Page 81 - Vol.45

圖15、水質異常導致多台冰機冷凝壓上升案例圖

5. 結論
圖17、使用者認為AI偵測最具幫助的前三種功能
5.1 AI冰機冷凝壓力偵測成果

本案執行分兩個時段，分別是2019.7~2020.10測試階段與 參考文獻
2020.10~2021.10 300mm廠區推廣階段。300mm廠區推廣階段 [01] Jim Gao, Machine Learning Application for Data Center Optimization,
2017.
完成後，透過系統收集線上案例進行統計，如 圖16，指出氣體 [02] Ying-Jen Chen, AI and Big Data Analytics for Wafer Fab Energy Saving
洩漏佔67%為最大宗，接續是冷卻水水質問題佔17%，水量異常 and Chiller Optimization to Empower Intelligent Manufacturing,
e-Manufacturing & Design Collaboration Symposium, 2018.
佔8%，因銅管破管造成冷媒含水和感知器問題各佔5%和3%。 [03] Chen-Fu Chien, Ying-Jen Chen, Meng-Ke Hsieh, Optimizing Chiller
也依據運轉同仁使用回覆得到AI異常偵測命中率(Hit Rate)高達 Switch on Time Interval for Chiller Power Consumption Saving via Big
Data-Analytics and Machine Learning Framework, Joint Symposium
91.9%，確實證明此系統可以在缺乏感測器狀況下能有效地偵測
2019-eMDC & ISSM.
異常。 [04] 莊哲嘉，正負2℃-冰水系統最佳化控制創新方法，台積電廠務季刊
VOL.30，頁014，2018。
[05] 莊哲嘉、蔡昆憲，人工智慧應用於冰水系統節能技術探討，台積電廠務
季刊VOL.35，頁073，2019。
[06] 鄭凱元、陳亮至、蔡昆憲，工業3.5冰機系統動態節側，台積電廠務季刊
VOL.35，頁079，2019。
[07] 鄭凱元，IEDA2資料探勘&人工智慧入門，台積廠務藏經閣，2018。

作者介紹

蔡昆憲 Kun-Hsien Tsai
交通大學電子物理研究所博畢業。
一個從不犯錯誤的人，一定從來沒有嘗試過任何新鮮事物
-Albert Einstein。
圖16、線上系統實際偵測案例異常比例圖示
鄭凱元 Kelvin Cheng
台灣大學機械系；台灣科技大學機械所畢業。
人工智慧須以人為本；服務人群，
5.2 使用者使用後回饋 為下個世代人類找到更幸福未來。
AI異常偵測系統於300mm廠區的16個phases上線屆滿一 謝子宸 Zih-Chen Hsieh
成功大學資訊工程學系，交通大學網路工程研究所畢業。
年後(2021年底)，我們特別訪查了所有使用者的使用狀況以 好奇心是科學工作者產生無窮的毅力和耐心的源泉
-Einstein Albert。
及滿意度調查，收到近九成使用者的回覆，滿意度平均達90
分，不只如此，使用者也熱心地指出當冰機異常發生時AI異
常偵測系統最具幫助的部分(圖17) : ①可加速層別異常原因；
②AI系統極早警報，提供同仁充足的修復時間；③修正原有
指標規格太緊或太鬆的問題。最後本案所衍生效益在於，我
們可以運用類似的概念，於廠務各個系統的設備上開發AI模
型與執行異常偵測，例如「變頻器散熱系統異常偵測」和
「冰機能耗異常偵測」都是採相同的精神正在各廠開發與展
開中。

FACILITY JOURNAL 03 2022 79