IT+OT深度融合創新應用，落實企業數位轉型之路

本文將分享製造業工廠的數位優化關鍵核心技術之一：IT（資訊技術，Information Technology）與OT（營運技術，Operation Technology）的深度融合、創新應用。

全方位的蒐集數據

數據是一切的基礎，透過工業互聯後的數位數據，才能開啟企業數位化的開端。以OT數據來說，大部分的數據來自於機台設備。製造業工廠大多是委託SI（系統整合，System Integration），以機上盒（SMB）機聯工廠機台設備來蒐集OT數據。但可能是習慣問題，機聯的範疇，多半只涵蓋生產機台，且只著重於機況與產量。實際上，這方式有些偏廢，因為工廠內的機台不僅有生產機台，也包括廠務機台與檢測機台，如圖一所示。

廠務機台包括生產機台的周邊設備，例如塑膠射出成型機的模溫機、烘料機等，與供應生產機台的水/氣/電/化的設備，例如空壓機，也包括環境參數，例如廠房溫度等等。廠務機台雖然無法獨立生產產品，而是支援性質，但一旦出問題就會拖累生產機台無法順利量產。因此，我常戲稱這叫做：『成事不足，敗事有餘』；也就是說，要成就生產產品的大事，尚不足以獨當一面，但要拖累生產機台卻綽綽有餘。舉例來說空壓機，若壓縮空氣供應出現異常壓降，就會嚴重影響產線生產。

而檢測機台也是很重要的設備，雖然多數比較小型且半自動化運作，甚至是手動量測工具，用以量測產品產出後的品質檢測、或材料進料檢驗等。由於這些在工廠內常被歸屬於品質體系，因此比較少放進機聯網的導入範疇內；然而這些量測數據，不管是產品品質或是進料規格等，卻是生產設備產出成果好壞的相對應數據，對於後續應用大數據分析來進行工程改善至關重要，故得一併納入機聯網導入範疇。

全面性地把這三類機台都導入機聯網蒐集數據，對製造業工廠的數位優化很重要。但若因預算有限或需要分階段執行時，該如何取捨呢？

直覺的想法是先針對生產機台，先拉出一條產線，或某個製造課先行導入，畢竟這是工廠運作的主要價值來源，依80/20法則可以達到最佳CP值。但事實並非如此，因為同樣是生產機台，瓶頸機台與非瓶頸機台對於工廠產出的價值差異甚大。因為瓶頸機台產能的損失，就代表著整個工廠產能的損失。當經費有限或分階段導入時，範疇規劃應當先以這些瓶頸機台為中心，然後納入其周邊設備與檢測機台。一方面避免因為周邊設備沒管控好被拖累；另一方面透過檢測數據的聯網，可以更即時的偵測早期異常，使其在良率出問題的最開始，就可以快速反應介入處理，避免損失的持續擴大。這些整合後的數據累積一段時間後，也可以透過大數據分析等手法，對這些關鍵瓶頸進行工程改善，提升工廠的整體效益。

掌控機台的全生活週期

有了全方位的OT數據後，不代表著就可以全方位的掌控機台。因為機台尚有很多相關數據，並無法來自於機台本身，需要進一步整合IT數據，才能全面掌控機台設備的全生活週期（機台的一天），如圖二所示。

從機台設備每天開機開始，何時被派工、何時人員開始調機（例如上模）、何時開始試產、何時通過首件檢查、量產、下料、報工，發生過哪些異常，何時排除等等。把機台設備一天中的每個階段的開始點與結束點等時間數據，與這中間所發生的事，例如工單編號、品號、工序、工藝、模具/治具/夾具、材料等IT數據，以及例如生產數量、工藝參數的設定值、感測器的工業數據實際值等OT數據，都能鉅細靡遺的蒐集後整合在一起，才能徹底的掌控這部機台設備。

IT+OT深度融合的創新應用

有了IT+OT整合的全方位數據之後，接下來就是創新應用以發揮數字價值。畢竟蒐集數據只是手段，創造價值才是目的。首先，可以先從標準工時開始，因為標準工時是製造業很重要的管理數據，不管是計算成本還是管控進度，甚至於OEE的計算都會用到。然而這麼重要的數據，實際上工廠內的估算手法卻很粗糙。由於品號成千上萬，而且牽扯的變因很多，因此工廠內常見的手法只是簡單的除法或經驗粗抓，這會導致於機加工行業估算代工成本時，有可能因為數據不準確，導致成本高估而接不到單，或是低估成本而賠本接單。不管是前者還是後者，都不是好事。透過IT+OT整合後的全方位數據，我們就可以使用工業機理演算法更精準的自動估算實際標準工時，如圖三。

這些實際數據的計算很複雜，除了牽扯到很多客觀變因，例如機台的機差、超少量的偏移等外，也有些人性面的可能漏洞要預做防範，非只是簡單的除法就可以搞定。透過工業機理演算法自動計算後，所產生的精準標準工時，經過管理流程審核後，就可以再透過軟體自動更新回MES、甚至ERP，讓後續成本估算與現場進度管控等，可以做到更精準。

此外，由於大環境的長期趨勢就是持續的壓縮製造業工廠的交期，因此更優化的排程已經漸漸變成工廠的必備系統。但這些透過各式各樣演算法所規劃的自動排程（APS, Advanced Planning and Scheduling），常會有個很致命的罩門，就是要排的工單的預估數據得夠精準才行。若這些基礎數據差異很大，不管演算法有多高明都沒用，因為GIGO（Garbage in, garbage out）。此時，來自這些機台設備全生活週期的真實可靠即時數據，才能提供更精準的數據，來強化排程的品質，如圖四。

當工廠想規劃與有效導入機器人自動化時，機台全生活數據亦是必備的基礎建設。因為機械人自動化的導入成本很高，若沒有把錢花在刀口上，投資報酬率肯定不會好。但什麼是刀口之所在呢？大概不外乎：瓶頸處與3K（骯髒，Kitanai、危險，Kiken、辛苦，Kitsui）/3D（Dangerous, Dirty, Difficult）；而瓶頸處的精準估算也得來自於全生活週期數據的計算。除了確認瓶頸機台之外，甚至於還可以估算出效率瓶頸的細節處，例如換模還是上下料等。

這些透過IT+OT深度融合的創新應用很多，威力也都很強大，但要能在製造業公司真正發揮出效益，創造最大化的數字價值，還得有優化的手法流程，如圖五，接續將進一步分享從數位優化走向數位轉型的路徑與手法流程。

接下來我們將依圖示由左到右，逐一揭示九個里程碑的應用。下圖顯示，由左而右是推進路徑，①②③④⑤⑥⑦⑧⑨則是標示各里程碑的應用。

然而，製造業工廠極度複雜，千人千面，不可能一概而論，所以這路徑是經過簡化。實務上，工廠推進時，不太可能全產線/全機台與全職能都一併同步推進，況且這樣的投資報酬率反而不高，還是得依照優先次序、個別推進後再互相帶動。下文將針對圖展開說明逐步推進的可行走法。

數位化走向數位優化

如同前段所述，製造業企業進行數位轉型的第一步就是要先數位化。請參考圖中的①所示（以下簡稱為①，下文的其它標示都是雷同），IT端大多會導入ERP/MES等系統，以表單加流程來管理公司，畢竟『管理靠制度、制度靠表單、表單靠電腦』。透過IT系統的導入，讓企業從數位化走向數位優化，如②所示。

但在OT端就比較吃力了，傳統的機台設備常缺乏感測器、有些感測器則是類比錶頭，因此如③，OT透過安裝感測器，並將類比錶頭改成數位等等，才能讓OT端做到數位化階段的電腦化。

但這還不夠，若數據只存放於機台控制器，或僅能顯示在各類錶頭的小螢幕，並不算完成OT數位化。這些數據須透過工業互聯，例如：以機聯網連接機台控制器、或物聯網連接感測器或錶頭，將所有的數據串接、處理、儲存與應用，這才算是完成OT端的數位化。

數位優化的可視化—知道發生甚麼事

數位化後的第一步就是透過數據的可視，協作製造業現場，以『感知現在』引導做對的事情、對的決策。

以OT端來說，最簡單的方式就是將感測器的數據直接顯示，如④所示。但問題是製造業現場人員多數對這種感測器的原始數據『無感』，大概就僅能拿來確認是否超過上下限等等，對於現場的協助效益度不高。

例如：安裝振動感測器可以對馬達與軸承的健康做診斷。但若直接把這種昂貴感測器的高頻數據，在現場的人機介面中直接顯示，說真的，除了少數特別受過相關訓練者之外，絕大多數現場人員都會無感。

此時得透過工業機理—白盒子拆解的模式，將感測器所想偵測的部件或工藝，以相對應的物理/化學定律做轉換，例如：將感測器的原始數據轉換成健康指標數據，如⑤。又例如：振動感測器數據可以採用FFT（快速傅立葉轉換）在頻率軸向來確認N次諧波的特徵，估算出馬達的健康指標。

很多部件都有其特性曲線，透過相對應的工業機理可以分析出在時間軸向的特性曲線的偏移量，從而估算出健康指標數據。而這些經過工業機理處理過的OT數據的可視化，對製造業現場的協作才會真正有效。

數位優化的透通化—知道為何發生

對製造業現場來說，快速找到問題的根本原因後治本解決，才能降低浪費。然而經常發生問題，就會像案件發生一樣，嫌犯肯定跑掉，若想盡快抓到嫌犯（根本原因），就須透過歷史數據『穿透過去』來重建現場，才能找到問題的根本原因，盡快解決，避免損失擴大。

透過OT+IT融合的歷史數據，以黑盒子模式，採用諸如統計的迴歸分析、大數據分析、甚至AI模型，來建立OT數據與設備異常或品質不良的關係模型，如⑥，提供製造業現場有效找到問題根本原因的方法，快速且治本的解決問題。

數位優化的預測化—從容應對，最低損失處理

透過快速解決問題可以阻止損失的持續擴大，然而製造現場若常常處於救火狀態，容易造成生產效率低，且產生額外的浪費。換句話說，如⑤的健康指標固然有幫助，卻有其侷限性。例如：機台的健康程度為34%（0%代表故障、100%是完全健康），看似很先進與智慧，但目前絕大多數公司都無法善用。

34%的設備健康指標預估，代表設備並沒有壞掉，但看起來又像是快要壞掉。這設備確實還可以生產，甚至於還在正常生產中；但若要繼續派工生產，卻又讓人憂心忡忡，深怕隨時會發生故障。

所以，當製造現場拿到34%這樣的預測數據，到底是要安排設備維修，還是繼續生產，就頗令人頭痛。這些花費巨資所得到的智慧結晶，卻帶給製造現場主管苦惱，沒辦法發揮數字價值。

因此，得再次進行IT+OT融合，透過OT數據，例如：健康指標的變動（降低率）；與相對應的IT數據，例如：當時所生產的品號與工藝等；以黑盒子模式的大數據分析或AI模型，建置健康指標與品號/工藝之間的關係模型；以『預測未來』預知該機台相對於各品號與各工藝的剩餘可用產量或時數，如⑧。

例如：健康指標34%的設備，可以生產A品號1萬片，但若生產B品號，只能生產8千片等。而IT端，則透過APS（先進排程系統）等系統，協助進行排產與排程優化，如⑦。

這二者的預測化，包括IT端—從工單面向的排程優化，與OT端—從機台面向的可用產量預測，二者經過互相參照，就可以讓製造業現場從容應對未來的變化。雖然不可能零風險，但至少可以掌控因為設備衰退/老化的損失風險。

數位優化的自適應—自動最適切安排，永保最優化

當IT端與OT端的各項要素都逐漸走到預測化後，IT+OT就可以再次進行深度融合，例如：將自動排程演算法、與機台設備之各品號/各工序的剩餘壽命模型結合，再加上維修所需備品數量、維修人力狀況，甚至各設備停機維修對在線工單的衝擊、違約成本等，將這些數據與模型深度融合，再經由管理機制，自動規劃出最適切的排產/排程/派工安排，如⑨。

讓製造企業隨時因應內外部變動，保持最優化運作，謀求最大競爭力，以此達到企業數位優化，進而加速企業數位化轉型。

上述所分享的手法路徑，不是唯一的標準流程。

針對實際輔導的客戶案例，透過切產線、切職能與切階段的逐步實施，效果十分顯著；雖然無法一步到位，但手法確實可以被複製，讓IT+OT深度融合，有效強化企業數位優化，並走向數位轉型，以此與產業先進們分享與交流。