智慧辦公大樓的數位優化-以台積電為例

1. 前言

近年來數位科技快速發展，由物聯網(Internet of Things, IoT)、大數據(Big Data)、人工智慧(Artificial intelligence, AI)，逐步進展到智慧聯網(The Artificial Intelligence of Things, AIoT)，智慧化設計應用於土木及建築產業已形成一股不可逆的新興風潮。智慧型的辦公大樓除了安裝常見的機電監控系統來管控建築的常態維運外，台積電公共設施服務部(Public Utilities servies department, PUSD)亦將前瞻數位技術導入辦公大樓的物業維護營運中，以國內台積電廠區竹科、中科、南科駐地的辦公大樓為標的，以舒適與節能雙贏的概念，建立發展辦公大樓物業維運永續經營的模式。

2. 案例探討

2.1 過去「數據」的取得與使用

過去的物業管理經驗，是必須透過人力管理各種的維運管理文件，由管理工程師手動抄填設備數據後，將相關記錄填入報表彙集成冊，當問題發生或需維運改善時，再將數據製成圖表，進一步進行問題分析，討論並找出管理或控制方法。上述物業管理過程中，數據必須透過人力的層層紀錄，且要再經過人為整理、分析、判斷及經驗討論，才能將數據轉化成為有效的管理或控制方法。每筆數據紀錄與行動勢必耗費人力與時間，算是一種相當被動的「數據」應用模式，而且數據判讀多數是以人為主，難以將這些資訊與經驗傳承，因此經常產生資訊漏接的問題。出現相似的維運狀況，卻因交接缺漏或是資訊未流通，造成原已有解決過的問題，卻永遠花時間在重複調整。

2.2 空調出風溫度調整的案例

以空調的出風溫度控制問題為例，空調箱的出風溫度原本是一個簡單的控制問題，只要將溫度設定成合理的定值，後續交給現場工程師僅調整風量的大小即可。但在某些特定的條件下，可能會使室內環境溫度發生不太舒適的情形，例如春、秋兩季的日夜溫差變化很大，或溫度很低但太陽很大，這些外在環境的改變，可能會讓系統在短時間內出現調控上遲滯性的反應，而使用者在現場馬上感受到，因明顯不同於以往而有所抱怨，但系統可能仍未產生相對應的控制輸出，因此在多次處理類似的案件後，我們開始擁有一些經驗，並發展出較佳的控制法則。透過這些維運經驗與領域知識經過分析之後，便能開啟數據驅動的新運轉模式，例如連動電動窗簾或附屬空調設備啟停等模式，在工程師們操作熟悉之後，會讓環境溫度更適合於使用者的需要，而市面上的設備控制公司，大多數只能輔助辦公室維運控制到這一個階段的改善，雖然已能短暫解決我們所遇到的困擾，但仍不時有些小狀況需有人去關注或調整。因此，驅動了我們往下一步研發的動力，希冀能打造更智慧化的管理，並在開發的技術上，可以提供更進化更符合市場需求的服務。

2.3 AIoT的應用

2016年AlphaGo Master擊敗當今世界排名第一的棋手，AI開始聲名大噪，相關研究議題陸續推陳出新，偶然在某次研討會的場合中，台積公司PUSD鍾振武部經理與研究AI的資料科學家，有了第一次技術討論與交流，透過對AI的認識，我們團隊開始對「數據」有了新的認識與想像，並應用AI協助我們在空調與照明系統進行舒適性的調控，提升使用者的舒適感，得到不錯的控制效果。IoT技術使「數據」能夠即時的獲取與長時間的保存，同時Big Data的分析也看見更多「數據」之間的微妙關係，也讓管理者與系統控制能提早進行管控，AI成功的將我們過去維運經驗的「數據」數位化，AIoT則將人工智慧納入物聯網進行「數據」終端的應用。此外，應用過程中我們也發現另一個AI無法廣泛使用的問題，因為如果每個AI模型若都只能適用於一處，每個專案都需要從零開始，每種「數據」都需要轉換成AI模型，那麼這些技術應用上將很難推廣。因此除了持續開發應用層面，對於已成功應用的AI模型，我們也開始努力發展將其快速轉移或複製的方法，讓成果能更快速、更實用、更普及化的應用發展。

3. 台積電智慧商辦大樓的五部曲

3.1 第一部-建立設施管理系統(m-PUSD)

傳統的非智慧建築的商用大樓，通常是使用者報案或巡檢作業發現問題，管理工程師才會針對報案內容及巡檢問題進行處理，多屬於被動型處理，在許多情況下資訊是透過使用者才得知，反應處理會延遲慢半拍，倘若投入較多且「聰明的人力」「或許」會獲得較佳的管理成效。但隨著管理的辦公大樓越來越多，高素質人力訓練速度跟不上新增辦公大樓的速度，我們除了加速人員在專業能力上的訓練外，建立輔助系統來支援人員在管理上的負擔，變成了刻不容緩的工作。物業管理系統是建築設施管理的重要入門磚，我們以健全建築週期性維護的概念，把一棟大樓的行政運作事項轉化至設施管理系統(圖1)內，將以往操作耗時的表單管理工作與維運人員的出工管理等繁瑣行政工作，透過系統開始自動派工與報表輸出，並統一管理且提供不同廠區物業的每日營運資訊與重要管理指標，除了可以減少人員在行政工作上耗費的時間，更重要的是透過系統讓所有建築維運工作可以如質如期的完成，使建築與設備的性能維持在最佳狀態。

圖1：辦公棟設施管理系統(m-PUSD)

另外在IOT 技術應用方面，我們導入➀無線射頻辨視技術(Radio Frequency Identification, RFID)：應用於智慧化停車管理系統的車輛定位與超速、逆向管理等；➁指紋辯識系統(Automated Fingerprint Identification System, AFIS)：使用於重要機電設備巡檢；➂智慧照明通訊協定協定(Digital Addressable Lighting Interface, DALI)：照明控制系統的燈具定位、調光、耗時管理；➃開放式的網路架構(Open System Interconnection Model, OSI)：建築自動化系統(Building Automation Systems, BAS)以開放式架構為基礎，容納更多不相同的通訊協定，收納更多不同系統與平台的數據；➄建築資訊模型(Building Information Modeling, BIM):將建物的空間、設施及設備的資料整合於物業管理系統，建構結合BIM的應用，將BIM圖資(圖2)的查詢及管理系統行動化，現場工作執行達到圖資互查之效用。這是我們進入數位化的第一步，與此同時數據也開始一點一滴的記錄這我們的生活。

圖2：BIM圖資查詢及管理系統

3.2 第二部-數據驅動的模式

設施管理的IOT系統內，累積越來越多的運轉數據，透過這些數據，我們發現了一些可能性，例如下雨天、陰天環境窗簾卻仍拉下，員工下班了空調仍開著，未使用的會議室投影機卻沒關，員工人數剩一半空調量仍然很大等種種鎖碎的小事，因注意而未注意，常常錯失了讓生活更舒適，環境更美好，亦能減輕環境負擔的機會。因此，我們在不增加基礎建設架構下，僅透過系統整合與數據分析，建構一個跨系統、跨廠區的中央監控平台，解決以往各監控系統獨立運轉下產生的通訊無法交流之問題。操作數據驅動的流程順序是➀收集數據資料；➁建立數據能夠存放與提取的地方；➂系統整合與數據分析，便於資料分析及數據視覺化；➃透過巨量數據整合與資料應用分析達到數據化驅動模式。進行整合式應用(智慧化連動控制)，例如以小型氣象站資訊啟停建築周邊的空調設備與調整窗簾高度(圖3)。我們也利用RFID、車牌辨識及紅外線探測器等技術，完成建置停車導引資訊系統，除了對入廠車輛進行安全辨識，對於超速或逆向行駛的違規車輛會自動發出簡訊示警(圖4)，同時能精確計算車位數，於交通尖峰時段妥善引導停車，以維持行車順暢。讓蒐集的數據不再是用來考古的化石，而是提前預測的警訊或提示。

圖3：數據驅動模式(自動窗簾系統)

圖4：數據驅動模式(智能停車系統)

3.3 第三部-人工智慧的應用：以空調出風溫度調整為例

人工智慧是近年最令人興奮的科技發展之一，從1990年代的深藍超級電腦(Deep Blue)、2010年上市的華生人工智慧程式(Watson)到2014年開發的Alpha Go人工智慧圍棋軟體等，讓AI技術與熱潮席捲全球，如今各產業紛紛投入AI的相關技術的研發和應用。在科技廠辦公大樓我們擁有強大的建築自動控制系統與物業管理系統，在數據驅動模式的應用下，開啟了數據共享且建立更多透過數據產生的便利性連鎖控制，但多數是以管理者的角度進行分級或階段式調控，仍需仰賴人對系統的掌握度來調整系統的核心參數或報案的處理。舉例來說，出風溫度或冰水溫度等控制設定點，或報案中所提到的抱怨，若是新進人員經驗不足，很可能就會錯過黃金調控或處理時機，在舒適度或節能效果上產生影響。

人工智慧的應用可能有機會補足這方面的問題，公共設施服務部積極與資料科學家組成一個合作團隊，從管理工程師的經驗瞭解運轉上常遇見的問題與困擾，並彙整歷年來廠區內實際的運轉數據資料，與資料科學家共同進行剖析，從中發現到經驗與數據的關係，運用數據量化經驗法則所代表的意義，開發出AI模型來實現工程師經驗，並且讓AI持續自我學習不斷優化。

以空調出風溫度調整(圖5)為例，過去以往控制會依據外氣溫度、室內溫度、晴雨狀況及季節因素變化進行微幅調整，管理工程師可能會設定相關的連鎖控制與簡訊通知，以達到環境溫度的穩定舒適。這種非連續性監看的調控方法，是相對比較安全保守，比如溫度調低1℃以上，可能會減少使用者抱怨，但無形中就增加了能源的消耗。而在IOT 架構下AI模型控制模式，可連續性的監看二氧化碳濃度、外氣溫度、晴雨狀態、插座盤耗電量、室內環境溫度、空調箱出風溫度等多種環境與設備數據，持續不斷的吸收與反饋，並依據歷年來廠區內實際的運轉數據資料開發出來的AI模型，可以快速地調控出最佳的合適環境。實機測試結果發現，人工智慧模型預測的輸出值，能有效管控現場溫度變化並降低誤差率，平均溫度變化由原來±1℃降低為0.5℃，這種在週遭環境變化前即進行預測性的調控模式，最特別之處在於其控制手法相似於人為經驗控制模式，且有持續優化現象，不同於一般控制器因變化率大而採取極端的輸出。 而AI模型如同我們第一次開車，會深踩油門與煞車，漸漸地進入淺踩煞車與油門，最後僅控制油門，透過經驗不斷自我學習的過程，能夠適時調整並表現得愈來愈好。

圖5：空調出風溫度調整

3.4 第四部-虛擬感測器

科技廠辦公大樓的自動控制主要以「人」為服務對象，管理系統的運轉時程管控，設定以標準上下班時間為基準，透過長期環境觀察與運轉數據核對，比對出辦公大樓使用者最適合的工作時程區間，滿足所有人對建築設備的需求。惟上述時程規劃設定是維運通則，無專責人員進行二次校正，加上為求運轉穩定與減少抱怨，多數管理工程師不會因為使用者狀態改變，而做出相對應的調整，容易形成物業管理上的漏洞。舉例說明，案例一辦公人員超過半數離開座位，但機電系統仍全載運轉，案例二超過時間下班時間，機電系統自動關閉燈光或空調，正在加班的辦公同仁抱怨已影響工作。

因此我們開始思考環境系統的運轉時程管控，需要納入「量」的控管，期望運用過往累積的數據，開發回饋機制以消弭看不見的控管漏洞。將IOT與AI結合，以數據為基礎材料，創造出數位勞動力，協助管理工程師處理大多數具重複性但仍有些微變化的辦公大樓運轉工作。

與資料科學家共同進行系統數據探索與挖掘後，發現電梯、停車位、插座耗電量、室內二氧化碳濃度等四項參數，這四項的數據趨勢表現與人員活動訊息息息相關。透過不同種類的實體感測器蒐集室內多元類型數據(圖6)，再發展出一個虛擬模型，作為判斷人員多寡的虛擬感測器。以人員流動的變化趨勢顯示建築使用狀態，並進一步調控空調與照明系統，改善過去標準時程控制的盲點，達到舒適度提升兼俱節能雙贏的目的。

圖6：室內多元類型數據的即時回饋與整體趨勢預測

3.5 第五部-AI建築的分享與商業化

依據我們過去的經驗，開發一個可以成功應用的AI模型需要耗費3至6個月的時間，但如果是同質性的科技廠辦公大樓，想要產生一個相同功能的AI模型是否有機會能夠加快時程。一般標準做法是先進行蒐集數據，再開始數據訓練出AI模型，最後將模型進行需要的驗證，所需時間至少也要1個月以上。這樣冗長繁瑣的過程，讓推廣AI模型應用的難度提升，成功的模型經驗也不易累積。在複製轉移AI模型的經驗中，除了開發者需要整理並分析資料外，資料蒐集往往是相當耗時而費力的工程，資料的短缺與遺漏則相當普遍。若是辦公大樓無過去運轉資料可蒐集參考，那所需耗費的時間可能更長，因此我們不斷地思考，如何努力克服種種挑戰，讓同質性的辦公大樓有機會直接應用並導入已成功開發的AI模型。首先，為達到降低對數據的依賴，我們必須改變或加速數據的取得方式，而遷移學習（Transfer Learning）是業界普遍的一種AI複製手法，直接利用較容易獲取的資源，將原本需蒐集３個月以上的數據資料，減量蒐集僅１週左右的數據資料（會依資料複雜度而有所差異），便可開始執行遷移學習，以解決目標建築因資料稀少或缺漏，而無法讓AI模型完整學習到該環境溫熱變化運作模式，進而達到理想控制空調箱出風溫度的情況。另外，我們從研究中發現新建的建築設計中環境溫熱模擬的方式，可以預估出樓層所需耗費的冷卻能力，輸入內外部環境與空調設備參數經過計算後，恰好相似於蒐集的室內溫度數據。因此，針對沒有歷年運轉資料的建築物案場，以開源軟體（Open source software）為基礎，重新整理建築的隔間空間與裝修材質，並置入真實的行動排程、氣象資訊、機電系統設定，及輸入以前的氣候條件與控制習慣等，即可建立一個數字雙生（Digital Twin）的模型環境。數字雙生模型可以產出類似於案場的擬真運轉數據，由這些數據訓練出虛擬環境的AI模型，再應用遷移學習的技術，轉移回到真實建築物上使用。這個過程除能夠加速數據的取得速度外，且因其相關輸入參數皆可調整，因而提高數據的可變化率，造就了未來新AI模型的開發測試使用，實現已開發AI模型可以分享與商業化，目前應用上述技術，已將中科辦公大樓應用中的AI模型，成功複製轉移到竹科的辦公大樓使用。(圖7、圖8、圖9)

圖7：類神經網路的遷移學習

圖8：數字雙生模型概念

圖9：虛擬建築的數據AI經遷移學習後應用直實建築上

3.6 應用技術概述

遷移學習：人類容易利用先前的經驗，在類似的任務上獲取成功。舉例說明，若學過騎自行車，相對來說容易能學會騎摩托車；學習打羽毛球的經驗也能幫助學習打網球更易上手；學過小提琴也會對學習二胡有幫助。遷移學習的概念是把一個領域上學習的知識遷移到另一個領域上，目的是讓計算機也具有舉一反三的能力。成功的遷移學習是可以將已經充分學習的AI模型，再次運用在不同的任務或領域上。^[1]

數字雙生：是指物理空間中的對象，例如一間實體的辦公空間，在虛擬空 間同時具有一個辦公空間的數字模型，該模型通過傳感器隨時獲取真實物體(實體的辦公空間)的數據以及部分預設情境參數，隨著不同狀態跟著改變，在不同 的氣候與使用情境下，其室內溫度幾乎會做到同步更新。利用該模型調整，人們可以對物理對象進行分析、預測、診斷或者訓練，進一步優化和決策，確實可以透過數字模型內的數據來預訓練AI，可縮短開發與上線所需時間。^[2]

4. 結論與展望

每一種數位前瞻科技皆具有專業與深奧之處，數據借助這些數位科技力量，由過去被長久封存的被動資源，到現在發展是不斷取得、儲存、分析、再利用及自動更新。這世代數據已活化且能即時的反映現況(真實性)，還能透過AI快速地做出決策與反應(預測性)。台積電公共設施服務部為了在辦公大樓物業管理上精益求精，除了鑽研相關領域技術外，也積極與外部單位交流合作。在此專案中我們與國立陽明交通大學應用運算與多媒體實驗室、Honeywell 中央監控整合系統事業處、宜宅通科技顧問股份有限公司跨界合作導入最新技術，逐步拼起辦公大樓完成數據應用的每一塊拼圖。合作過程中各自專業技術分工交流，台積電提供運轉數據、領域技術與維運經驗、定義智慧建築新概念；陽明交通大學實驗室專注於開發智能控制演算法與遷移學習技術；Honeywell與宜宅通科技負責建構整合通訊、資料、與控制平台，讓數據與AI模型無縫界接。跨界團隊應用自身領域專業、資料科學與資通訊整合的專業技術，從量身打造設施管理開始，繼而建立最佳化數據驅動運轉模式，開發智慧AI模型，打造虛擬感測器並發展快速複製轉移模式。希望可以讓現階段的維運經驗與智慧持續數位優化，達到數位轉型的目標，並開發出下一世代智慧建築專屬的營運人工智慧應用服務技術。