Page 80 - Vol.35

Tech
Notes
技術專文

Dynamic

Intelligence Strategy
Precision
Reliability
Energy of Industry 3.5

Industry 3.5 Chiller

精準運轉

Linear 中央空調 Model Fitting System
Polynomial
Neural Network
Random Forest
Chiller Operation
Pump Data Mining
Heat

Exchanger 工業 3.5 冰機系統
</> 機器學習

0101010 Predict 動態智能決策
程式語言 Maintenance

前言
Python

MATLAB
先進國家如德國、美國以工業4.0智慧工廠為目標，尚未完整實現；台
EXCEL VBA 灣簡禎富教授提出的工業3.5概念 漸進式破壞創新；在既有系統框架
[1]
運用智慧物聯網提升品質、效率與良率，人機協作強化人類能力，實
作找尋機會、累積經驗與發展工業4.0實力。大數據時代是研究與驗
證思維的改變；傳統研究結合數學、統計學與系統專業驗證假說成為
理論。但此套理論是否萬用通用於萬事萬物？明顯是否定：不同量測
手法、不同感知器形式、不同的設備微幅差異、乃至設備新舊老化任
工業 3.5 冰機動態智能系統概念圖 繪圖 / 洪湘寧
何細微差異都會導致理論偏差。使用機器學習與運轉數據建立模型可
以提升對系統預知能力。以冰機耗能預測為例：最大理論預測誤差：
本文應用台灣簡禎富教授工業 3.5 策略於中央空調品質強化 ( 冰水主機、冰水泵、熱回收系統 )，描述機器學 6.26%→最大ML預測誤差：1.17%。中央空調需求條件隨著外氣焓
Abstract 手動車輛進步到半自動駕駛運轉，降低運轉人員決策負擔並標準化運轉。運轉耗能、負載與裕度虛擬量測即 鄭 解；將高維度的理解藉電腦運算與機器學習：建立的耗電模型、虛擬
值、冰水需求、冷凍噸變化，動態變異性與高維度超越人類的直覺理
習廠務落地應用流程；提升系統預測能力 ( 降低預測誤差 81%)。更精準的預測引導出更好的決策。如同純
量測(Virtual measurement)即可幫助運轉工程師更直覺、簡單的理解
時運算輔助運轉風險與能源管理；數位化決策降低單月溫水供應量 16% 與節約冰機 96 萬度電能、模式預警
PRA 提早偵測到元件漸進失效與防堵系統 5% 異常耗電、分析冰機系統預測至單機排列組合能源管理。強化
陳
廠務運轉預知維護、把關運轉品質，並在最後提出未來機會與挑戰，攜手打造下一個世代台積電廠務。
2011 年台灣科技大學機械所畢業。
物理系博士畢。
2016 年台灣大學機械所畢業。
關鍵詞 / 冰機系統、資料科學、機器學習、能源管理、模式辨別預警
人工智慧須以人為本；服務人群
專長：機器學習、
2014、2015 年 MATLAB 論文
Keywords/ Chiller System, Data Science, Machine Learning, Energy Management, Pattern Recognition Alert 凱 元 Kelvin Cheng 2009 年台灣大學機械系畢業； 亮 至 Liang-Chih Chen 2014 年台灣科技大學機械系； 昆 憲 蔡 Kun-Hsien Tsai 2008 年交大電子
為下個世代人類找到更幸福未來 比賽暨程式設計挑戰賽第一名。 資料探勘與分析。

2
1
1
2
1
文│鄭凱元 陳亮至 蔡昆憲 │ 南科廠務三部 智能廠務管理課│
80 FACILITY JOURNAL SEPTEMBER 2019 81