1969年PLC问世后，自动化技术在制造领域逐渐站稳脚步，如今已是全球制造系统的核心架构，由于制造系统讲究稳定，因此对新技术、新架构的接受速度向来缓慢，不过近年来消费市场快速变动，对全球制造业带来严峻挑战， 导入智能化架构成为业者永续经营的必要策略，而在新世代的制造系统中，工业物联网不仅成为核心架构，更会与AI（人工智能）结合，落实智能化愿景。

所有场域应用的物联网，其架构都相同，都是由传感器、通讯网络与云端管理平台所组成的3层架构，由传感器撷取设备数据，再经由通讯网络传送到上层云端平台储存、运算，最后再以分析出来的数据作为系统运作的决策参考，而在整体架构中， AI过去多被建置在上层的云端平台，透过强大的机器学习算法，分析由终端感测层传回的海量数据。

不过，机器学习算法需要一定的运算时间，其目的也多在解决制造业类似像是制程排程优化的长时间问题，对于制程中会遇到的实时问题反应与控制指令回馈会缓不济急，近两年边缘运算概念兴起，成为工业物联网的实时性问题的最佳答案。

上层AI多用于长期规划

边缘运算的做法是让终端设备具有一定的运算能力，具有边缘运算设计的工业物联网架构，必须先建立起一套数据流模式，当传感器撷取到设备的状态数据后，就将数据传送到通讯层的网关，网关再依照系统建构时的设定让数据分流， 需要实时处理数据传送到前端控制器，让自动化设备可以快速反应，需要储存累绩为长期数据的数据，则送往数据库储存，上层再透过运算平台分析出结果，提供管理者作为决策参考，因此现在完整的工业物联网， 其AI会被分别设计在会有终端与云端两部分，让分布式与集中式运算在架构中并存，彼此各司所职。

再从设备供应端在工业物联网的研究议题来看，现在主要是集中在4个方向，包括生产系统、产品质量、制程优化与数字建模。 在这4大方向中，各有其需要解决的问题，像是生产系统中，设备的状态感测、监控与预诊，产品质量的检测、预测，制程优化的参数设定、能源运用，数字建模的数字双生平泰建立等，透过工业物联网的数据撷取与分析，将可逐步解决这些问题， 提升系统整体效能。

在工业物联网中，AI主要用来做制程的优化与长期规画等非实时性决策，例如现在消费性市场的产品类别多样，制程系统的换线将成为常态，透过大数据与AI的运算，就可尽量缩短换线生产的停机时间，让排程优化。

进行产线排程时，需从机器环境、制程加工特性与限制、排程目标，依据工作到达达生产现场的情况区分，可分静态及动态排程两种，静态排程是到达生产现场时，其制造数目？固定且可一次完成的任务进行排程，后续如果出现新工作， 再并入下一次制程处理。 动态排程则是若制程连续、产品随机，而且数目不固定的到达生产现场，须不断的更新生？排程。

就上述两种排程方式来看，静态排程通常为少样多样方式，AI在其中要解决的问题，主要是透过深度学习算法分析各环节的时间与质量，不断的改进工序，让效能与质量优化；动态排程则用于少量多样生产，AI会针对不同产品的工序， 建立起换线模式，有不同产品上线时，即启动专属换线模式，尽量缩短停机时间，同时让产品维持固定质量。

边缘运算效益可快速浮现

由于工业物联网上层的AI建置，效益需要一段时间才浮现，不会是立竿见影的发生，而且对制造业者来说并非当务之急，因此目前投入者大多为大型制造业，中小规模的业者，则以底层的边缘运算为主。

目前中小企业的工业物联网建置，制造设备的预知保养与制程检测仍是两大主要功能，由于设备的无预警停机，将会造成整体产线停摆，轻则产在线的半成品报废，重则交期延宕影响商誉，设备保养过去多采人工记录方式，人员再按照时间维护， 不过这种方式除了有可能因人员疏失或懈怠，未能定时作业外，设备也有可能在未达维护时间时故障。

工业物联网中的设备预知保养可分两类，一种是直接在管理系统上设计提醒功能，主动告知相关人员维修时间，另一种则是由传感器侦测设备状态，若是出现异常，AI则会依据出现的状态频率，判断可能发生的情况，再做不同处理， 例如传感器发现马达的震动，有可能是轴心歪斜，系统会依据震动的大小与频率判断马达现在的状态，如果有可能会立即损坏，就马上告知设备维护人员停机更换，如果没有立即危险，则会让马达持续运作，并记录该马达的状况， 让管理人员自行决定维护时间，让产线可以维持稳定的运作效能。

边缘运算的另一种主要功能是制程检测，从目前AI的发展来看，图像处理占有70％以上的应用，在工业物联网架构中也是如此。 过去制程中多靠人眼检测产品质量，由于人眼容易疲劳，随着工作时间的拉长，检测质量会逐渐降低，再者，部分消费性产品的体积越来越小，产线速度越来越快，人眼已难以负荷，现在已被取代机器视觉所取代。

现在的机器视觉判断速度非常快，且精准度越来越高，不过其运作模式仍是贴合大量制造的制程为设计，其快速与精准的辨识，仅能适用于少数类型，在少量多样或混线生产的制程中仍力有未逮，而AI则可让机器视觉拥有学习能力， 未来的设备将可透过算法自我学习，遇到不一样的产品种类或瑕疵时，即可自主判断，不必再由管理人员重新设定、调整判别模式。