在台灣製造業四大行業中,化學工業產值僅次於資訊電子與金屬機電產業。 近年化學工業面臨多樣性的挑戰,除了 ESG 等因素對產業的影響外,產業結構與產業趨勢的轉變也是化工產業難以避免的困境。本文探討工業智能之必要,以及化學工業結合人工智能(AI)科技的應用方向。
關於化工產業的關聯性很廣,由民生工業乃至高科技產業所需之原材料,很多都來自石化及塑橡膠等化工產業。 依據經濟部統計局資訊於2022年統計顯示,化學工業產值總產值已經超過5兆,位居台灣製造業四大行業中產值第三,僅次於資訊電子與金屬機電產業。
石化及塑橡膠產業鏈上游為原油,由原油提煉開始產生多種副產品;中游運用上游原料輕油裂解產生之基本原料,如苯、酚、烯類等,以及基於前述原料再經聚合、酯化、烷化等化學反應後製成之塑膠、橡膠、人造纖維等化學原料;下游為塑膠、橡膠、人造纖維等化學原料加工製成的各式民生必需品,如 3C 產品外殼、塑膠製品、橡膠製品、接著劑、人造纖維、塑化劑及化妝品等,應用範圍相當廣泛,而工業生產技術的發展也帶來許多的新興應用。
近年化學工業面臨多樣性的挑戰,尤其在國際情勢上 ESG 將是未來10年化工產業所面臨的極大課題,如何節能、減少碳排、避免浪費,將是最棘手的問題。此外,除了 ESG 等因素對產業的影響外,產業結構與產業趨勢的轉變也是化工產業難以避免的困境。
由於近年來高科技產業薪酬結構與產業環境優勢,學校人才培育以及人才就業選擇等複雜因素,也導致化工產業出現人才大斷層的問題,這些人才因素直接或間接地影響到企業經營,無論在企業經驗傳承、新產品研發效率與企業運作優化等都將成為大挑戰。
運用 AI 科技的專業達人
雖然前述外部環境因素與內部人才斷層是當前化工業的挑戰,但也觀察到一個新的契機或轉折點,年輕化意味著有效使用新科技技術來輔助作業優化,亦即顯現未來的化工產業化工人,必須是能運用人工智能(AI)科技的專業達人 。
近幾年化工產業無論在生產或材料研發類的數據運用上,相較於過去增加許多新科技的輔助,當化學工業結合(AI)科技時,有以下幾大應用方向:
一、運用 AI 輔助產品研發
首先將 AI 作為新產品材料研發過程中的數據分析與建模工具,透過 AI 將過去的研發數據建立模型,將研發資料模型化,瞭解到影響產品的關鍵因子;另外,也可以運用模型來協助研發同仁觀察,關於不同配方成分的改變對於產品品質目標的影響,藉此大幅度地透過 AI 模型來縮短產品研發時間,並透過模型化進行經驗傳承。
二、運用 AI 分析生產品質不良的關鍵要因
化工生產系統所監控的參數繁多,而且加上來料配方等條件,生產數據複雜,若是採用過去運用的統計方式,則難以有效的瞭解影響品質的關鍵點。透過來自 DCS 或 SCADA 系統生產大數據,並結合 AI 技術數據分析的應用,能夠快速地找到影響產品的關鍵因子,縮短問題排查時間,減少不良品或次級品的發生,降低浪費。
三、運用AI預測生產過程品質
化工製程往往需品質檢驗,但卻無法做即時的品質全檢。運用過去的生產數據與過去的品質檢驗資料,以 AI 技術建立預測模型,透過 AI+IOT 方式預測品質,能夠瞭解品質變化趨勢,在趨勢偏離前能夠及早採取對策,透過 AI 預測方式提前處理品質問題,避免產品不合標產生報廢品。
四、運用 AI 優化生產系統運作效率
因應ESG 的要求與挑戰,如何優化高耗能設備的能源使用效率,也是化工產業的 AI 運用方向。透過AI建模將過去系統操作參數建立模型,藉此在生產效率、品質與能耗間平衡,取得最佳化的生產參數。
當製造業導入AI平台 24小時不間斷運作
為了讓數據分析與 AI 運用技術能於化工產業萌芽與發展,越來越多的企業陸續也招募數據分析資料科學家,或是將企業人員送訓培養 AI 與數據分析能力,但我們觀察到在產業人才就業排擠性的因素,資料科學人才選擇化工業的就業意願相對低。另外,內部送訓人員學習 AI 新技術學習週期長,較難於短期產生 AI 分析能力。
因應製造業 AI 應用與人才需求,杰倫智能科技(Profet AI)致力發展製造業應用的 AI 平台,研發出自動化機器學習平台(Automated Machine Learning;AutoML),目的在於解決企業 AI 應用與落地實現問題,該平台像是企業虛擬 AI 資料科學家,讓生產專家無需寫程式和鑽研複雜演算法,就可以快速運用過去的生產歷史數據來進行 AI 分析。
在生產過程中,此AI平台如同工具,可協助企業研發部門進行產品研發優化、品質專家透過工具找出異常要因、製程專家快速找出最佳調整參數,進行生產流程改善,通過創新的 AI 機器學習運用技術,將龐大晦澀的演算法化繁為簡,成為易用的數據分析工具,迅速建立標準化的智能決策體系,幫助工廠進一步擴大生產規模並且提升生產和產品研發的效率。
同時,此平台不僅應用於化工產業的生產品質預測,各產業都能夠透過該平台產品協助,實現讓企業各領域80%的關鍵人才都能自主運用 AI,養成企業運用數據分析輔助決策的文化。
導入創新的「AI 自動化機器學習(AutoML)平台」,如同企業有了「虛擬 AI 資料科學家」,這項化繁為簡且直觀圖像化操作的 AI 數據分析工具,快速賦予領域專家運用 AI 的能力,只須瞭解手上的數據,從上傳到完成分析僅需幾個步驟,就能讓傳統製造業快速導入 AI,「一天上手 AI、一周落地 AI 」,輕鬆將 AI 活用在例如化工製程的配方研發最佳化和能耗預測等應用場景(圖1)。
![圖1 : 運用AI 自動化機器學習(AutoML)平台,如同企業有了「虛擬 AI 資料科學家」。(source:杰倫智能)](/art/2023/02/191927137530/p1S.JPG)
圖1 : 運用AI 自動化機器學習(AutoML)平台,如同企業有了「虛擬 AI 資料科學家」。(source:杰倫智能) |
|
以化工產業配方研發為例,運用研發相關之配方與實驗結果資料,上傳至AutoML平台可以完成配方研發模型,透過該模型可以達到兩點效益:
一、快速瞭解到多配方(X)對多產品物化性的影響關鍵因子,藉此可快速瞭解影響各目標之關鍵配方參數為何。
二、運用 AI 模型進行虛擬實驗,透過 AI 模型模擬調整不同配方參數,瞭解對品質目標之影響,可以減少實際實驗組數,縮短時間、降低成本。
如何運用 AI 的應用來建模
在確認客戶明確的需求後,開始進行下列的相關步驟,進一步協助客戶進行 AI 的解題與應用:
【步驟1】匯整實驗數據
客戶開始整理過去實驗數據,針對實驗檢驗結果(Y)與各配方用量(X),整理成結構化,排列成 excel 或 csv 表格格式,結構數據的格式如圖2所示。
![圖2 : 按照 Y=F(X)的邏輯,結構化的數據格式(source:杰倫智能)](/art/2023/02/191927137530/p2S.JPG)
圖2 : 按照 Y=F(X)的邏輯,結構化的數據格式(source:杰倫智能) |
|
【步驟2】建立 AI 預測模型
將數據表格上傳至 Profet AI 的 AutoML 平台,系統會先進行數據的前處理,讓用戶可再次確認數據的品質,並了解每個特徵值對結果 Y 的相關性後,再將此數據集進行自動建模作業,人員簡單確認建模內容、建模方案設定、開始建模等三個步驟,即可實現全自動 AI 機器學習建模作業。
【步驟3】要因分析、模擬預測、參數最佳化推薦
在完成前兩項步驟之後,接著進行後續的預測分析及模擬等項目。
1.要因分析:
Profet AI 的平台建模完成後,透過系統得分找出最佳的 AI 預測模型,從預測模型中,可立即分析影響各別品質的關鍵要因,並可依據權重排名,瞭解到成分改變對於目標之影響。
2.模擬預測:
根據歷史數據建立的預測模型,研發人員可在平台上進行即時的參數調整模擬,研發人員可以調整不同配比由系統預測可能的結果,讓研發人員不須依照過去透過實品實驗的方式,即可進行事前的調參模擬預測,當系統模擬出較佳的調整參數後,再進行實際的參數調整與設定切換,大量減少人為調參時間與實驗所帶來的不良成本。
3.參數最佳化推薦:
當建立的預測模型準確後,Profet AI 的平台可反向讓研發人員設定期望品質目標,由系統推薦相關配方參數。結合領域專家進行配方微調,在好的基礎點接上後續的產品研發,找到更多配方的可能性。
透過AI 技術能夠讓化工產業能輕易運用於研發、製程、品管上的作業,並有效將老師傅經驗轉化成專家系統,讓使用者更加便利、快速地去活用,進而找出問題的癥結,進行持續的改善。
最重要的是,當大量且不同製程的生產數據可以透過平台產生更多的價值之後,許多企業用戶發現,企業內部已逐漸養成建立數據思考的文化,並培養了企業收集數據資產的習慣。當這樣以數據驅動並持續改善的文化深植時,企業將得以提升整體有形與無形的效益並增加獲利。
在化工產業,已有多家企業借助 Profet AI 的平台產品和一天上手、一周落地的實踐方法論,進行實際運作。透過該平台產品的協助,讓各企業與各職能的80%關鍵人才都能自主運用AI。
當前越來越多製造業導入AI,企圖利用 AI 打造競爭力的戰略高地,佈局下一個五年的升級轉型。因此,有越來越多高階管理者異口同聲表示:「 AI 賦能已經不是要不要做的問題,而是怎麼將AI賦能應用得比對手更快速、怎麼應用得比對手更廣泛!」
*刊頭圖(source:杰倫智能)