Page 94 - Vol.35

Tech
Notes
技術專文

使用模式辨別預警(PRA, Pattern
表 5、運轉機台總數 =10，單一機台 / 機頭開關細節
Recognition alert)，將工程師對於
現象與異常識別的智慧(EI)轉化為
1A 1B 2A 2B 3A 3B 4A 4B 5A 5B 6A 6B 7A 7B 8A 8B 9A 9B
人工智慧(AI)，對於冰機系統波動
變異性高的數值客製化監控，達到 組合8 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0
對於冰機個別獨立性(Individual)與 組合7 1 1 1 1 1 1 1 1 0 0 1 1 0 0 0 0 0 0
機體差異(Difference)進行識別與客
組合6 1 1 1 1 1 1 0 0 1 1 1 1 0 0 0 0 0 0
製化管理，利用機器學習對於異常
與正常的自動化分類，卡關超越人 組合5 1 1 1 1 1 1 0 0 0 1 1 1 0 0 0 0 0 1 New Vision
類辨識極限高維度物理現象，降低 組合4 1 1 1 1 1 1 0 0 0 0 1 1 0 0 0 0 1 1
人腦運算負擔與早期系統預警。以
組合3 1 1 1 1 1 1 0 0 0 0 0 0 1 1 0 0 1 1
廠區案例卡關異常耗電達147kW占
組合2 1 1 1 0 1 1 1 1 0 0 1 1 0 1 0 0 0 0
系統耗電5%，元件偏差而非顯著
新/象/新/知
失效，模式預警有更高精確度。 組合1 1 1 0 0 1 1 1 1 0 0 1 1 1 1 0 0 0 0
此次執行專案從系統性分析至單機
差異性分析，我們認為廠務在智能
化進步的瓶頸在於以下三項：資料
如同前Google首席資料科學家李 Handbook: Essential Tools for Working 煙道酸鹼即時連續監測系統研究
變異性不足、工程師對於異常現象 with Data, O’REILLY, 2018.
飛飛所言：「人工智慧需以人為 Acid/alkaline On-line and Realtime Monitoring System of
經驗與資料不足、機器學習經驗不 [7] Geron, Aurelien, Hands-On Machine
本」，「AI不是用來取代人類， Stack Emissions
足。 Le arning W ith Scik it-Le arn and
「關懷人類」才是目標」。如同莊
Tensorflow: Concepts, Tools, and Tech-
子逍遙遊姑射神人精神：您是否相
資料變異性不足 niques to Build Intelligent Systems, 自動巡檢結合智慧監控應用於無塵室空氣品質量測
信有更美好的生活方式？即使不 Combined Inspection Robot and AI Monitoring for Cleanroom
以對於系統操作維度偏高以此次 O’REILLY, 2017.
信，更美好的事物依舊存在。「豈 Quality Control
冰機操作一年資料僅可拿到總體 [8] Trane, R123 Chiller Technical manual.
唯形骸有聾盲哉？夫知亦有之。」 [9] 李家岩，智慧製造與生產線上的資料科
排列組合13.3%資料，也就是高達
人類的對於世界的理解須從感知本 學，2018。
86.7%的可能性尚未探索，證明我
身的限制解放，藉由資料探勘與機 [10] 蔡昆憲，AI-ML正負2℃冰水系統自適化
們對於系統的能力了解尚有發展空
器學習更巨觀與更微觀理解世界。 變溫程式，2018。
間。增加差異性操作，工程師保持
廠務在於工業4.0發展還處於非常 [11] 中央氣象局氣象預報中心，https://www.
好奇心持續探索研究系統可能性， cwb.gov.tw/V7/climate/climate_info/
早期狀態，因此從工業3.0發展往
降低非預期性機率；利用機器學習 taiwan_climate/taiwan_3/taiwan_3_5.
工業3.5可為重要策略。從改善工
將非預期轉換為可預期事件。 html
程師能力、自主開發ML工具、提
[12] Alfalaval 板式熱交換器型錄。
於異常現象經驗與資料不足 升系統數位化、擴充資料雲、虛擬 [13] 林成彥，300mmFD_ME_操作及故判_冰
異常資料不易取得，對於異常現象 量測與模式辨別預警各方面著手； 機起停機，藏經閣，2015。
資料收集的完整度容易不足，導致 強化品質管理、人員世代數位傳 [14] IIoT and the Oil & Gas Value Chain–
對於異常現象鑑別數位化不夠完 承、提高系統附加價值攜手打造下 Part 5: Translating Data into Action &
整；亦受限於硬體投資如inSQL系 一個世代台積電廠務。 Leveraging Analytics http://empowering
pumps.com/schneider-electric-iiot-oil-
統，以南科為例：系統資料僅可儲
gas-part5/
存三年，超過時間即喪失資料，對
[15] Jim Gao. Machine Learning Appli-
於低頻的異常事件分析不利。故增 參考文獻 cations for Data Center Optimization.
加投資資料庫有益於數位化發展。 [1] 簡禎富，工業3.5：台灣企業邁向智慧 2017.
製造與數位決策的戰略，臺北：天下雜
誌，2019。 [16] Best 5 steps of Machine Learning
機器學習經驗不足
[2] 林軒田，Learning From Data，全華圖 https://www.houseofbots.com/news-
廠務人員沒有使用機械學習進行高 書，2012。 detail/11493-1-best-5-steps-for-getting-
[3] 莊哲嘉，正負2℃ – 冰水系統最佳化控
維度資料探勘習慣，對於異常現象 started-in-machine-learning-top-data-
制創新方法，台積電廠務季刊VOL.30，
理解受限於低維度時序圖與短時間 頁014，2018。 scientists-share-their-tips
[4] Ying-Jen Chen, AI and Big Data [17] Google AI首席科學家李飛飛：AI不是
資料研究、欠缺經驗使用資料分析
Analytics for Wafer Fab Energy Saving 用來取代人類，「關懷人類」才是目標
工具如：IEDA2、Python (sk-learn, and Chiller Optimization to Empower
Intelligent Manufacturing, e-Manufac- https://buzzorange.com/techorange/
Keras)、Matlab。影響思考維度與
turing & Design Collaboration Sympo- 2018/04/01/stanford-fei-fei-li-how-to-
現象鑑別。故增加教育訓練資源、 sium, 2018. make-ai-thats-good-for-people/
[5] 鄭凱元，IEDA2資料探勘&人工智慧入
雲端平台互動分享與實做可提升廠
門，台積廠務藏經閣，2018。 [18] 蔡璧名，莊子從心開始，台北：天下雜
務數位化速度。 [6] Jake VanderPlas, Python Data Science 誌，2016。

94 南科十四廠無塵室自動巡檢機器人 攝影 / 蕭睿呈 影像處理 / 洪湘寧