Page 83 - Vol.35
P. 83

Tech
 Notes
 技術專文

 系統操作；乃至緊急異常時系統扛                                                               用於三項：冰水主機、冰水泵、溫
 圖1、機器學習理論 [2]  圖2、資料科學定義：數學統計學 + 領域知識 + 電腦科學           [9]
 載、備援能力是否充足？數位決策                                                               水熱交換器。
 系統建議最低能耗運轉台數，迴避
                                                                               本文研究使用工具：Excel、IEDA2
 系統耗能區間、模式辨別預警功能  Unknown Function  Computer Science          Statistical Theory  (JMP)  [5] 、Python程式語言  [6][7] 、
 (Pattern  Recognition  Alert)，預警  F: X→Y
                                                                               Matlab。演算法使用：多項式回
 元件漸進失效與異常能源使用：進
                                          Machine   Math & Statistics          歸(Polynomial  Regression)、隨機
 行空調運轉能源品質管理。電腦處  Learning  Hacking Skills  Learning  Knowledge
 Sampling Data/training data  Final hypothesis                                 森林回歸(Random  Forest  Regre-
 理資料複雜運算，人腦負責理解與  D: (X1,Y1) (X2,Y2)...  Algorithm  G≈F                        ssio n )、深度類神經網路(De e p
 A
 最終決策；數位決策模式減少運轉                            Data                                                         [7]
                                           Science                             Neural Network, Deep learning) 。
 人員誤判機會、降低判斷偏差、提
                                    Danger      Traditional                    作者參與部分：鄭凱元(冰機系統
 高系統運轉品質、減少能源浪費、
                                     Zone!       Research                      應用、數位決策、使用者介面)、
 優化決策與元件漸進失效預知維
 灣簡禎富教授實驗室與旺宏電子冰  此項策略非常適合台積電廠務系統                                              陳亮至(特徵選擇、機器學習模型
 護。在既有系統上(工業3.0)使用運  [4][1]
 機效能改善  。  全體性綜合戰略。藉由廠務監控系                                                     開發訓練、模組封裝)、蔡昆憲(神
 轉數據進行數位轉型：強化人員運                         Substantive
 2017年Goole使用多層神經網路模  統(FMCS)連線跨課資料收集大數   Expertise                            經網路雲端運算、冰機單機差異化
 轉能力、人機協作、分散式數位決
 型，對於資料中心空調系統參數共  據，配合各課人員投入機器學習模                                              分析、模型自學習再訓練機制)。
 策提升為工業3.5運轉模式。
 計19項變數訓練模型優化能耗指  型訓練：將運轉工程師智慧轉換為
 標PUE [15] 。可應用台積電冰機系  數位機器學習模型，改變為數位  Domain Knowledge
 統變溫最佳化，請參考哲嘉與昆憲  決策模式。降低人因系統性風險、                                              風險與能源管理：冰機/水泵負
 文獻探討  AI-ML正負兩度C專案。系統具有  避免見樹不見林的單一指標管理，                                      載與能耗虛擬量測
 模型自學習再訓練(model  re-train)  改為高維度整體性決策、對於動態  表 1、使用 Excel 運算預測不同運轉台數負載
 自適性變溫最佳化運轉模式。  性需求了解，改變為動態供應的彈                                                傳統理論到機器學習：三種冰水主
                                                                                                      [5][8]
 機器學習理論  性製造概念，運用數位大腦輔助運  需求RT  額定RT  運轉台數                                     機負載預測手法與誤差比較
 2018年簡教授與旺宏電子冰機效
 在使用機器學習之前，有兩個需  轉人類大腦強化運轉能力，來達                                                分析三種冰水主機系統負載預測模
 能改善，使用SARIMAX模型預測
 求條件：資料(Data)、假說(Hypo-  到廠務提升為聰明運轉模式(Smart                                     型：運用原廠trane設計資料預測、
 系統需求與使用MARS模型系統負  14334  3200   5        6       7        8        9
 thesis)。資料來自於現實未知函數  Operation mode)。                                         運用運轉資料大數據一元二階回歸
 載(Partial Load Ratio, PLR)，達成  預測平均負載  89.59%  74.66%  63.99%  55.99%  49.77%
 F：輸入X、輸出Y；不同輸入輸出  [4]                                                         預測、使用機器學習多元回歸模型
 單機頭冰機切換機運轉模式優化
 產生資料D。假說G是人看過資料  [1]  傳統研究(Traditional Research)                              預測。
 。在台積電的應用上，藉由預測
 之後，對於未知函數F假設待驗證  與資料科學(Data Science)
 系統耗電(kW)與平均運轉電流百分                                                             方法一 ：冰機原廠trane提供冰機
                                                                                     [8]
 的觀點，且最終假說近似於現實  研究差異 [1][9]  Science)研究，如 圖 2。預測冰  計畫方法
 比(%)，來達到系統操作優化，較                                                              額定冷凍噸RT_full：代表冰水主機
 G≈F 圖1 。  接近本文設計概念。  過去使用數學、統計(Math.  &   機耗電使用機器學習(Machin e
                                                                               全載運轉製冷能力。利用系統需求
 擁有資料與假說後，藉由資料D輸  Statistical  Theory)對於專業領域  Learning)：對於系統預測有高相關  研究的出發點     冷凍噸RT_real、運轉台數n與能量
 入學習演算法A，逐漸縮小誤差得  台灣簡禎富教授工業3.5智慧製  (Domain)分析的研究結果稱為傳統  性、高精準度、客製化系統模型、        守恆概念，即可推估系統負載百分
 到假說函數G，而由資料驗證假說  造與數位決策戰略  研究(Traditional  Research)。過去  表現個別機台變異性等優點；但依  為求兼顧節能與穩定運轉。從幾個  比%。預測結果與實際冰機系統平
 G與未知現實F在可接受誤差中，完  工業3.0在1947年電晶體與1958積  我們追求泛用性的知識：單一研究  賴完整足夠變異性的資料，若資料  問題開始：為降低系統操作決策  均電流百分比相關性達0.97高度正
 成機器學習過程。  體電路發明與電腦驅動數位革命。  結論可套用至全世界泛用。這需要  不足或取樣偏差反而會導致機器學  風險；系統的備援(Redundancy)   相關；最大絕對誤差6.26%。是簡
 工業4.0則是由德國西門子提出：  建立在非常嚴格的標準(Standard)  習表現方法不佳。隨著預測精度提  N+1可否精準即時量測？系統投      單有效率，使用設計資料、不須依
 機械學習演算法模型有三個種類：
 藉由大數據與虛實整合系統達到彈  條件之中，消滅量測差異或變異  高、機台差異性可辨識、明確定義  入量是否過多浪費？冰機水泵熱回             賴運轉資料預測模型，在新建廠區
 回歸(Regression)、分類(Classifi-
 性決策目的。工業3.5則是利用現  性，預測應用才會準確。預測冰機            收最佳運轉曲線，實際控制方法是
 cation)、分群(Clustering)；依照  需求，便可以做出優化決策。以往                                    運轉初期可用此方法評估系統。
 有工業3.0的基礎利用大量數據、  耗電使用傳統冷凍空調與物理理論            什麼？傳統研究對於備援N+1與
 資料標示使用分為監督式學習  隨著系統運轉輪調，人為管理差異                                                負載百分比%=系統需求冷凍噸RT_
 智慧物聯網概念(AIOT)，淬鍊出運  預測系統：具有高相關性、不依賴          最佳運轉曲線有其觀點，但是否能
 (Supervised  Learning)、非監督式  性易顯現；未來藉由運轉資料建立                                  real/(額定冷凍噸RT_full×運轉台
 轉智慧，將現有製造模式提升為智  資料、尚可接受誤差等優點。泛用             在系統上實際達到驗證？為理解
                                      [1]
 學習(Un-supervised  Learning)、  機器學習模型進行數位決策 ，降                                 數n) 表1 。
 慧製造；人為決策模式提升為數位  性理論在實際應用於預測系統狀              運轉真實樣貌，我們從運轉資料
 半監督式學習(Semi-supervised   低管理差異，並且協助運轉工程師
 決策。 [1]  態，會因機差、管路配置差異、操                     (Operational  Data)出發，配合機器       方法二：擁有一年以上運轉資料，
 [2]
 Learning)；請參考 ，本文使用演  作模式多重變因而使傳統研究預測  探索更精進優化運轉模式。機器學  學習(Machine Learning)來回答系統
 簡教授的比喻也很有趣：工業4.0                                                              利用系統平均電流百分比與系統需
 算法屬於監督式回歸(Supervised   準確性下降，在運轉上僅使用傳統  習模型建立，非一次性完工；而是  滿足備援充足條件，最佳運轉模式
 叫「機器人」；工業3.5叫做「鋼                                                              求冷凍噸資料即可使用Excel選用
 Regression)。  研究結論設計最佳化系統控制便容  隨著運轉經驗提升，逐步改進，將  樣貌。
 鐵人」。當達到工業4.0時，人                                                               一元二階回歸  圖3 ，簡單快速畫出
 易因理論預測誤差導致偏離最佳化  既有的問題數位化決策，人不再受
 的因素完全排除，機器間會互相                               研究開始時，冰水系統微笑曲線變                  不同運轉台數負載變化圖形。預測
 冰機系統業界機器學習應用案例  目標。  限於既有問題重複性工作，去探討
 溝通協調達到智慧製造；而工業                               溫最佳化專案：正負2℃系統廠區                  結果與實際負載相關性達0.975高
                                                                 [3]
 機器學習應用於冷凍空調系統可參  3.5，則是透過人機協作(Human-  電腦科學進步；運算資源變得易  未知與開創。讓人工智慧服務人  已上線運轉(2017.7) ，本文是站  度正相關；最大絕對誤差下降至
 考兩篇：2017年Google應用於資  computer collaboration)提升人員運  得。藉由程式語言演算法分析，  類，而非取代人，讓人類發揮機器  在冰機系統變溫條件下，再進一步  4.94%。圖形化的資料顯示，有利
 料中心效能最佳化  [15] ；2018年台  轉能力。  從傳統研究演進至資料科學(Data   無法取代的創造力追求進步。  提升運轉能力為目標。決策系統應  於運轉值班判讀不同運轉台數條件
 82                                                                                 FACILITY JOURNAL          SEPTEMBER   2019  83
   78   79   80   81   82   83   84   85   86   87   88