K2019參展心得分享之「成型加工技術篇」
前言：
試想一下2025年，也就是5年後全球將會有超過500 億個連網裝置(IoT)，產生180 Zettabytes的數據。相當 於有1,800億顆1TB硬碟的數據產品，這些資料將結合 人工智慧(AI)為工廠精準預測、創造前所未有的價值。 根據美國高德(Gartner)公司的預測，到了2022年時有 8成的企業將IOT物聯網都包含AI解決方案。根據全球 最大射出機設備商的預測，到了2025年時將有3成的 射出成型工廠使用AIoT技術。
國內外有不少射出成型工廠AIoT解決方案商，例如 有：奧地利恩格爾 (ENGEL) 子公司的 TIG Authentig solution、德國阿博格 (Arburg) 公司的 ARBURG host computer system(ALS)、MPDV Mikrolab 的 MES Solution for Plastics Manufacturing、日本塑料製品工 業協會的 AsPLA(Asplus)、大陸海天 (Haitian) 子公司的 MES Expert in Manufacturing、臺灣型創科技顧問股份 有限公司的AIoM/IoM模具與成型產業物聯網、臺灣精 密機械製造中心(PMC)的SkyMars for IMM、工業技術研究院(ITRI)的成型優化系統…等。
物聯網(IoT)與人工智慧(AI)的關係，就好比大腦與 感官，AI若是沒有連結物聯網，就好比大腦沒有感官 來蒐集周遭資訊，反之，物聯網如果沒有搭配AI應 用，就像是僅有感官卻沒有通達大腦來做反應。因此， IoT與AI結合才能極大化效能與最佳化效益，結合發 展成為人工智能聯網(AIoT)，這是未來科技的主流趨 勢，有助於工廠降低成本、提升效率、發掘新商機， 進而發展出新的營運模式。我們建議可以採取以下四 步驟，朝智慧射出成型工廠邁進。
步驟一：採集數據，提升數據的正確性及品質
首先一般射出成型工廠的機器設備通訊協定 (Protocol)因廠牌而有所不同，各家走自定義協定， 常見的通訊協議包括 Modbus RTU、Modbus TCP、 OPC-UA、OPC-DA、RS232……等；即使採用相同
的通訊協議，其通訊格式亦無定義標準化，機器聯網 的第一步就遭遇難題。EUROMAP 77是第一個基於 OPC-UA的射出成型行業標準，建立的跨製造商通信 標準，EUROMAP 77 通訊標準發佈於 2018 年 5 月 8 日的美國NPE展會。對於現今工廠內舊有的射出成型 機，市場上均採用附加於機器設備，具備採集數據、 處理、儲存、通訊協定轉譯及傳輸，以及提供應用服 務模組功能的軟硬體整合系統；透過此外掛方案就能 讓既有的舊機器達到設備聯網與資料處理的功能，目 前市場上主要的解決方案有以下幾種，如型創科技 顧問股份有限公司的IoM-DC、精密機械發展中心的 SkyMars，以及工研院的VMX系統。
步驟二：機器聯網，即時監控、互動及警訊 通報
藉由機器聯網或附加於機器的聯網裝置，由工廠可視 化開始做起，藉此尋找升級及轉型的正確方向。這就 好像是一般人會透過健康檢查來了解身體哪裡出了狀 況，工廠的可視化也是如此，藉由即時監控除能讓生 產資訊更加透明外，也能讓以往不容易被察覺的問題 逐一浮現，如此一來，業者也更能準確地針對問題擬 定下一步改善方向，而不是如無頭蒼蠅般不知該從何 方向切入。
以某間客戶廠商為例，自二年前開始導入型創科技顧 問公司的AIoM/IoM模具與成型產業物聯網，分別針 對機臺狀態、稼動資訊、生產進度等資料進行全面整 合，例如，生產部門主管可隨時從即時看板上掌握各 廠區的射出機最新狀態，當發生異常警示時也能快速 派員查看。此外，透過對每日稼動資訊的觀察，一方 面能協助生管部門透過排程優化產能利用率，另一方 面，則是依據人員稼動資訊，可進行廠內人力資源調 度。
步驟三：智慧排程，稼動率及週期時間的改善
在市場競爭分秒必爭，射出成型行業的製造型態也常 伴隨包括急單、插單、刪單等臨時狀態，過去生管人 員常常需要趕到現場才掌握產能進度，以確認有無辦 法進行急件插單，或是遇刪單情況時，要趕到現場才 能知道訂單是否已排入排程。此外，生管人員還得耗 費數小時核對產線直到確認完畢。 對於業者而言，為快速回應客戶端需求，精準掌握生 產進度是必須的，過去報工均採人工統計，甚至還必 須騎車或打電話到各廠區收集報工情形；而在導入智 慧排程後，抄寫工作由紙本改為數位化，只要五分鐘 便能迅速掌握生產進度，同時也可以依據客戶需求快速進行調整，避免報價不實與交期延宕。射出成型工 廠的生產要素包括：技術人員、射出機器、塑膠原料、 模具工藝、保養維護……等，透過塑膠製品生產流程 的系統整合，讓整體生產製造流程自動化與最佳化， 實現現場製造執行系統 (Manufacturing Execution System, MES)，驅動模具與成型產業以數據及智慧 排程平臺為核心，建立全面性的工業大數據分析機 制。再透過串聯現有的企業資源計劃管理(Enterprise Resource Planning, ERP)，讓各開發階段的資訊流串 流，彼此互補接軌，使企業內部的資訊系統進行無縫 整合。
步驟四；智慧製造，檢測、排程、製造智慧化
讓每個射出成型的製品都能保有均一的品質，是射 出成型行業共同追尋的目標，然而受環境變異、原 料波動，以及模具磨損等原因影響，可能需要時刻針 對變化重新調整參數。透過在射出成型機或模具內 安裝適合的傳感器，可實現對上述偏差進行自動檢 測，再透過人工智慧 (Artificaial Inteligence) 軟體針 對各模次的保壓切換點、保壓壓力、或保壓時間進 行修正，以減少不良製品的產生。市場上如ENGEL Austria GmbH 的 iQ Weight control、iQ Clamp
control、iQ Flow Control、iQ Vibration Control 等；Wittmann Battenfeld GmbH 的 HiQ-Flow、 HiQ-Melt、Miq-Metering 等；KraussMaffei 的 APC Plus、DataXplorer 等智慧化軟體均有助於提高射出 成型機的生產穩定性。
現有的射出成型機也可以透過模內傳感器，擷取實時 生產的射出機成型條件與SPC生產數據，由資料庫定 義良好的生產曲線範圍，並在錯誤發生時，暫時中止 生產，避免繼續生產不良產品；甚至搭配現場製造執 行系統，提供預防性維護、預測製品品質、預測生產 品排程、智慧視覺辨識、智慧成型參數等，期望把停 機排程問題的成本降到最低，而這些都可被視為射出 成型大數據應用下所衍生的智慧化。若能確實實施， 它將能夠預測生產中的潛在問題，並從根本糾正問 題，甚至還能預先安排維護，避免機器故障的發生。
結語：
作為射出成型工程師，傳統上我們傾向於從錯誤中學 習。隨著人工智慧的興起，射出成型工藝流程得到了 極大的優化，除使設備的使用率以及產能達到最大外； 同時也透過排程、預約維修，以及即時回報生產資訊 等方式，來將設備的故障率、產品不良率，以及因修
正錯誤而停機所導致的成本降到最低。此外，也使得 工廠的管理更為便利。然而，射出成型工廠在智慧化 後就真的能夠高枕無憂了嗎？我想這個答案是否定 的，盡管人工智慧也能適度根據設定去修正錯誤，但 這並不意味著射出成型工程師可以停止學習，因為當 發生的錯誤超出系統處理範圍時，始終需要工程師針 對問題調整系統參數，以使系統能對錯誤做出適當的 應對。
人工智慧十分便利，然而其可靠性始終取決於創造它 的人。這時候，對於工程師的培訓就極其重要了，畢 竟機器、軟體等終究只是輔助，人才是主導，唯有人 的能力提升了，人工智慧的價值才能最大的被體現出 來。■