今年受到疫情影响，许多产业试图通过业务转型、数字转型来渡过景气低潮，其中制造业更因为中美贸易战冲击，纷纷加快其转型脚步，但对于许多中小企业主而言“看不到智能制造导入的真正效果”是阻碍转型的关键。
在“2020 AIoT论坛”中洛克威尔自动化（Rockwell Automation）资深顾问何辅仁分享，在工厂数字转型后，许多企业主开始搜集到大量数据文件，却面临不知道如何与运营问题做分析的情况。
因此若能以“小改变带来大效益”，或许是让中小制造业愿意尝试的开始，像是借由AI与机器学习创建“变频器的故障预测模型”，就能有效降低工厂停止运行的几率。
如何从单点作业项目拓展到全工厂的数字转型？“筛选正确数据”是关键！
何辅仁也指出，在智能制造的概念下，许多制造业希望通过AI、机器学习的技术来做到设备异常侦测或改善良率等，但往往只能做到单点项目的改善，若要拓展到全工厂导入却经常遭遇瓶颈。
这样的困境主要在于，许多制造业都知道要搜集资料，但往往很多都是没有用的资料，导致在分析时产生误判。或者是听到许多解决方案供应商的应用案例，但要套用到自己的产线上却又格格不入。
何辅仁表示，Rockwell致力于协助企业找出资料的价值，通过一套方法论帮助企业找出运营上的问题点，并通过分析工具来解决，之后才是引入机器学习与AI来建模、预测，并采取行动，如此才能完整的进行转型改造。
从工厂的数据搜集、清洗到模型创建分段拆解，加快企业找出转型问题
过去企业通过机联网搜集资料，OT部门人员将资料存入数据库，IT人员将资料整理排序，再由资料科学人员分析资料、建模，最后交由OT验证，整个流程横跨不同部门、平台非常耗时，且成果无法重复使用。
因此，Rockwell将多年协助制造业转型的经验归纳推出Rockii（Rockwell Information Intelligence）。协助企业以概念验证（POC）的方式，将整个流程拆解，从前端参数连接、资料记录的“搜集阶段”，到资料清洗、统计分析的“诊断阶段”，最后进入机器学习、模型创建的“预测阶段”，以及未来由AI提供建议行动的“指导阶段”，让企业能清楚了解各阶段的转型问题。
其中“资料清洗”是许多企业最头痛的问题，Rockii通过数据中台（Data hub）快速处理不同来源的资料，依据产线、功能将资料分类，将资料从既有系统中解构，加入添加传感器的资料，再依据不同应用需求去重构，把需要的资料快速集成出来。
以前面提到的变频器为例，Rockii就能借由关注变频器的所有运行参数、记录操作的环境因素、关联报警消息，而后进行统计分析，以及创建预测故障的模型，让AI与机器学习技术融入变频器预知保养中，以避免突如其来的损坏而造成产线运营中断。
何辅仁也补充，Rockii除了应用在关键组件运维，还可应用于能源优化、产能产线优化，及物料管理等环境优化。
5G边缘运算的智慧工厂新应用—AR巡检
而迈向智能制造后，工厂有更多的设备联网，“安全”也成为企业需更重视的议题。在日常的巡检作业上，传统方式是巡检人员拿纸张表格，到各个机器设备抄表巡检做记录关注。
但目前Rockwell发展出以AR技术连接数据库，巡检人员只要手持平板，走到定位结合空间识别，系统便能自动呈现需要抄写的表格，也能告知需要抄写的数据，并即时串联后端分析平台。对于新进的巡检人员来说，也能快速上手以减少各种人为疏失。
现今AI、物联网、大数据等智能制造应用，都依赖工厂“数据”的搜集，然而熟悉制造业Know-how的数据分析专家并不多见，拥有丰富智能制造导入经验的Rockwell期待能通过Rockii将需要人为分析的专业知识模块化，成为可套用到任一产业的工具，协助中小企业大幅节省时间性能，弹性调整生产运营流程！