Page 77 - Vol.45
P. 77
3. 研究方法 針對以上三種異常問題，我們列舉多項可以做為偵測
此三種異常的指標參數：趨近溫度、冷凝壓力、排氣洩漏時
3.1 冰機系統品質的關鍵異常問題
間、水分指示計、導電度。最後統計出含蓋範圍最大的「冷
為有效提升冰機防禦品質，根據南科2019年和2020年冰 凝壓力」作為監控指標(圖3)。
機運轉紀錄進行分析統計單次異常造成損失金額與異常事件數
占比(圖2)，分析結果發現冰機三大異常占比占總體損失88%，
分別為，冷媒含水、冷卻水品質異常、負壓洩漏。根據80/20
法則，此三項異常為冰機品質的關鍵問題，必須優先進行分析
與防禦改善。
圖3、關鍵指標對於異常代表性涵蓋檢查表
在進入機器學習方法討論之前，我們先來探討為何需要
AI輔助與其重要性。一開始我們以冷凝壓力、冷卻水溫、負
載三個運轉參數呈現3D散佈圖(圖4)分析並標注出異常數據，
從散佈圖中雖然不難看出異常數據與正常運轉數據的差別，
但現行日常監控都採依時間序列的單一參數(1D)監控，把原本
相關性極高的參數群個別視為一獨立參數卡控。故第二章節
提到測試工程師無法透過時間序列曲線與盒鬚圖(圖1)正確判
斷異常原因是因為維度太多太複雜，所以我們希望將多維度
的指標群，藉由AI技術轉化成簡單又不失多維度的資訊的單
一指標。
圖2、南科某一廠區2019年和2020年異常損失佔比圖
3.2 關鍵KPI選擇與模型訓練特徵選擇
分析三大關鍵異常：冷媒含水、冷卻水水質異常、負壓洩
漏。這三項均為廠務專家在異常檢測時常遇到的瓶頸與盲點。
① 冷媒含水 : 檢測方法有兩種，一、從密閉系統進行冷媒
採樣分析含水率，但分析期程長達一個月，太過耗時。
二、現場水分指示計檢測，此檢測為offline石蕊試紙型
顯示表，不能即時監控而且此水份指示計不能完全代表 圖4、冷凝壓力三維空間異常狀態分布圖
冷媒含水問題，因為洩漏問題亦可能導致水氣進入讓石
蕊試紙變色，判斷缺乏絕對性。 確認「冷凝壓力」作為主要監控指標後，我們接下來談談
② 冷卻水水質異常：水質採樣相同也是offline採樣，期程2 如何利用機器學習學出「冷凝壓力」。依據冷凍循環系統原理
週，一旦發現異常數據已延遲兩週，並且水質指標多樣 (莫里爾線圖Morrill curve)，冷媒於「蒸發器」、「壓縮機」、
並沒有完全建立線上指標，造成現行管理盲點。 「冷凝器」、「膨脹閥」四大元件中作為熱能傳輸之媒介，透
③ 負壓洩漏：意旨不凝結氣體進入密閉系統，現行的監控 過四大元件做功將冷媒達相變化，而藉由冷媒對熱量的吸收、
是依賴24小時累計排氣時間指標，因排氣系統的設計是 釋放來達到製冷之目的。由 圖5莫里爾線圖得知，冷凝壓力與
需要累積足夠的洩漏量才會作動，所以初期的微量洩漏 壓縮機做功(電流負載)、冷卻水進水溫、冷卻水出水溫相關，
偵測不到。另一種狀況是，若排氣機異常則會導致洩漏 另外也有考量到雙機運轉狀態影響銅管熱交換距離，所以機器
偵測不到造成持續洩漏。本專案上線後收集到實例 : 南 學行冷凝壓力模型的輸入變數：①電流負載；②冷卻水進水
科廠排氣機3A2機板故障，氣體持續無法排出，造成冷 溫；③冷卻水出水溫；④運轉狀態。
凝壓持續上升。
FACILITY JOURNAL 03 2022 75
