Page 76 - Vol.45

Tech
準且精簡的判斷並解決問題。
我們評估過，能否建置感測器來取代AI冰機冷凝偵測?
答案是否定。全公司若對本篇提出的異常種類加裝感測器須
花費6.8億元新台幣，卻只能達到此AI冰機冷凝偵測的33%效
果，故加裝感測器方案不具備可行性；相反地，透過公司資
源與廠務CIM合作開發AI方法，不但成本低且異常偵測覆蓋率
高。本案希望能透過方法介紹與案例經驗的分享來幫助讀者
應用於日常，也期許找到更多貼近基層運轉的解決方案。
2. 文獻探討
2.1 冰機冷凝器破管導致壓縮機馬達燒毀事件
2019.6.18南科發生一起冰機燒毀事件，當時判定冷凝器
銅管遭異物刮破導致冷卻水進入冷媒循環，該冰機停機再開
啟後馬達線圈燒毀爆炸。進一步分析原因是，由於冷媒泵的
強制冷卻線圈設計的關係，純物質R123冷媒不會導電，但若
外力因素使的水透過冷媒泵路線滲入線圈，就會導致水和冷
媒的混和物具有導電能力，最後馬達線圈與機殼相地短路造
成燒毀，其中瞬間最大電流達1.1萬安培，造成Feeder CB跳
脫，全廠區<10%的電力系統壓降。期間花費共五百萬元與長
達一年的整修也造成嚴重的空調系統運轉風險。
圖1是該事件發生後對於事件機台與其他機台綜合分析
圖，根據圖表數據，我們試著請10~15年經驗冰機原廠工程師
與台積公司空調技師/資深工程師/主管(合計35位)進行異常事
後判讀，在不告知異常設備編號的狀況下，無人可由圖上的
曲線與盒鬚圖正確判斷異常機台。此測試顯示現行卡控方法
無論是Daily Chart report、SPC、ICCI等的單維度管理機制都
無法確實有效發現異常，甚至常有誤報造成警報系統管理不
易，所以我們需要更精準的偵測方法與管理機制。
1.1萬安培，造成Feeder CB跳脫，全廠區<10%的電力系
統壓降。期間花費五百萬元與長達一年的整修期造成嚴重的
空調系統運轉風險。
圖1、包含異常數據的冷凝壓力盒虛圖與時序圖
74
Notes
技術專文
2.2 舊廠務空調系統冰機運轉偵測盲點與延遲管理
冰機系統維護有幾項重要偵測指標(如下)須要配合保養與
採樣來做管理，這幾項指標最大缺點在於即時性不足，為急
切且必須突破的攻堅點。
① 水分指示計：氣態水進入密閉系統無法透過排氣機有效排
出，僅能靠乾燥劑去除，水份指示計為石蕊試紙offline偵測
密閉迴路是否含水，須配合保養時間與抄表管理。
② 冷媒含水率：水份指示計變色也不能完全代表冷卻水破管冷
媒進水，故須年度加測冷媒含水率確認密閉系統封閉性，
此檢驗送樣須送往海外實驗室分析，時間花費一個月。
③ 冷卻水水質：氨氮/總有機碳或者鈣硬度致使銅管長菌或結
垢而導致趨近溫度上升，而且熱交換變差。兩週一次水質
採樣送往廠商實驗室分析，若異常水質回覆亦須要兩週，
故每次水質異常將造成至少一個月的異常影響。
④ 負壓洩漏量：現行僅可由排氣時間監測洩漏量，若排氣機感
測器或機板故障導致持續洩漏而未偵測到洩漏會造成工程師
誤判。另外，排氣系統控制具遞延性，亦無法即時確認洩漏
量，也會使冰水主機存在開機高壓跳脫的風險。根據2020年
統計，台積公司冰機採用R-123負壓系統總數量佔全公司冰
機總數81.4%，均為詮宏trane公司生產製造產品。鑒於負壓
設計的R-123冰機，停機時內部壓力低於大氣壓力，若系統
氣密性不佳，不凝結氣體如氧氣、氮氣等氣體就容易滲入冷
媒迴路導致冷凝器壓力上升而影響冰機製冷效率。
2.3 使用ML輔助冰機系統文獻
近幾年業界與學界所發表機器學習在冰機上應用的論
[01]
文大多著重於能源使用， 是google於2017年發表的研究，
該研究指出利用機器學習data driven的方式將公司一座資料
中心的冰水系統做最節能的溫度設定，由歷史資料做模擬
測試，結果指出能耗KPI-Power Usage Effectiveness(UPE)由
2008年的1.22下降至2013年的1.12， [02][03] 研究考慮多變的天
氣和複雜的冷水機組組合，透過機器學習提供系統的節能運
行決策，其能耗改善主要集中在夏季，最大降幅甚至超過
10%，此外，這三篇文章對於機器學習的演算法也提供了深
切的討論。在公司方面，2018和2019年廠務季刊30期和35期
亦有三篇專題，特別針對如何利用設備性能曲線和能耗數列
[05]
級數 [04] 、類神經網路的技術對溫度控制 與動態決策冰機機
台總數 [06] 討論節能措施，這三項措施也在台積公司實質節能
量取得不錯的結果。但如何利用機器學習技術提升冰機穩定
運轉卻甚少有研究觸及，有鑒於此，本案提出如何利用物理
原理結合機器學習的監督式學習建構出一套「樣板辨別預警
(Pattern Recognition Alert)」模型，來幫助廠務同仁提早偵測
[07]
冰機異常加強穩定運轉 。