陳添福 曹孝櫟
隨著晶片、物聯網和巨量資料技術之快速發展，透過資通訊技術以進行工廠產能的提升，降低人力、營運與維護成本及重視環境保護與永續經營，便是最近相當熱門主題之一的『工業4.0』幾個重要訴求。面對這種萬物聯網系統快速發展和產業需求，研華科技以及相關公司今年(104年度)與本校共同成立了一校級研究中心『物聯網智慧系統研究中心』，分別以智慧電腦視覺處理(Intelligent Video Analytics Lab)、機器人(Robotics Lab)與物聯網嵌入式平台即服務(IoT Embedded PaaS Lab)三個主軸實驗室進行為期五年的合作計畫，其中物聯網嵌入式平台即服務則為本系老師主導，不同於過去資料的處理是單純傳送到雲端做集中式的計算，巨量的資料傳輸負擔很大，處理資料到工廠決策可能來回時間超過預期，因此透過分散式的運算，讓應用程式、儲存和運算需求更接近裝置，使回饋時間能夠預期並且配合強大的集中式雲端數據中心來做複雜的預測，這種稱之為霧運算(Fog Computing)的概念被認為是未來物聯網和巨量資料的關鍵技術之一。
基於『物聯網智慧系統研究中心』的研究主題，本系老師(陳添福教授、曹孝櫟教授、黃俊龍教授)更進一步結合台灣大學(施吉昇教授)、中正大學(陳鵬升教授、林泰吉教授)、台灣科技大學(李育杰教授)跨校專家團隊，向科技部提出『產業用物聯網技術』的深耕計畫獲得補助通過，本計畫的主軸在於完成產業用物聯網基礎建設的建置，以提供大規模資料收集分析與產業智慧PaaS系統。主要分為由三個研究議題著手：(A)環境感知終端與伺服閘道：提供智慧感知終端之資料收集與可靠度軟體，以及具智慧資料分析之分散式伺服閘道系統。(B)產業資料分析工具與雲端平台：提供產業智慧系統之巨量與大規模資料收集框架及串流資料分析與智慧佈署平台建置。(C)深層學習產業應用智慧：基於大數據之產業設備維護、診斷、預測與異常事件偵測。
圖一產業用物聯網基礎技術
圖二 A分項計畫:環境感知終端與伺服閘道技術主題
A分項計畫:環境感知終端與伺服閘道
由於硬體效能的提升，近年來開始出現使用現有的感測器間接量測欲量測之相關訊號，期間透過高階訊號處理演算法擷取適當的訊號，近年來在地球科學（地震、天氣、洋流等）、機械（震動、故障分析）等領域非常活躍的「經驗模態分解（empirical mode decomposition; EMD）」等。在智能化的工廠環境裡，配置於工廠的環境感知終端（sensor endpoint），負責將各種的訊息傳送至感測閘道（sensor hub），再傳送到數據中心進行分析，讓此智能化工業生產環境可以實現的一個重要條件是使用節省成本、有效率的方式獲取大量不同種類的訊號，我們希望深入研究EMD演算法，針對EMD演算法，提供有效率、低耗能的software / hardware IP。硬體系統上的transient fault（soft error）是由外部事件（例如：雷擊、供電元件的不穩定、環境裡的高能粒子撞擊等）所引發的間歇性錯誤，這些外部事件通常不會造成硬體永久性的傷害，但卻可能因為資料存取錯誤、執行路徑的錯誤而造成錯誤的軟體執行結果。近年來，軟硬體技術隨著主客觀條件的成熟，有更甚於以往的成長，更小更快的電晶體製程技術，使得微處理器效能有顯著的提升，多核心處理器系統已成為計算機系統的主流，低電壓/超低電壓晶片的需求也隨著應用面需求的成熟，而越趨殷切。然而，在另一方面，這些發展讓晶片更容易遭受到transient fault的影響，系統的可靠度也變的更低。
配置於工廠的環境感知終端（sensor endpoint）與感測閘道（sensor hub）需要穩定且省電的持續運作，但其將遭遇更嚴苛的工廠環境，例如：電子設備間的相互干擾、極端溫度與濕度、震動等環境因子，讓原本需可靠運作的系統變得更不可靠，雖然在硬體設計時，可以透過ECC、parity、redundant component等技術提昇硬體的可靠度，但這種方法卻大幅增加硬體設計的複雜度與製造成本，我們希望透過軟體的技術，在不變更硬體設計的前提下，提升系統的可靠度。
圖三 B分項計畫: 產業資料分析工具與雲端平台技術主題
B分項計畫: 產業資料分析工具與雲端平台
產業資料分析平台與雲端工具平台技術子計畫，以研究資料收集與分析所需關鍵技術為主軸，包含兩個關鍵技術：即時資料收集與雲端資料分析工具。
- 1. 即時資料收集
巨量資料為工業 4.0 的關鍵基礎，因此，即時資料的收集是生產流程分析的根本。傳統的生產流程中，資料的收集係以批次收集(Batch)為主，亦即各生產設備機台在收集設備機台資料後，儲存在本地端後，再將資料經由網路將資料上傳至雲端。在過去十年當中，自動化機具的發展，已經讓生產自動化程度大幅提昇，即時監控的各項技術也日漸成熟。然而，即時監控的目的主要在於監測設備機具的狀態，因此，以單一獨立設備的即時資料為主。
在工業4.0 的規劃中，生產機具都將以網路連接，因此，生產機具的各項資料將具有高度的相關性，尤其是時序的相關性。傳統以單一獨立設備收集資料的方式，無法提供不同生產機具間生產資料的時序關係。此外，在工業 4.0 的規劃中，生產機具將具有高度的彈性，以因應生產流程的最佳化，因此，生產機具除了現有的固定式機具，將新增大量的移動式機具。資料的蒐集，不再侷限於固定式機具上所感測到的資料，所有在生產環境的資料都對生產決策有重要的影響，包含輪型機器人的位置，工廠各處的溫度。大部分資料所標註的時間，係依據感測器的即時時鐘(Real-Time Clock)標記，然而即時時鐘(Real-Time Clock)的正確性會因為電子石英震盪器(Crystal Oscillator)的老化與電池電量降低，產生頻率偏移(drift)，而導致資料時序偏移。資料時序偏移將導致無法由感測資料中，正確判斷事件發生時，各項相關資料的關聯性。也可能因為即時時鐘的誤差造成系統控制的錯誤，產生許多嚴重的後果。
即時資料收集計畫的目的，在於校正工廠內各項感測控制器的即時時鐘，提升感測資料（包含有線感測器與無線感測器搜集到的資料）時序的正確性，使資料的時序誤差在可控制的範圍內。
- 2. 串流資料分析平台
隨著數位生活、社群媒體、物聯網等數位資訊的累積，巨量資料技術(Big Data Technologies)已經成為熱門的IT產業專有名詞，技術內容主要是利用快速擷取裝置、App等硬體與軟體設備不斷產生的巨量資料，進行資料分析與探勘應用，萃取出具有價值且隱藏在資料背後的知識，為相關產業帶來利潤以及產業價值。
由於巨量資料的特性，當原始資料(raw data)從具備資通訊功能的設備如交通工具、生產設備和家電等產生之後，透過閘道器(Gateway)傳送到後端。但是由於原始資料通常夾雜著雜訊，因此原始資料都必須先經過資料前處理步驟，將原始資料進行選擇、清理、轉換之後，才能形成有用的資料。研究分析人員對處理後的資料進行探勘，建立資料探勘模型並且安裝於感測網路中。當資料要進行解析與探勘時，資料分析人員必須對串流資料分析流程有一定程度的了解，不具有資料分析背景的人員必須花費時間去研究與熟悉，才能對資料進行分析與知識挖掘。因此我們希望就上述問題，能夠提出三點的改善。(1) 巨量資料前處理步驟分割技術探討:將處理分析步驟分散式地分配到不同的裝置、感測器與Gateway上，在設備或裝置上進行資料的轉換或是資料的過濾，不但可以節省資料傳輸時間的花費、緩和頻寬的壅塞，以可以減低後端資料分析伺服器儲存與處理分析資料的負擔。(2)發展串流類型資料分析與探勘:由於感測資料是連續型的資料輸入模式，資料將會不間斷地透過Gateway傳送至後端，大部份現有的開源資料分析探勘軟體所提供的資料分析演算法，大都不能直接處理與分析龐大的串流類型的資料。因此如何運用這些開源的資料分析軟體，讓資料分析人員可以輕鬆地對巨量的串流類型資料進行資料分析與探勘，將會是本計畫研究探討的議題。(3)設計簡化且易於學習與使用的串流資料分析介面平台: 建構演算法與視覺圖形的元件化，提供使用者動態調整探勘與視覺化步驟內容，節省使用者熟悉工具、理解演算法運作原理所花費時間。
圖四 C分項計畫: 大數據與機械學習之產業應用技術主題
C分項計畫: 大數據與機械學習之產業應用
基於智慧整合感測控制系統(Cyber-Physical System, CPS)之模型與模擬工具，是工業4.0中智慧工廠最重要的一個元件。其主要的概念是透過物聯網感測元件(Sensor)大量蒐集環境、設備、人力、物料等資料，透過資料的分析，將真實工廠之環境、設備、人力、物料等行為加以模型，之後可以在軟體環境中自由編輯工廠環境、設備、生產動線、流程，透過歷史資料的檢視可以從中檢討工廠流程、生產排成、工廠管理、物料管理、人力管理、設備運作與管理等政策缺失，進一步可以預測、模擬未來工廠的生產，優化各項供工廠管理與生產的策略，乃至於對於未來新工廠的建立、產能的預測都有很直接與具體的幫助。產業用智慧整合感測控制系統的遠程目標還包含可以將真實環境中部分或全部物聯網感測元件的資料即時匯入智慧整合感測控制系統中，與部分虛擬設備、人力、環境、物料模型加以互動與協同模擬，進行更真實的分析與即時的反應，產業用智慧整合感測控制系統可以更進一步將模擬與決策分析結果透過物聯網致動元件(Actuator)對真實世界加以管理。產業用智慧整合感測控制系統的基礎工具，同時也可以應用在其他結合物聯網與雲端技術的各種場域之中，例如連鎖商店的管理與維運等。
產業用智慧整合感測控制系統將有幾個重要的核心技術需要長時間耕耘與投入，包含(1)智慧工廠物聯網感測元件有效資料的蒐集。(2) 智慧工廠環境、設備、人力、物料等資料分析與模型建構。(3) 高度模組化產業用智慧整合感測控制系統之建構。(4)模擬與預測工具與軟體元件。(5)真實工廠感測與致動元件與產業用智慧整合感測控制系統即時協同模擬與預測。(6)環境、設備、人力、物料狀態監控、異常偵測、診斷與預測。(1)智慧工廠物聯網感測元件有效資料的蒐集：智慧工廠即時蒐集相當大量的感測資料，這些感測資料的品質、相關資料的重複性、對雲端傳輸與儲存的負擔，以及對模型與模擬的幫助等，皆需要深入的分析與與討論，本計畫的子項研究中，探討感測資料的前處理、區域智慧與閘道器的設計、感測資料過濾錯誤與資料處理演算等工作，將與本項研究工作密切相關，因此針對這個部分的的研究工作將結合個子項研究共同進行。(2) 智慧工廠環境、設備、人力、物料等資料分析與模型建構，主要探討如何將智慧工廠環境、設備、人力、物料等感測資料進行資料分析，以建構出各種環境、設備、人力、物料之數學模型，並可以透過模組的方式匯入智慧整合感測控制系統工具之中。此研究項目，我們將延伸過去在智慧電錶的設備耗電分析技術並透過深層學習技巧，來進行各類模型之建構。(3) 高度模組化產業用智慧整合感測控制系統之建構以及(4)模擬與預測工具與軟體元件，主要是建構一個具備高度可擴充性、高度模組化之產業用智慧整合感測控制系統模擬器，同時開發各種模擬與預測工具與軟體元件。我們傾向參與並修改開放原始碼計畫之智慧整合感測控制系統模擬器，並將研究成果透過開放原始碼方式釋出。(5)真實工廠感測與致動元件與產業用智慧整合感測控制系統即時協同模擬與預測，主要在擴充產業用智慧整合感測控制系統模擬器即時與真實工廠感測與致動元件之互動，此部份牽涉與物聯網裝置的通訊協定與安全性等設計，將與本計畫其他研究子項共同開發。(6)環境、設備、人力、物料狀態監控、異常偵測、診斷與預測，此研究項目，我們將延伸過去在智慧電錶的設備耗電分析技術並透過深層學習技巧，同時將與設備異常狀態偵測的研究子項工作合作，進行環境、設備、人力、物料狀態監控、異常偵測、診斷與預測。
因應產業的需要和技術的發展趨勢，由本系老師組成的團隊，期待透過凝聚學術界與產業界的跨界研發創新能量，為未來工業化4.0時代，建立核心技術與競爭力。