智慧工廠
Smart Factory
什麼是智慧工廠?
- 以 IoT、AI 與數據實現生產智慧化
- 自主感知、判斷與最佳化
- 製造業 DX 的象徵
導入智慧工廠時,最先改變的不是設備,而是決策的依據。過去「那台沖壓機聲音變成這樣,很快就會停」的判斷,全靠一位資歷二十年的班長的直覺;如今則改為依據震動、電流與溫度數值的趨勢來判斷。判斷的時間點也提前了。從故障後整夜搶修的事後應對,轉為在出現徵兆時,於計畫好的時間停機的事前應對。因此導入效果會先出現在「計畫與實際的誤差」縮小,而非稼動率。
現場通常會分階段推進。從手寫與條碼管理脫離,進入自動彙整生產實績的基礎階段;接著用設備資料即時控制製程的中間階段;最後到能自行調整條件的進階階段。國內中小製造商大多位於基礎與中間之間,而實際效益的很大一部分也正來自這個區間。還需與工廠自動化(FA)區分。若是以機器手臂與輸送帶減少人力就是 FA,那麼智慧工廠則是把設備產生的資料回饋回去,改變運作條件。MES、ERP是盛裝資料的容器,本身並非目的。
起始條件也要仔細評估。預測性維護必須累積至少數十筆故障紀錄才能抓出規律,對馬達、軸承等徵兆明顯的旋轉設備效果最大。相反地,多品種小量生產線則應先把生產計畫與實績對齊。投資規模的差異也很大:只在一條產線裝設感測器與收集伺服器,約需數千萬韓元;若再加上全廠 MES,則可能達數億韓元。把範圍縮小到一條產線、一項指標,並在六個月內拿出數字,才是降低失敗的做法。
最常見的誤解是'只要買設備就好'。即使裝上感測器,各設備的通訊規格也五花八門,資料常常接不起來;就算接上了,如果現場不看,也只會變成掛在辦公室牆上的 儀表板。也有不少工廠在政府補助期間建置,之後因為沒有維護費與負責人力,一到兩年後連螢幕都不再開啟。更危險的是資料品質。若作業員嫌麻煩,把不良代碼都統一填成'其他',那麼疊加在上面的 AI 會非常有把握地給出錯誤答案。首先要改的是記錄的習慣,技術則排在後面。
此概念源自德國'工業 4.0'(約 2011 年)政策,並隨著 IoT 與 AI 的發展而逐步普及。
我們以假設案例來說明。A 公司是生產汽車零件的二級供應商,全體員工 180 人,年營收約 KRW 42,000,000,000 (≈ US$31,435,700),是一家射出與沖壓工廠。沖壓機無預警停機每月發生 4~5 次,製程不良率為 3.2%,在一級廠商的品質稽核中連續兩次受到指正。執行長明確要求'八個月內要用數字證明成果',專案於是展開。
- 生產管理組的金組長沒有動到全部 12 台沖壓機,而是只在停機頻繁的 4 台上加裝振動與電流感測器,蒐集了三個月的數據。縮小範圍,正是這個專案的第一個決策。
- 設備保養組的朴科長將過去 1,100 筆停機紀錄逐一標註後,發現了一個規律:軸承磨損的前兆,會在停機約 48 小時前出現在電流波形上。
- 品質組將射出成型條件(模具溫度、射出壓力、保壓)與不良判定連結,確認全部不良中有 62% 源自 3 號機的模具溫度偏差。
- 現場組長們抱怨'只是讓平板輸入變多了',金組長便將手動輸入項目從 14 項減為 3 項,其餘改由設備自動擷取,調整了整體架構。
- 八個月後,不良率由 3.2% 降至 1.4%,非計畫停機由每月 4.6 次降至 1.2 次,準時交貨率則由 88% 提升至 97%。經評估,投資的 KRW 240,000,000 (≈ US$179,600) 約兩年即可回收。
鄭一永
金鍾赫