Page 114 - Vol.33

Tech
Notes
技術專文

圖5、機器學習分類與其常見演算方法(by J.P. Morgan Macro QDS) [8] 圖 6、利用主成分分析進行高維異常檢測分析─以離心式泵浦為例

Type Technique Complexity Input Data Type Number of variables Considers time Output
Machine Learning / Artificial Intelligence dimension

Other High-dimensional Pricipal Component Low Sensor 1-1000s No Anomaly score
Supervised Learning Unsupervised Learning Deep Learning
Approaches Anomaly Detection Analysis (PCA)
Centrifugal Pump Input Data Type = Sensor Principal Component Analysis (PCA) Anomaly Score
Factor Reinforcement
Regression Classification Clustering Time Series Unstructured
Analysis Learning
Date Time Pressure Temp Amps Temperature
Multilayer Perceptron (MLP) Semi-Supervised - - 25 154 220 PC2
Lasso, Ridge, Logistic, SVM, K-means, PCA, ICA Convolutional Neural Nets (CNN) - - 25 154 220
Loess, KNN, random Forest, Birch, Ward Long Short-Term Memory (LSTM) 24
Spline, XGBoost Hidden Markov Spectral Cluster NMF Restricted Boltzmann Active Learning - - 25 154 220 PC1
Machine (RBM)
- - 25 154 220 Amperage Pressure
- - 25 154 220
Pump operates at a 3 variables, but could be 1000s Each data point ( ) plotted The higher the score,
constant 1500 RPM Does not consider the time represents a unique combination of the greater the chance
Operating Mode = Single dimension temp, pressure & amps it is an anomaly
Pump is On or OFF
行學習一般，即是「機器學習」 美國發電廠效率提升與運轉管理 據的應用，即時回傳水庫與河川液
說明：輸入離心式泵浦壓力、溫度與電流數據，利用PCA作權重分析，獲得異常分數值(Anomaly Score)，分數越高異常的機會越高。
(Machine Learning)，同時也是弱人 目前在全球工業界中大數據的應用 位，依照液位高低控制水庫閥門作 資料來源： IBM Global Business Services
工智慧(Weak AI)的代表。近年來， 較普遍使用在產品良率改善、廠房 動，有效的操作減少了許多災情發
人工智慧常用於人臉辨識、異常偵 效率提升與客戶訂單預測。首先， 生，而每次的事件資料收集也將會
測與搭配大數據分析之行為與效能 我們以廠房運轉效率提升為例：美 成為未來預測災害的重要基礎。
[7]
預測等等 ，已漸漸地改變人類的 國坎薩斯州勞倫斯市與當地工程
了能夠找到主要影響該設備故障的 性，並提供了降低運營成本的方 工智慧進行大數據分析與預測，並
生活。 公司Black and Veatch合作，利用 廠務系統應用案例 變數作為預測的指標，最終能將訓 法。未來可利用傳感器即時測量系 提供運算與開發平台所需之軟體，
Black and Veatch Asset 360軟體
機器學習普遍可分為四類， 然而，對於廠務系統而言，大數據 練好的模型作為預知保養的利器 統的水質與水量，如pH、氧氣、營 期望未來可作為PM管理平台的延
之智能分析功能，優化當地電廠發
如 圖5 [8 ] 所示：監督式學習 分析是否能有所應用呢？在水處理 圖6。 養物質、磷酸鹽、硝酸鹽、污泥乾 伸，增加其在PM管理的多元性與
電站的運作效率、分析計算電廠之
(supervised learning)、非監督式學 系統中，最重要的設備無非是負責 另外，在水質處理系統管理方面， 燥度、病原體等變量，搭配正確的 功能性，進而達成水處理系統效能
運轉成本與影響成本之肇因，透過 輸送水的泵浦與水質淨化的濾材設 人工智慧演算法，使數據可進一步
習(unsupervised learning)、深度學 芬蘭的造紙企業凱米拉(Kemira)公 最適化與設備預知保養的目的。
這些利用智能分析系統的主動判斷 備，是否能利用既有的數據做到智 用於持續優化泵浦運轉的能耗以及
習(Deep learn-ing)與其他方法(增 司，在2017年即有應用大數據分 首先，以氣體洗滌塔回收系統
或提出建議，使決策者做出更明 慧管理呢？工業界在轉動設備方面 化學品的使用量。經過這種優化過
強式學習－reinforcement learning [11][12] (Local Scrubber Reclaim System,
智正確的決策 。另外，Black 的預知保養的應用較多，依照設備 析來使得水處理系統的管理更加智 程，可最適化系統的操作並將操作
與半監督式學習－Semi supervised 慧化與有效率之案例 [11][15] 。以此案 LSR)為主要研究對象，針對此系
and Veatch也有與勞倫斯市政府單 屬性的不同，已有定義出不同指標 成本合理化，同時仍然符合排放水
learning) [4][9] 。監督式學習為將每筆 位合作開發用於汽電共生與活性污 做為故障發生的先期指標，較常見 例經驗來說，凱米拉公司認為：造 之法規需求。 統之濾材處理效率與轉動設備運轉
數據標記(Label)，讓機器學習分類 泥系統的效能預測工具，使工廠管 紙業的廢水處理流程大部分都屬於 狀態進行研究，但非耗材類設備之
的為泵浦之振動頻率、運轉電流、
(Classification)；反之，非監督式學 理人員能夠優化營運。最初開發的 高能耗與高化學品使用量的操作， 透過以上文獻回顧與案例研究，我 維護(如變頻器內部元件監測或電
運轉溫度等 [14] ，透過這些數據的
習則為讓機器自行透過數據的特徵 工具已率先用於發電廠的污水處理 這樣的操作對環境較為不友善；同 們認為要達成廠務水系統的運轉效 盤內部元件)並不再此次研究範圍
蒐集並用以統計學與大數據分析，
(Feature)進行分類(Clustering)。每 設施，預計未來將會擴展應用到整 時，對於處理流程的控制與調整， 能最適化與設備預知保養之智慧管 內。我們藉由傳感器量測水的導電
除了可能獲得工程師經驗已知的
種學習方式都有其常用之演算法， 個城市的水處理設施。 如曝氣泵運作時間或是化學品加藥 理，需結合大數據分析與人工智慧 度、氟離子濃度、酸鹼度、流量計
結果，也有可能發現造成故障的新
如監督式學習的支持向量機(SVM) 量等參數，大多是基於定時人為 將廠務水系統運轉優化，期望可將 與壓力計等水質資料，進行濾材處
變數。如較成熟之轉動設備頻譜分
與K-鄰近演算法(KNN) [10] ，與非監 水務單位應用於河川防汛與水資源 析，在過去是需要透過人為進行數 取樣量測數據與重複的實驗來進行 非預期性保養的發生降至最低同時 理效率的探討；另一方面，我們會
督式學習的k-均值(k-means)演算 管理 據分析與判斷，找到最可能的異常 判斷，因此工程師為了符合放流水 也減少運轉成本。 聚焦於此系統的轉動設備－泵浦，
法與主成分分析法(PCA)等等。如 另一方面，大數據分析應用於政府 原因，但其缺點是人為判斷不一定 質標準，常常會發生過度曝氣和過 導入運轉時數、運轉頻率、振動量
何決定學習方式與演算法，將影響 水利部門水資源管理的策略 [2][13] ， 永遠是正確的，且通常嚴重的故障 量加藥的狀況。為了改善此狀況， 測數據與運轉電流，以既有量測數
這個模型預測的效果，一般而言資 無論在國內外皆有一些案例正在開 都非單一肇因，用人為分析較可能 凱米拉公司進行了大量的研究並開 據進行分析，找到可能減少非預期
料科學家會依照數據與研究對象的 發進行中，其主要概念為整合水庫 忽略掉第二或第三個原因，讓故障 發一種新工具可以非常準確和迅速 研究方法 性保養的機會點。
特性找尋合適的演算法使用建立模 液位、降雨量資訊、河川液位、用 無法根本解決導致容易再發。針對 地在幾秒鐘內預測水處理廠污泥的
型，並透過調整參數最佳化將預測 水總量數據與污水處理納污量等等 多變數之異常分析，常見的統計學 性質，通過整合現有的運轉數據、
準確度提升。 數據，並利用大數據進行分析，提 與機器學習之手法為主成分分析法 歷史過程數據、機器設備數據和化 研究計畫 研究流程步驟
供政府相關單位調度資源與政策的 [7] ，為利用演算法找出最有影響的 學分析數據，並搭配當地水處理廠 本研究與成功大學工程科學研究所 研究流程相關說明如 圖7所示。第
[2]
擬定及執行 。舉近年來台灣水利 幾個特徵參數來做分類器模型的訓 進行測試。該工具的主要優點在於 與IBM大數據分析與高級分析優化 一階段是決定研究目標與對象，
大數據分析結合人工智慧於工 署提出之智慧水資源管理應用於防 練，就可能用數據客觀的檢視造成 讓操作者可更好地區別和了解影響 部門合作，以廠務水處理回收系統 第二階段則是收集SCADA回傳數
業界的應用 汛工程為例 [13] ，結合物聯網與大數 故障的原因，並確實解決問題。除 污泥乾燥的關鍵條件以及其化學特 之運轉數據做為資料來源，利用人 據、水質取樣數據、設備保養紀

114 FACILITY JOURNAL DECEMBER 2018 115