在台湾制造业四大行业中,化学工业产值仅次於资讯电子与金属机电产业。 近年化学工业面临多样性的挑战,除了 ESG 等因素对产业的影响外,产业结构与产业趋势的转变也是化工产业难以避免的困境。本文探讨工业智能之必要,以及化学工业结合人工智能(AI)科技的应用方向。
关於化工产业的关联性很广,由民生工业乃至高科技产业所需之原材料,很多都来自石化及塑橡胶等化工产业。 依据经济部统计局资讯於2022年统计显示,化学工业产值总产值已经超过5兆,位居台湾制造业四大行业中产值第三,仅次於资讯电子与金属机电产业。
石化及塑橡胶产业链上游为原油,由原油提炼开始产生多种??产品;中游运用上游原料轻油裂解产生之基本原料,如苯、痤、烯类等,以及基於前述原料再经聚合、窬化、??化等化学反应後制成之塑胶、橡胶、人造纤维等化学原料;下游为塑胶、橡胶、人造纤维等化学原料加工制成的各式民生必需品,如 3C 产品外壳、塑胶制品、橡胶制品、接着剂、人造纤维、塑化剂及化妆品等,应用范围相当广泛,而工业生产技术的发展也带来许多的新兴应用。
近年化学工业面临多样性的挑战,尤其在国际情势上 ESG 将是未来10年化工产业所面临的极大课题,如何节能、减少碳排、避免浪费,将是最棘手的问题。此外,除了 ESG 等因素对产业的影响外,产业结构与产业趋势的转变也是化工产业难以避免的困境。
由於近年来高科技产业薪酬结构与产业环境优势,学校人才培育以及人才就业选择等复杂因素,也导致化工产业出现人才大断层的问题,这些人才因素直接或间接地影响到企业经营,无论在企业经验传承、新产品研发效率与企业运作优化等都将成为大挑战。
运用 AI 科技的专业达人
虽然前述外部环境因素与内部人才断层是当前化工业的挑战,但也观察到一个新的契机或转折点,年轻化意味着有效使用新科技技术来辅助作业优化,亦即显现未来的化工产业化工人,必须是能运用人工智能(AI)科技的专业达人 。
近几年化工产业无论在生产或材料研发类的数据运用上,相较於过去增加许多新科技的辅助,当化学工业结合(AI)科技时,有以下几大应用方向:
一、运用 AI 辅助产品研发,了解关键因素与配方趋势模拟,缩短产品研发时程、降低成本
首先将 AI 作为新产品材料研发过程中的数据分析与建模工具,透过 AI 将过去的研发数据建立模型,将研发资料模型化,了解到影响产品的关键因子;另外,也可以运用模型来协助研发同仁观察,关於不同配方成分的改变对於产品品质目标的影响,藉此大幅度地透过 AI 模型来缩短产品研发时间,并透过模型化进行经验传承。
二、运用 AI 分析生产品质不良的关键要因,缩短问题排查时间提升品质
化工生产系统所监控的叁数繁多,而且加上来料配方等条件,生产数据复杂,若是采用过去运用的统计方式,则难以有效的了解影响品质的关键点。透过来自 DCS 或 SCADA 系统生产大数据,并结合 AI 技术数据分析的应用,能够快速地找到影响产品的关键因子,缩短问题排查时间,减少不良品或次级品的发生,降低浪费。
三、运用AI预测生产过程品质
化工制程往往需品质检验,但却无法做即时的品质全检。运用过去的生产数据与过去的品质检验资料,以 AI 技术建立预测模型,透过 AI+IOT 方式预测品质,能够了解品质变化趋势,在趋势偏离前能够及早采取对策,透过 AI 预测方式提前处理品质问题,避免产品不合标产生报废品。
四、运用 AI 优化生产系统运作效率,降低能源浪费
因应ESG 的要求与挑战,如何优化高耗能设备的能源使用效率,也是化工产业的 AI 运用方向。透过AI建模将过去系统操作叁数建立模型,藉此在生产效率、品质与能耗间平衡,取得最隹化的生产叁数。
当制造业导入AI平台 24小时不间断运作
为了让数据分析与 AI 运用技术能於化工产业萌芽与发展,越来越多的企业陆续也招募数据分析资料科学家,或是将企业人员送训培养 AI 与数据分析能力,但我们观察到在产业人才就业排挤性的因素,资料科学人才选择化工业的就业意愿相对低。另外,内部送训人员学习 AI 新技术学习周期长,较难於短期产生 AI 分析能力。
因应制造业 AI 应用与人才需求,杰伦智能科技(Profet AI)致力发展制造业应用的 AI 平台,研发出自动化机器学习平台(Automated Machine Learning;AutoML),目的在於解决企业 AI 应用与落地实现问题,该平台像是企业虚拟 AI 资料科学家,让生产专家无需写程式和钻研复杂演算法,就可以快速运用过去的生产历史数据来进行 AI 分析。
在生产过程中,此AI平台如同工具,可协助企业研发部门进行产品研发优化、品质专家透过工具找出异常要因、制程专家快速找出最隹调整叁数,进行生产流程改善,通过创新的 AI 机器学习运用技术,将庞大晦涩的演算法化繁为简,成为易用的数据分析工具,迅速建立标准化的智能决策体系,帮助工厂进一步扩大生产规模并且提升生产和产品研发的效率。
同时,此平台不仅应用於化工产业的生产品质预测,各产业都能够透过该平台产品协助,实现让企业各领域80%的关键人才都能自主运用 AI,养成企业运用数据分析辅助决策的文化。
导入创新的「AI 自动化机器学习(AutoML)平台」,如同企业有了「虚拟 AI 资料科学家」,这项化繁为简且直观图像化操作的 AI 数据分析工具,快速赋予领域专家运用 AI 的能力,只须了解手上的数据,从上传到完成分析仅需几个步骤,就能让传统制造业快速导入 AI,「一天上手 AI、一周落地 AI 」,轻松将 AI 活用在例如化工制程的配方研发最隹化和能耗预测等应用场景(图1)。
![图1 : 运用AI 自动化机器学习(AutoML)平台,如同企业有了「虚拟 AI 资料科学家」。(source:杰伦智能)](/art/2023/02/191927137530/p1S.JPG)
图1 : 运用AI 自动化机器学习(AutoML)平台,如同企业有了「虚拟 AI 资料科学家」。(source:杰伦智能) |
|
以化工产业配方研发为例,运用研发相关之配方与实验结果资料,上传至AutoML平台可以完成配方研发模型,透过该模型可以达到两点效益:
一、快速了解到多配方(X)对多产品物化性的影响关键因子,藉此可快速了解影响各目标之关键配方叁数为何。
二、运用 AI 模型进行虚拟实验,透过 AI 模型模拟调整不同配方叁数,了解对品质目标之影响,可以减少实际实验组数,缩短时间、降低成本。
如何运用 AI 的应用来建模
在确认客户明确的需求後,开始进行下列的相关步骤,进一步协助客户进行 AI 的解题与应用:
步骤1 汇整实验数据
客户开始整理过去实验数据,针对实验检验结果(Y)与各配方用量(X),整理成结构化,排列成 excel 或 csv 表格格式,结构数据的格式如图2所示。
![图2 : 按照 Y=F(X)的逻辑,结构化的数据格式(source:杰伦智能)](/art/2023/02/191927137530/p2S.JPG)
图2 : 按照 Y=F(X)的逻辑,结构化的数据格式(source:杰伦智能) |
|
步骤2 建立 AI 预测模型
将数据表格上传至 Profet AI 的 AutoML 平台,系统会先进行数据的前处理,让用户可再次确认数据的品质,并了解每个特徵值对结果 Y 的相关性後,再将此数据集进行自动建模作业,人员简单确认建模内容、建模方案设定、开始建模等三个步骤,即可实现全自动 AI 机器学习建模作业。
步骤3 要因分析、模拟预测、叁数最隹化推荐
在完成前两项步骤之後,接着进行後续的预测分析及模拟等项目。
1.要因分析:
Profet AI 的平台建模完成後,透过系统得分找出最隹的 AI 预测模型,从预测模型中,可立即分析影响各别品质的关键要因,并可依据权重排名,了解到成分改变对於目标之影响。
2.模拟预测:
根据历史数据建立的预测模型,研发人员可在平台上进行即时的叁数调整模拟,研发人员可以调整不同配比由系统预测可能的结果,让研发人员不须依照过去透过实品实验的方式,即可进行事前的调叁模拟预测,当系统模拟出较隹的调整叁数後,再进行实际的叁数调整与设定切换,大量减少人为调叁时间与实验所带来的不良成本。
3.叁数最隹化推荐:
当建立的预测模型准确後,Profet AI 的平台可反向让研发人员设定期??品质目标,由系统推荐相关配方叁数。结合领域专家进行配方微调,在好的基础点接上後续的产品研发,找到更多配方的可能性。
透过AI 技术能够让化工产业能轻易运用於研发、制程、品管上的作业,并有效将老师傅经验转化成专家系统,让使用者更加便利、快速地去活用,进而找出问题的症结,进行持续的改善。
最重要的是,当大量且不同制程的生产数据可以透过平台产生更多的价值之後,许多企业用户发现,企业内部已逐渐养成建立数据思考的文化,并培养了企业收集数据资产的习惯。当这样以数据驱动并持续改善的文化深植时,企业将得以提升整体有形与无形的效益并增加获利。
在化工产业,已有多家企业借助 Profet AI 的平台产品和一天上手、一周落地的实践方法论,进行实际运作。透过该平台产品的协助,让各企业与各职能的80%关键人才都能自主运用AI。
当前越来越多制造业导入AI,企图利用 AI 打造竞争力的战略高地,布局下一个五年的升级转型。因此,有越来越多高阶管理者异囗同声表示:「 AI 赋能已经不是要不要做的问题,而是怎麽将AI赋能应用得比对手更快速、怎麽应用得比对手更广泛!」
*刊头图(source:杰伦智能)