Page 78 - Vol.35

Tech
Notes
技術專文

後將其作為輸入提供給下一批的 數據當時並無有效方法證明。
圖5、預測值與實際值在相同時間下比較之ECF 圖8、機器學習模型的自我學習成效曲線
初始值，直到所有訓練群分送完畢
有鑒於此，本次研究於2018年與
後並重複該過程，當輸出達到收斂
3.00% MTC (製造技術中心)合作，MTC運
時訓練終止，或者當達到設定的 用AI-ML (人工智慧－機器學習)方
epoch後停止。 圖5顯示ECF之預 0.65 實際值
預測值 2.50% 式，以正負2℃之冰水系統總耗能
測值和實際測試值在相同時間下幾
方程式模型當基礎，並運用過往實
乎兩兩相疊，若將其量化比較， 0.62 2.00% 1.85% 1.93%
2
一般來說預測模型R >0.9就算精 1.65% 1.71% 際運轉(Big data)共3.79M筆數據，
1.51% 利用類神經演算法自動學習並修正
確模型， 圖6指出MSE=(5.1E-8)和 0.59 1.50%
2
R =(0.992)，其精準度遠高於0.9， ECF 此耗能模型，求得實際最低耗電量
表示此模型成功訓練完成。利用這 0.56 1.00% 時之溫度設定值。
Aug.18 Sep.18 Oct.18 Nov.18 Dec.18
個已訓練完成的模型，我們將能 各廠導入後經由驗證，其平均節能
預測在當下系統溫度(冰水出水溫 0.53 效益1.9%，15個廠實際節省用電
度、冷卻水出水溫度、冷卻水溫 量一年3.4M度，證明了AI-ML之可
圖9、AI-ML與正負2度C相較節能效益再提升1.9%
差)微小變化範圍中的最低耗能溫 0.5 行性與節能效果。
度組，再將此溫度組回饋給冰水系 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115
time
統作為節能溫度設定。 最佳化控制程式 總運轉功率
功率(kW) A A→B (Saving8~17%) (冰機+冰水泵 參考文獻
+冷卻水泵+
B 冷卻水塔) [1] 莊哲嘉，正負2°C–冰水系統最佳化控制
圖6、ECF在預測值與實際值比較之MSE及R 2 創新方法，300mm FABs Facility Jour-
nal(廠務季刊)，Vol. 30, JUNE 2018.
結果與分析 C [2] James W. Furlong & Frank T. Morrison.
Optimization of Water–Cooled Chiller–
AI控制, B→C 冰機功率 Cooling Tower Combinations CTI
0.65 MSE = 5.1E-8 最佳節能點 (Saving 2%)
如前言所提，正負2℃在2017年開 R = 0.992 Journal, Vol. 26 No. 1 2016.
2
理論總運轉功率 [3] Retrieved from https://www.google.
發後成功地所獲得將近10%的節能 實際總運轉功率 com/about/datacenters/efficiency/
0.62 冰水泵功率
效益，隔年發展出AI-ML機器學習 冰水泵功率 internal/.
冷卻水泵功率
模型，進一步考量了冰水系統因運 冷卻水塔功率 冷卻水泵功率 [4] Jim Gao. Machine Learning Appli-
cations for Data Center Optimization.
轉時間久造成效率變差、管路結垢 實際值 0.59 冷卻水塔功率 2017.
摩擦損失等無可避免因素，同年7 [5] Google’s Green Data Centers: Network
0.56 POP Case Study. 2011.
月在F12P6開始上線測試。
低 冰水溫度 (°C) 高 [6] Jonathan Koomey. Growth in Data
center electricity use 2005 to 2010.
驗證方式：採用ASHRAE(美國冷凍 高 冷卻水溫差 (°C) 低
0.53 Analytics Press, Oakland, CA, 2011.
空調工程師學會)國際節能量測認 高 冷卻水溫度 (°C) 低 [7] Retrieved from https://machinelearning
證手法 [14] ，改善前後冰水系統性能 mastery.com/.
0.5 [8] Andrew Ng. “Regularization (Week
係數(kW/RT，單位冷凍噸之耗電 0.5 0.52 0.54 0.56 0.58 0.6 0.62 0.64 0.66 3).” Machine Learning. Retrieved from
量)之差異；即收集機器學習模型 預測值 https://class.coursera.org/ml2012002.
上線前後約2個星期資料(耗電量kW 態，而後自動調整參數 圖8，可清 結論 [9] Andrew Ng. “Regularization (Week
3).” Machine Learning. Retrieved from
vs.冷凍噸RT)，並且確認兩時間區 楚地看到機器學習模型在上線五個 https://class.coursera.org/ml2012002.
段的冰水系統條件相同(如：開機 圖7、AI-ML上線測試前後線性回歸(kW vs. RT) 月後，節能效益由原本的1.51%緩 2012. Lecture.
台數、開機編號不變和外氣焓值相 慢的上升到1.93%。此模型自我學 2017年開發業界首創正負2℃冰水 [10] Andrew Ng. “Neural Networks: Repre-
sentation (Week 4).” Machine Learning.
9000
差不大者)，進行改善前後冷凍噸 Retrieved from https://class.coursera.
習成效曲線預計會在模型達到全域 系統最佳化節能控制程式[1]，12 org/ml2012002. 2012. Lecture.
2
與耗電量做線性回歸(R 大於0.9)， ML Total kW 性地最佳化後趨於平緩。 [11] D. Kingma, J. Ba, Adam: a method for
2C Total kW 吋晶圓廠(共15廠)執行完畢，冰水
在相同冷凍噸需求下機器學習前 線性(ML Total kW) stochastic optimization, International
8000 y = 0.6061× -167.76 系統用電量平均可節能9%(相當於
(深藍色點)後(淺藍色點)的耗能下 線性(2C Total kW) R = 0.9763 conference on learning representations
2
arXiv:1412.6980 (2014).
降1至2% 圖7 。 實際執行效益 全廠用電量1.8%)，每年可實際節 [12] Theano Development Team, Theano: a
kW 7000 此AI節能控制程式預計推行至十二 省用電量1.2億度。 Python framework for fast computation
機器學習導入的初期(2018年8月) y = 0.6142× -414.54 of mathematical expressions,
2
R = 0.9631 因正負2℃主要以理論為基礎開發
其節能效益比原控制之正負2℃可 吋晶圓廠 (共計15廠)執行，2018 arXiv:1605.02688 (2016).
再往上提高了1.51%。此外重要的 6000 年5月至今已完成11個廠區導入， 出控制程式，但於實際運轉與理論 [13] P. Bashivan, I. Rish, M. Yeasin, N.
Codella, Learning Representations from
一點，機器學習的另一個優勢是建 相同冷凍噸(RT)下 9個廠區已完成效益驗證，與2017 有著不可避免的差異因素存在，如 EEG with Deep Recurrent-Convolutional
耗能(kW)下降1~2% Ne ural Ne tw ork s. I nte rnational
立好的模型本身有自我學習(self- 年正負2℃冰水系統最佳化節能控 運轉時間久造成效率變差、管路結 conference on learning representations
retraining)的功能，此自我學習以每 5000 制系統相較，其節能效益平均提升 垢摩擦損失變大…等；雖然程式有 (2016).
8000 9000 10000 11000 12000 13000 14000 15000
2週更新一次，隨著時間的演化， RT 1.9% 圖9 ，15個廠實際節省用電量 針對理論與實際之差異以人為判斷 [14] ASHRAE’s GUIDELINE 14-2002 FOR
MEASUREMENT OF ENERGY AND
模型不斷在學習冰水系統的最佳狀 一年3.4M度。 作修正，但是否真正符合實際運轉 DEMAND SAVINGS.
78 FACILITY JOURNAL SEPTEMBER 2019 79