行的数据分析工具与界面。
传统上较常见作法是将预测性维护运用于智能制造,包括Siemens、SAP与GE等皆进行相关应用。以SAP为例,将传感器数据与企业的ERP和企业资产管理(Enterprise Asset Management,EAM)等业务信息结合,建置在IIoT基础上,透过异常检测、频谱分析和机器学习等方式优化资产维护。
此外,也能与SAPS和4HANA,甚至第三方维护执行系统共同集成,提高服务范围、降低维护成本及增加资产可用性等优势,让预测分析可视化。
IBM于2019年推出Maximo资产绩效管理(Asset Performance Management)解决方案,其中的Predictive Maintenance Insights便是使用统计模型和机器学习预测资产健康状况,包括故障日期与概率、关键驱动因素、退化曲线及其他异常检测。
目前IBM也预测性维护技术运用于智慧城市上,例如与美国亚特兰大交通管理局合作,对资产状况从追踪转变为预测并防止故障,近期更宣布与丹麦国营基础设施营运商Sund&Bælt(S&B)合作,透过新推出的Maximo for Civil Infrastructure系统整合建筑结构上的传感器、人员穿戴信息、无人机回传数据及天气数据等,延长老化桥梁、隧道和铁路等使用寿命。
智能制造的重要基础来自工业物联网之完善建置,物联网数据包括从大量机器收集的传感器历史讯号和测量值,以及来自机器现场监测的在线数据。随着数位双胞胎和预测性维护等辅助决策及预测性的精准度提升,传感器数量将持续成长,使得大数据的管理与分析至关重要。
故厂商在架构基础设施的同时,也将面临从根本上进行大规模物联网数据管理的需求,尤其在制造业许多数据都是商业机密下,非原生数位企业的传统型产业更需着重于人才培育与技能转型。
此外,随着数据量日渐增长,边缘运算于靠近设备端先行处理数据,能有效降低延迟时间、减少大量传输及云端储存等营运成本,进而提高业务效率、可靠性及可扩充性,同时强化物联网的安全性,将成为智能制造发展的重要技术。
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。
发表评论
暂时没有评论,来抢沙发吧~