大部分人對工業大數據可能比較不熟悉, 所以這篇文章想帶大家先了解工業大數據的幾個重要的應用場景.

1. 製造過程良率分析與診斷
   在許多中大型工廠的生產線, 目前都已經將製造過程數位化, 像是導入MES, SFC這些系統, 裡面已經有很多現成的製造過程數據, 所以我們利用這些做一些進階的數據分析, 包括我們可以用測試數據去預測有哪些產品可能會被退貨, 同時也可以去診斷是製造過程的哪個環節造成手機測試不通過. 同時因為有些產品製造過程的數據量可能非常的大, 所以可能也會需要一個可以處理大量數據的平台, 用分散式儲存與運算的技術來處理這些數據, 盡可能地去達到實時分析的需求. 比較常見的應用有：SMT拋料率預測, 錫膏印刷設備異常預測, PCB板退貨預測, 成品測試不良診斷

2. 成品外觀瑕疵檢測
   成品外觀瑕疵檢測在工廠一直是一個很重要的品質保證的工作, 需要仰賴大量的人工肉眼檢驗, 或是導入AOI(Automated Optical Inspection )設備自動檢測, 一直到了2017年, 因為深度學習在影像辨識取得了巨大的進展, 用AOI結合Deep Learning優化外觀瑕疵檢測也開始變成工業大數據一個最重要的應用. 傳統AOI則是在誤殺率(Over-kill, 正常被判斷為瑕疵)過高, 所以常常需要人工的二次檢驗, AOI結合Deep Learning的最大賣點則是可以在保持零漏檢率(Leakage)的條件下, 同時運用Deep Learning的技術來降低過殺率, 幫助工廠減少人工檢測的成本.

3. 設備故障偵測與健康管理
   所以我們說的設備故障偵測與健康管理(PHM), 就是用設備運行過程中的數據, 去監控設備是不是有異常發生. 以前都要等到做出很多檢測有問題的產品之後才會回頭去清查各種問題, 要花一段時間才能找到原來是設備的某個零件故障了, 但如果我們可以監控設備各種參數的數值變化, 就有機會從這些參數的變化, 提早發出預警, 通知工程師提早做相對應的預防維修保養. 比較常見的應用有：CNC刀具壽命預估, SMT設備故障監控, 成型機故障監控.

接下來, 我們用實際工廠場景中的注塑機故障監控作為例子, 針對設備故障偵測與健康管理這個領域深入介紹, 內容包含注塑機的運作原理介紹, 數據採集, 單變量製程異常偵測, 多變量製成異常偵測, OEE設備效能指標計算.

同時打個廣告, 我們這週五的PyConTW 2019 也有一個PHM相關的分享, 題目是工業4.0-CNC刀具健康監測. 歡迎大家有興趣的話能來聽我們分享這個有趣的題目.
https://tw.pycon.org/2019/zh-hant/events/talk/865701685220081908/