透過數學模型拓展智慧雲數據的價值

我們在上周的分享中，對於智慧雲內龐大資料的應用方法，提出了可以透過主管們過往的經驗，整理成為FI軟體元件 (工廠智慧, Factory Intelligence) 以加值與推廣使用的方式。但這種方式嚴格說起來只能算是「把智慧化的動作給『自動化』而已」。當然FI也減少了不少人工的時間與成本，而且軟體元件化之後有利於保存與推廣。但無論如何，畢竟就是把「已知」的智慧進行整理、保存與推廣應用而已。

所以我們也可同步從另一方面著手，把這些數據當成黑箱子，利用資料採礦(Data Mining)、大數據分析(Big Data)、深度學習(Deep Learning)等技術，藉此開發出人們經驗之外的新知識(智慧)。

舉例來說，現在很多工廠都會收集產線的耗能數據，例如安裝智慧電錶以收集電能耗用數據。但由於電能在一個迴路裡大多串接了多個「用能」設備，例如生產機台、爐管等。而每台設備所生產的產品、或製程參數例如爐管的加熱溫度都不會相同。因此對於這串設備的迴路的智慧電錶，所能拿到的數據就只是這串設備加總的總耗能數據。其實際數值就是高高低低，難以理解。也因此，大多數的情況中除了拿來控制每15分鐘統計一次的需量以求不超契約容量之外，大概也就只會用很漂亮精美的圖形來顯示能耗數據，放在大看板展示給客人看，藉以表達公司對於環境保護與社會責任的理念(也就是行銷用途)。

但說真的，收集這些數據的成本可不小，包括硬體電錶、電腦等之外，軟體與人力成本也不低。若所能得到的價值卻僅有形象宣傳的話，那投資報酬率也未免太低了。因此，我們若能將電錶的能耗數據與使用能源的各種因子，例如產能、產品種類、製程參數、外氣溫度等數據，建立一個數學關係式(數學模型)。如此一來，我們就可以透過這個數學模型來估算，在現在這種能源使用條件下，合理的能耗數據該是多少。然後我們就可以拿這估算的數據當成基線(Baseline)，與實際從智慧電錶中讀取的數據做比對，以確認能耗狀況是否有異常。例如當機台異常(例如某個零件快壞了)、或製程參數設錯了(例如爐管的溫度設定錯誤)等狀況發生時，就可以被早期及時偵測出來，避免損失持續擴大。於是，一樣的數據就有機會可以展現出更多更高的價值，甚至於是原本人們的經驗所做不到的價值。

只是一談到數學模型，絕大多數的人就會開始打退堂鼓。因為高深艱澀的數學總是令人畏懼，或需要招聘博士長期研究才行，但事實上卻並非如此。不可否認的，有些數學模型確實難以理解與建置，得請專家精研很長的時間才有機會被設計出來。但現今很多工廠的大部分問題，卻往往只需要簡單的迴歸分析或統計學就可以產出成效與價值的。

例如前面所說的能耗數學模型，很多工廠只需使用Excel的迴歸分析就可以把數學模型建立完成，只需廠內工程師花幾個小時就搞定了。而且依照我們的經驗，工廠內像這樣的應用還蠻多的。光把這些基礎的應用先做好，工廠的競爭力就可提升不少。等基礎打穩了，再來做資料採礦等進階手法，然後再投資人工智慧AI或機器學習/深度學習等高深技術，這樣不但比較順也比較划算。