智慧把關品質與耗能　亞東石化開創AI大未來

　　
　　2016年AlphaGO打敗世界圍棋棋王，開啟了人工智慧蓬勃發展的時代，各企業均積極投入相關開發與應用。亞東石化配合集團數位轉型的腳步，觀音二廠在建廠期間即執行工業4.0系統的建置，以智能化系統平臺為核心，延伸VR教育訓練、Smart電子化巡檢、智慧化物流管理、安全及能源電子看板、製程現場電視牆監控系統等，建構全新的智能化工廠，並且進一步導入AI於製程應用，讓品質預測與能源管理也愈來愈聰明！

品質預測　洞察先機
　　有鑑於AI技術已日臻成熟，亞東石化技術部於2018年開始將AI導入製程，希望協助氧化製程品質預測和工廠的主動式能源管理。由於早期的製程中，品質都是依化驗分析結果調整，取樣和分析相隔一段時間，當發生異常時，無法即時掌握品質變化。近期採用模型預測控制（MPC）雖可改善此問題，但傳統模型的建置和更新不易，而且在非線性區段也較不準確，若能透過AI 大數據建模，將可提升品質預測的精準度。

　　另一方面，過去的能源管理方式大多採取事後分析（每週／每月檢討）再進行調整，效率不彰，且能源耗用在不同煉量下，無法靠DCS（分散式控制系統，Distribution Control System）的警報功能得知是否異常，因此，亞東石化希望借助AI之力，即時監測能源單耗的變化，以提早因應和調整，使能源耗用常保正常，進一步強化節能減排。

　　為了快速熟悉機器學習與人工智慧相關內容，專案團隊先進行初步的AI建模評估，以Rapidminer軟體工具探索AI的應用，進行AI深度學習建模與驗證。一開始是採用離線作業的方式，執行製程操作條件和品質數據的收集與處理，再用深度學習演算法（DNN）進行建模測試，對同仁而言，因為AI是全新的科技領域，過程中不免遭遇許多困難，例如：時間差的調整、兩條生產線品質差異大、系統數據不符合、儀錶數據不合理…等，所幸經過多次測試與調校後，終於獲得可行的氧化製程品質預測模型，確定專案的可行性。為求慎重起見，亞東石化找來3家廠商進行PoC測試（概念性驗證，Proof of Concept），最終才選定合作廠商。

　　此專案由亞東石化提供PTA生產相關的專業知識（Domain Knowledge），並協助適當地處理數據，包括：時間落差、Outlier數據排除…等，結合PTA專業知識與AI演算法程式設計，建立良好的模型，在氧化製程品質預測上獲得極佳的結果，且與化驗室分析相比，AI氧化品質預測可提早2～3小時取得數據，讓盤控人員得以提早調整製程參數，以穩定產品品質。

能源管控　主動出擊
　　第二項以AI技術開發主動式能源管理的應用是業界的創新構想，亞東石化找來工研院合作，共分兩階段進行。第一階段先收集大量能源相關的操作資料，並做適當的數據處理，再以Rapidminer建立AI能源基線，確定模型的準確度夠高後，才將數據轉予工研院，進行AI演算法的程式碼編寫，和建立AI能源基線模型（AI Energy Baseline，EBL）。上線運用時，以AI能源基線模型預測的合理能源單耗為基準，輔以設定合理的範圍做為管控界限，即時呈現能源單耗的趨勢。當即時能耗數據超出管控範圍，代表可能發生異常能耗。

　　即時發現異常還不夠，要能迅速找到異常的原因，才能使管理更到位，因此進入第二階段：開發「能耗異常設備自動查找」功能。亞東石化與工研院人員深入討論每一個用電和發電設備、鍋爐，以及熱交換器等能耗設備，收集並篩選數據，再結合AI技術與統計分析，建立每個設備特徵值（Feature Engineering）的合理範圍，以此特徵值模型為基準，即時比對各設備在該產能下的數據，當超出正常範圍時，便可判斷設備異常，通知生產人員處理。

　　其實整套AI系統建置過程，牽涉跨領域複雜的技術，必須多方且深入的釐清、溝通討論，專案團隊不厭其煩、追根究底，竭盡所能讓系統更完善，也讓亞東石化不僅在AI領域初試啼聲便有好成績，更保有AI原始程式碼與相關技術資訊，等於擁有自主的AI技術能力，未來還可延伸應用於製程高階控制、優化操作條件，以及設備故障預警系統等，持續提高生產效率、降低營運成本。亞東石化跨入AI的第一步，期盼為提升公司的數位競爭力邁出一大步。#