Loading

Loading

The English version is AI translated.

Continue
遠東人月刊 Far Eastern Magazine
本期索引

2020年07月號 封面故事

智慧把關品質與耗能 亞東石化開創AI大未來

遠東人月刊 / 編輯室採訪整理

  
  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。#

回上一頁  回單元索引
留言(0)

你可能會喜歡的Recommend

活動分享Events