Page 119 - Vol.33

Tech
Notes
技術專文

表 9、模型 5（RNN+ 標籤分兩類）混淆矩
圖9、循環神經網路原理說明；x i 為輸入，y ¬i 為輸出，h i 為預測值，U、V、W為權重向量 表 11、RNN 逆滲透膜預知保養模型－預測更換日期結果
陣結果 -2018H1 驗證結果
總和準確率： 預測數據 逆滲透膜 預測需PM日期總數 日期
0.906
輸出層 y y t-1 y t y t+1
0 1 Total #A 10 3/6 3/8 4/19 4/25 5/3 5/7 5/23 6/9 6/21 6/25
V V V
展開 #B 10 2/12 3/4 3/17 3/22 4/15 4/22 4/25 5/23 6/23 6/25
隱含層 h h t-1 h t h t+1 實際 0 27560 2756 30316
W W 數據 #C 9 2/12 3/4 3/17 4/15 4/19 4/25 5/15 6/23 6/25
U U U
1 403 2837 3240 #D 10 1/10 2/21 3/4 3/13 3/26 4/11 4/23 4/25 5/8 5/23
輸入層 x x t-1 x t x t+1 #E 7 3/18 4/24 5/6 5/13 5/18 6/1 6/8
Total 27963 5593 33556
#F 12 1/7 2/12 3/4 3/13 4/11 4/14 4/21 4/24 4/25 5/2 5/8 5/29
#G 6 1/7 3/20 4/25 5/2 6/9 6/21
Total 64 設定7天為預測容許誤差，淺藍色底為正確預測更換的日期
優劣，即比較模型1、3與5，由總
表 10、2018 年上半年 LSR 逆滲透膜保養更換紀錄
和準確率來看KNN的方法較DT高
(97.6%與97.0%)，但同樣的在預
更換次數 更換日期
測需要保養的時間準確率偏低，分 6次未被預測出來的更換紀錄，實
表 12、RNN 逆滲透膜預知保養模型－參數權重分析結果 (2017)
別為52.1%與51.5%；相較之下模 際上逆滲透膜A、E與G的處理效率
逆滲透膜#A 7 1/15 2/21 3/20 4/11 4/25 5/11 5/23
型5雖然總和準確率只有88.1%， 尚在標準中，在記錄註解上為工程
排名 數據標籤 數據敘述 數據來源 權重重要性*
但在預測需要更換的準確率為 逆滲透膜#B 6 2/12 3/20 4/11 4/25 5/8 5/23 師決定提前施作的預防保養，故模
86.8%，相對高了很多。探究其中 逆滲透膜#C 5 2/12 3/20 4/19 5/2 5/15 型的判斷依然是符合設計需求的；
1 PIT_770_PV_2 產水壓力 SCADA 12329
原因可能為：RNN演算法屬具有時 而16次的誤報(實際為正常，但預
逆滲透膜#D 7 1/15 2/21 3/13 4/11 4/25 5/8 5/23
序概念之演算方法 [18] ，會將前一層 2 RO DP RO壓差 SCADA 12024 測為需要保養的情況)，有一半的
逆滲透膜#E 7 1/15 2/21 3/20 4/19 5/2 5/18 6/1
計算完成的輸出，再回傳給該層作 3 FIQT_770_PV 產水出口流量 SCADA 10492 狀況是誤動作，另一半為等待備
為輸入－換句話說當前的輸出不只 逆滲透膜#F 7 2/12 3/13 4/11 4/25 5/8 5/18 5/29 用膜的時間較長所導致，例如 表
4 去除率 去除率 SCADA 8979
受輸入影響，也受前一層計算的輸 逆滲透膜#G 9 1/15 2/21 3/13 4/18 4/25 5/2 5/15 5/18 6/6 11中，6/9以後的預測更換日期。
出影響，所以在處理數據之間有時 5 PIT_770_PV_1 入口壓力 SCADA 8873 綜合以上結果，以目前的預測模型
Total 48 淺監色底表示模型未預測需保養，但實際有更換的日期
序前後關係的案例，RNN演算法較 作為提前預警，效果已算不錯，未
6 PH_770A_PV_2 濃水出口pH SCADA 4982
能夠有正確的預測結果 圖9。回想 來還能夠改進的部分為降低誤報的
逆滲透膜的運轉模式，其處理效率 7 T-780 F 產水氟離子濃度 採樣數據 4303 次數，與預測更換日期的準確率提
通常不只跟當下的水質有關聯，也 升。
8 CIT_770_PV 產水導電度 SCADA 3730
有可能因為幾天前的水質異常，造 果，模型1至6中較適用的為模型 準確率已達87.6%。
成今天的處理效率變得不好，舉例 5。在下一章會針對模型優化驗證 定為提早一週間預測需要更換的日 9 T-740 F 入口氟離子濃度 採樣數據 3627
來說，三天前的餘氯濃度偏低，造 與各種參數對逆滲透膜處理效率之 期，舉例來說，利用1/1至1/7的 10 PH_770A_1_PV 產水出口pH SCADA 3436 參數權重分析─
成當天的逆滲透膜壓差變高，即有 影響權重做進一步的探討。 逆滲透膜更換保養案例
運轉數據預測1/8是否需要更換， 11 PDT_750A_PV 前置濾心壓差 SCADA 3425
可能是水質變化造成膜滋長細菌的 若1/8判定為需要更換保養，則會 在參數權重分析的部分，使用
結果。另一方面，KNN或決策樹的 在1/1至1/7之間提出警訊告知工 12 CIT_740_PV 入口導電度 SCADA 2703 2017年整年的數據，比較30個參
演算方法中，因其強項在數據的分
程師，以利保養更換逆滲透膜之準 13 RO Outlet氨氮 產水氨氮濃度 採樣數據 2665 數對於逆滲透膜處理效率的影響權
類與變數權重分析上，探究造成判 結果與分析 備作業－例如調撥備用膜或安排更 重，其中16筆數據來自SCADA，
斷需要保養的狀況準確率僅有五成 14 T-740氨氮 入口氨氮濃度 採樣數據 2567
換廠商人力。由2018上半年更換 14筆數據為採樣實驗數據，結果
左右的原因：其一為演算法本身的 15 T-740餘氯 入口餘氯濃度 採樣數據 1968
紀錄 表10與預測結果 表11的比對， 如 表12所呈現，影響程度大小由上
特性在處理有時序關係的資料效果 模型優化驗證─ 本研究建立的模型有約87.5%的正 至下排列。與實際運轉狀況相似，
較差，其二是這兩種演算法會受資 逆滲透膜更換保養案例 確率，七套逆滲透膜系統共進行了 16 ROR F 濃水氟離子濃度 採樣數據 1884 逆滲透膜管入口壓、出口壓、膜管
料標籤分類的影響較大，故當我們 17 ROR NH3 濃水氨氮濃度 採樣數據 1872
本研究選用模型5 (RNN+標籤分 48次更換保養，由模型預測需要保 壓差、產水流量與離子去除率列
所投入的資料類型的數量差異較大
兩類)延伸做模型驗證，並且利用 養的日期共64次，有6次實際上有 18 FIQT_770A_PV 濃水流量 SCADA 1836 居影響處理效率的前五名(重要性
時，可能導致在機器訓練上效果不
此模型繼續進行各參數的影響權 執行保養的日期未被預測出來，故 Importance 10000以上)，另外，
彰，如 表3中，正常的資料佔全數 19 T-740硬度 入口硬度濃度 採樣數據 1577
重分析。導入2018上半年作為新 準確率為87.5% ，此外有16次預 因LSR系統大多為氫氟酸廢水的提
96.6%，而需要保養的資料數量僅 20 T-780餘氯 產水餘氯濃度 採樣數據 1555
的資料至模型中進行測試，結果如 測模型認為需要保養但實際上我們 濃前處理系統，故Rank 7-產水氟
佔3.4%。
表9混淆矩陣所示，總和準確率有 未執行保養。探討這幾筆模型預測 *權重重要性：為模型預測時使用到此參數的次數比例，作為參數的重要性指標 離子濃度也是我們常用來判斷逆滲
綜合上述模型混淆矩陣的分析結 90.6%，且在預測需要保養的狀況 結果與實務上的差異，我們發現： 透膜效率的指標之一。

118 FACILITY JOURNAL DECEMBER 2018 119