在智慧工廠中運用感測器融合技術
什麼是感測器融合？
傳感器融合」一詞是指將從多個傳感器收集到的資料進行融合 (結合) 以擷取比單一傳感器更有用資訊的處理技術。
使用感測器融合的一些熟悉例子包括汽車後視監視器。此案例中的感測器是安裝在車尾的攝影機和毫米波雷達偵測器。攝影機捕捉後視影像，毫米波雷達偵測器測量車後距離。攝影機擷取的影像資料與毫米波雷達偵測器的距離資料結合後，輸出至車內的顯示器，以實現安全且精確的停車。
但智慧工廠是如何運用感測器融合的？以下我們將解釋為何感測器融合對智慧工廠至關重要，並介紹一些使用範例。
智慧工廠的感測器融合如何？
感測器融合的浪潮現在已經波及到部署了工業物聯網 (IIoT) 技術的智慧工廠。如今，採用 IIoT 的智慧工廠充斥著可捕捉影像的攝影機，以及可量度溫度、濕度、角度、加速度、電流和電壓等特性的感測器。感測器收集的資料會輸出至監視器。從監視器上顯示的數值判斷情況後，便會採取行動。但這種方式需要瞭解所顯示的數值，而且轉換為行動需要時間。
感測器融合是一種技術，可將許多感測器輸出的資料結合起來，並將結果輸出為人們容易理解的資訊。這使得快速、準確地了解設備和裝置的狀態成為可能。
更重要的是，透過持續收集和累積資料，可以對所得的資料進行整理和分析。這在監控設備的運行率、預警即將發生的故障、預警即將發生的缺陷、追蹤運行環境的改善等方面帶來了實質的優勢。
智慧工廠中感測器融合的應用範例
在此，我們將介紹一些智慧工廠感測器融合的實作範例，這些工廠採用 IIoT 的進展相當迅速。
透過最佳化交貨時間來提升生產力*
提高生產效率需要優化與各種加工類型相對應的操作和流程。這就需要監控與待加工 「工作 」相對應的各種機器人和自動化機器的運行狀態，待加工 「工作 」包括具有不同材料屬性和配置的材料和部件，監控操作員的工作狀態，並監控產品的流向以及適當的佈局。
為了達到此目的，例如可在機械手臂的末端安裝攝影機，並在機械手臂上安裝加速度計。攝影機可收集顯示工作位置和方向的資料，並與加速度計的運轉速度資料結合。這樣就可以在最短的時間內精確引導機械手臂到達作業點，並計算出最佳的作業時間。
* 工期：所需的產品組裝時間
及早偵測設備故障：實施預測性維護
為了實施預測性維護，必須使用振動、聲音、溫度等感測器不斷收集設備產生的振動、聲音、熱量等資料，然後將這些資料用於比較和時間序列分析。
舉例來說，在使用感測器融合技術對馬達進行預測性維護時，不僅可以結合和分析來自振動感測器的資料，還可以結合和分析來自溫度、電流和電壓感測器的資料。這將允許早期偵測與振動、旋轉、速度等相關的異常，而這些異常是無法僅使用單一感測器來判斷的。這將可更準確地預測設備的使用壽命，並擬定適當的維護計劃。
傳承熟練操作人員的技術專長：保持品質
使用影像感測器、尺寸測量裝置及影像處理系統等檢測設備，可評估機器人或自動化機器所加工的工件在尺寸、配置、表面處理等方面的品質。此外，也可以透過與各種檢測資料項目所設定的臨界值進行比較，從而做出品質判斷。然而，要根據越來越精確的感測器所輸出的資料進行品質判斷，必須要有熟練的技術知識和經驗。
透過感測器融合，可以結合從感測器和測試裝置取得的資料來執行檢測。例如，影像感測器可用於配置檢測，而影像處理系統可用於表面精加工檢測，從而綜合判定品質。這樣就可以實現檢測系統的自動化，而且還可以防止經驗不足的操作人員忽略有問題的產品。
融合操作人員的生命體征資料和空間環境資料，以維護和改善工作環境
對智慧工廠而言，改善工作環境是提升生產效率的重要目標。這需要監控操作人員工作地點空氣中的溫度和濕度，以及氣體（氧氣、一氧化碳、二氧化碳和其他使用中的氣體）和顆粒物質（製造產品過程中產生的顆粒、灰塵等）的濃度，並通過監測操作人員的體溫、心率等來檢測其身體狀況的異常。
在這種情況下，透過融合和監測來自 CO2 感應器、溫度感應器等的資料，以及操作人員的體溫和心率等生命體征資料，感應器融合使量化和精確追蹤工作環境成為可能。以這種方式獲得的資訊可用於提出工作環境改善建議，例如與氣候控制、通風和除塵相關的措施。
感測器融合的類型
感測器融合是一種技術，可將從感測器收集到的資料進行融合，並輸出人類容易理解的資訊。根據實現資料融合所使用的方法，可將其分為三種類型。在此我們將討論每種方法的優缺點。
集中模式
此模型使用一種方法，將從多個感測器收集的資料直接傳送到中央處理器 (CPU)。
優點：由於資料直接傳送至 CPU，並在 CPU 上進行資料融合，因此可以獲得高度精確的分析結果。
缺點：為了處理所有感測器傳送的大量資料，高效能的 CPU 是不可或缺的。如果處理速度跟不上，反應速度就會下降。因此，集中式模式一般不適用於需要即時判斷的領域。
分散式模式
此模型使用的方法是，從多個感測器收集的資料先由每個感測器處理，然後傳送到 CPU。
優點：由於資料經感測器處理後才傳送到 CPU 進行融合，因此可以降低 CPU 的負載。
缺點：由於每個感測器的資料都是先在本機處理，因此有可能有些原本可以成為分析有用素材的資料，卻沒有傳送到中央處理器。這表示分析結果的精確度不如使用集中式模型所得到的結果，因此分散式模型不適用於需要高精確度分析的領域。
混合模式
此模型結合了直接將資料傳送至 CPU 的感測器，以及先處理資料再傳送至 CPU 的感測器。
優點：由於資料是在感測器之間融合，並將結果傳送至中央處理器，然後由中央處理器輸出最佳解決方案，因此此模型結合了集中式與分散式模型在回應性與穩定性上的優點。
缺點：系統配置較複雜，與資料傳輸和計算相關的處理成本較高。
總結
實施感測器融合需要持續穩定地從多個感測器擷取資料。利用 IIoT 的智慧工廠已經擁有可作為感測器融合基礎設施的設備和技術。
在這些智慧工廠中部署感測器融合技術，可以進一步提高生產力，同時改善設備維護、品質保證和工作環境等方面，所有這些都會使工廠變得更加智慧。
無線感測器和新感測技術（如涉及執行人工智能推理的感測器的邊緣人工智能）等預期將獲得廣泛採用的發展，與感測器融合技術相結合，必將為智慧工廠帶來新的創新。