什么是AIoT？
第四次工业革命（工业4.0），也可称为数字化时代，其特点在于自动化、实时数据、连接性、嵌入式传感器和机器学习。我们熟悉的智能手机就是数字化时代的标志性代表它将互联网的威力、覆盖范围和多功能性扩展到全球各个角落，是一款功能强大的手持电脑。伴随着智能手机给消费者和商业社会带来的变革，工厂和生产车间也正在经历类似的变革浪潮，为未来彻底改变工业间，与呈现智能工厂的希望。
然而，智能工厂的定义却是各不相同的。这也迫使世界各地的制造业公司制定更長遠的计划，努力应对即将发生的巨大变化与不确定因素，以帮助企业在未来蓬勃发展。当今，世界对质量、安全和可靠性的要求越来越高，但讽刺的是，尽管机器之间的互联性、实时数据采集和工厂间的通信越来越好，但在大多数情况下数据仍然存储在太多未被整合的地方，比如在机器中、客户站点中及云中等地方。这使得协调数据成为一项挑战，从这些数据中生成作「可操作的信息」也变得更加困难。在一个高度互联的世界中加入大幅度增长的生成数据，现有的数据管理模式將无法支撑未来所需。
同时，这些合成的计算能力也允许了下一代的工业进化， 犹如 “工业4.0” 的可能性，。其 “物联网”（Internet of Things, IoT）就是从中衍生出来的。物联网代表了一个设备相互通信、协调、合作和调度任务的互联世界。
然而，未来的工业间不仅仅需要收集和分析信息，它必须结合机器学习能力。物联网 “IoT”和人工智能（Artificial Intelligence, A.I）结合成“AIoT”（人工智能物联网），它涉及将AI能力注入「智能装配线」，使设备能够独立地检查数据、执行分析、做出决策并采取相应的行动。这备受渴望的愿景，具有高效供应链管理和优化的全自动化生产环境的体系结构，以及提高工厂效率和产量的预防性维护，同时也能提供自动化，完全无需人为干预的数据驱动的闭环判断力 。
AIoT如何扩大车载摄像头生产
制造业朝着零PPB（十亿分之一的缺陷零件）和接近零停机时间（或更高的整体设备效率（OEE））的方向发展，这方向是由一系列因素推动而成，例如減少高产品回收率、高额维修成本、达致高安全标准以及可有更大的竞争压力。德勤（Deloitte）指示，产品回收、维修成本和计划外停机这些因素，可导致工业制造商每年损失约500亿美元（对公司声誉和客户心态的负面影响，更加是不可以用经济角度可衡量）。
图1：来自Shutterstock的图像
其中，由于汽车涉及到用户的性命与安危等重要因素，汽车工业一直把安全和质量作为关键的产品标准。多年前，汽车行业推出ADAS（Advanced Driver Assistance System, 高级驾驶员辅助系统），用意就是为了提高驾驶员及汽车的安全能力，减少缺陷组件或人为失误带来的生命损失，同时大大的降低了有缺陷的召回汽车产品而造成的经济损失。 ADAS技术主要基于视觉（摄像头和激光雷达）、频率（雷达）和声学（声纳）的传感技术，多方位精确地探测周围环境。
在基于视觉传感的技术中，车载摄像头的制造质量对车辆周围的视野清晰度可是至关重要。多年来，汽车OEM制造商回收的汽车中，有些案例就是涉及汽车摄像头相关的安全问题，而且这些回收的汽车带来了数百万，甚至数十亿美元的损失。
最近的案例有：
- 2019至2020年，奔驰：因后视摄像头缺陷召回375,843辆汽车1
- 2020至2021年，福特林肯：因后视摄像头缺陷召回34,975辆汽车2
而AIoT技术也有助于增强车载摄像头生产线中，包括生产性能、投入质量、资源分配、过程一致性和精细化等，比如：
- 管理和分析输入材料的质量和一致性 — 例如图像传感器PCB、相机摄像头质量等；
- 过程参数控制和下游过程反馈的分析补偿 — 例如来自生产线末端测试仪系统的MTF变化校准后过程反馈，以补偿校准偏移参数；
- 通过对所选参数进行数据分析，并将「黄金配方」复制到相应的机器上，减少过程中对操作员的依赖；
- 通过对机器性能和趋势预测的诊断和分析，提供机器的预防性机器维修。
图2: 来自Unsplash, ThisisEngineering
以上所提出的因素促进了 4 Ms (Man-人员、Machine-设备、Materials-材料、Method -工艺) 在车载摄像头生产中的集成：
- Man (人员) – 精简生产生态系统各个部分所需的人力，包括机器操作、经常性机器维护、流程和参数优化、材料使用监控和补复。
- Machine (设备) - 一致性机器操作，从PCB组装、光学模块和图像传感器对齐，到摄像头单元组装和交付前验证，实现对产量和吞吐量性能的封闭治理 (closed governance) 。
- Materials (材料) – 优化并确保进入系统的来料质量与持续供应，从而影响最终产品加工的零件数量。可靠与持续的物料供应对生产车间的持续高效运行有着举足轻重的角色。
- Method (工艺) – 设备器材用于操作和验证输入和输出结果的参数和过程标准。在车载摄像头生产中，这可以包括光学元件传感器校准设置所需参数的选择和晶片放置重复性的工艺标准（「黄金配方」），达成持续的高吞吐量与高产量。
图 3: 来自ASM太平洋
人工智能生产环境的不同阶段
以下描述看似是生产环境要达到的「香格里拉」级别，甚至归类为无法达到的标准。但实际上，有了明确和实施步骤，也非是不切实际的理想。
图 4: 来自 ASM太平洋
反应性和预防性维修
预防性维修大多由车载摄像头生产公司采用，通常涉及定期停机维修和设备检查。尽管如此，当发生意料之外的情况时，如机器恢复、材料短缺、材料质量评估或工艺程序优化等因素，仍能导致划外停机。这些延误正正考验着整个系统的生產效能。
为改进管理过程，除了为维护和评估单个机器的效率而进行的计划性停机时间外，我们还能采取的一些额外步骤，包括：
- 将机台数据数字化，并且连接至中央系统进行概览管理；
- 采用KPI管理工具，进行标准控制和实施方案以及过程控制管理设置；
- 使用远程监控，让操作员随时都能在厂外操控机器
在控制和管理此阶段，大多数生产管理仍因应特殊外在因素作出反应，被动式人工评估和决策而做出判断。
视情维修
我们可以运用统计资料或基于规则的监控能力，制定机器和设备的维护标准，从而增强机器维护。透过诊断这些元素，让生产控制人员评估所有的4Ms关键元素，以及这些元素对产量和OEE性能的影响，從而提高生产连续性和效率。
视情维修能力则属于另一领域，视情维修能对生产情况进行更深入的数据分析，进行全面评估，提供细致入微和更有针对性的见解，以便决策和行动。需考虑的元素有:
- 机器健康管理，用于实时生产数据处理，以确定下一步要采取的行动；
- 通过闭环反馈测试进行异常评估，以评定输出差异和基于分析的工艺参数优化评估；
- 分析生产表现的数据，尤其是4Ms元素，通过所有因素的数据输入进行评估，以检测生产表现下降的根本原因。
由于能够获得生产环境中现有的4Ms因素统计数据，可以通过分析生产过程和结果来做出决策，并提高所行动的决策力和准确性。机器利用率的提高和优化「黄金配方」的闭环反馈可以更好地控制产量和质量。
预防性维修
这指的是通过机器学习与分析前一阶段的连接实施而采集的大数据，从而提供真正的预防性维修。人工智能通过机器学习和数据分析，使制造商能够预测生产问题，从而能够及时采取先发制人的纠正措施，以确保生产的连续性和高质量的产出。使得AIoT能完全自动化整个生产分析过程，通过数据和基于规则的评估，实现了有效简化的自动化预防性维修能力。同时允许预测能力改善整体生产量。例如:
- 智能工厂允许汽车摄像头自动化生产和连接性，以达到工业4.0的标准；
- 人工智能通过机器学习和大数据分析提高预测决策和优化改进，以优化工艺参数、材料资源分配、机器性能可持续性和维护效率，以及减少人力和人为错误；
- 利用云端科技或HMTL、卫星远程访问和控制，实现全天候监察，消除对生产状态和分析的地理限制；
- 优化机器故障、材料质量不一致、工艺参数变化、人力不足等方面的风险管理。
ASM太平洋 ACamLine™ 和SkyEye — 卓越的车载摄像头生产
作为ASM太平洋最新开发的车载摄像头装配线的一部分，ACamLine™™体现了全摄像头装配的高产量和高批量生产能力。ACamLine™ 的模块化平台设计方法提供了机器配置的灵活性，以适应每个客户的生产顺序，并易于扩展，以便客户在生产量需求的不同阶段进行投资。
图5: ASM太平洋 ACamLine™, ASM太平洋图像
AIoT解决方案的核心由本集团的SkyEye软件提供支援，SkyEye采用先进的机器学习算法来处理制造中的数据。这个平台提供几个渐进的入口点，从最初将工厂工具连接到AIoT生态系统以自主性地提高性能，到应用人工智能以实现预防性维修和程序调整，从而提高OEE和产量。最后，采用人工智能和数据分析工具，实现预测功能，防止生产程序受到阻碍。最重要的是客户将能够通过ASM太平洋云服务同時管理多站点，根据自己特制的条件在当地和全球性地扩展这些功能。SkyEye – 是ASM太平洋最新开发、基于云服务的多层生产和设备管理系统，体现了4Ms要素集成和同步的真正本质，赋予了机器学习和机器数据采集功能，以实现强大的人工智能生产管理和控制，达成智慧工厂的愿景。
图6: ASM太平洋 SkyEye, ASM太平洋图像