在臺(tái)灣製造業(yè)四大行業(yè)中，化學(xué)工業(yè)產(chǎn)值僅次於資訊電子與金屬機(jī)電產(chǎn)業(yè)。 近年化學(xué)工業(yè)面臨多樣性的挑戰(zhàn)，除了 ESG 等因素對(duì)產(chǎn)業(yè)的影響外，產(chǎn)業(yè)結(jié)構(gòu)與產(chǎn)業(yè)趨勢(shì)的轉(zhuǎn)變也是化工產(chǎn)業(yè)難以避免的困境。本文探討工業(yè)智能之必要，以及化學(xué)工業(yè)結(jié)合人工智能（AI）科技的應(yīng)用方向。
關(guān)於化工產(chǎn)業(yè)的關(guān)聯(lián)性很廣，由民生工業(yè)乃至高科技產(chǎn)業(yè)所需之原材料，很多都來(lái)自石化及塑橡膠等化工產(chǎn)業(yè)。 依據(jù)經(jīng)濟(jì)部統(tǒng)計(jì)局資訊於2022年統(tǒng)計(jì)顯示，化學(xué)工業(yè)產(chǎn)值總產(chǎn)值已經(jīng)超過(guò)5兆，位居臺(tái)灣製造業(yè)四大行業(yè)中產(chǎn)值第三，僅次於資訊電子與金屬機(jī)電產(chǎn)業(yè)。
石化及塑橡膠產(chǎn)業(yè)鏈上游為原油，由原油提煉開(kāi)始產(chǎn)生多種副產(chǎn)品；中游運(yùn)用上游原料輕油裂解產(chǎn)生之基本原料，如苯、酚、烯類(lèi)等，以及基於前述原料再經(jīng)聚合、酯化、烷化等化學(xué)反應(yīng)後製成之塑膠、橡膠、人造纖維等化學(xué)原料；下游為塑膠、橡膠、人造纖維等化學(xué)原料加工製成的各式民生必需品，如 3C 產(chǎn)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(yīng)用範(fàn)圍相當(dāng)廣泛，而工業(yè)生產(chǎn)技術(shù)的發(fā)展也帶來(lái)許多的新興應(yīng)用。
近年化學(xué)工業(yè)面臨多樣性的挑戰(zhàn)，尤其在國(guó)際情勢(shì)上 ESG 將是未來(lái)10年化工產(chǎn)業(yè)所面臨的極大課題，如何節(jié)能、減少碳排、避免浪費(fèi)，將是最棘手的問(wèn)題。此外，除了 ESG 等因素對(duì)產(chǎn)業(yè)的影響外，產(chǎn)業(yè)結(jié)構(gòu)與產(chǎn)業(yè)趨勢(shì)的轉(zhuǎn)變也是化工產(chǎn)業(yè)難以避免的困境。
由於近年來(lái)高科技產(chǎn)業(yè)薪酬結(jié)構(gòu)與產(chǎn)業(yè)環(huán)境優(yōu)勢(shì)，學(xué)校人才培育以及人才就業(yè)選擇等複雜因素，也導(dǎo)致化工產(chǎn)業(yè)出現(xiàn)人才大斷層的問(wèn)題，這些人才因素直接或間接地影響到企業(yè)經(jīng)營(yíng)，無(wú)論在企業(yè)經(jīng)驗(yàn)傳承、新產(chǎn)品研發(fā)效率與企業(yè)運(yùn)作優(yōu)化等都將成為大挑戰(zhàn)。
運(yùn)用 AI 科技的專(zhuān)業(yè)達(dá)人
雖然前述外部環(huán)境因素與內(nèi)部人才斷層是當(dāng)前化工業(yè)的挑戰(zhàn)，但也觀察到一個(gè)新的契機(jī)或轉(zhuǎn)折點(diǎn)，年輕化意味著有效使用新科技技術(shù)來(lái)輔助作業(yè)優(yōu)化，亦即顯現(xiàn)未來(lái)的化工產(chǎn)業(yè)化工人，必須是能運(yùn)用人工智能（AI）科技的專(zhuān)業(yè)達(dá)人 。
近幾年化工產(chǎn)業(yè)無(wú)論在生產(chǎn)或材料研發(fā)類(lèi)的數(shù)據(jù)運(yùn)用上，相較於過(guò)去增加許多新科技的輔助，當(dāng)化學(xué)工業(yè)結(jié)合（AI）科技時(shí)，有以下幾大應(yīng)用方向：
一、運(yùn)用 AI 輔助產(chǎn)品研發(fā)
首先將 AI 作為新產(chǎn)品材料研發(fā)過(guò)程中的數(shù)據(jù)分析與建模工具，透過(guò) AI 將過(guò)去的研發(fā)數(shù)據(jù)建立模型，將研發(fā)資料模型化，瞭解到影響產(chǎn)品的關(guān)鍵因子；另外，也可以運(yùn)用模型來(lái)協(xié)助研發(fā)同仁觀察，關(guān)於不同配方成分的改變對(duì)於產(chǎn)品品質(zhì)目標(biāo)的影響，藉此大幅度地透過(guò) AI 模型來(lái)縮短產(chǎn)品研發(fā)時(shí)間，並透過(guò)模型化進(jìn)行經(jīng)驗(yàn)傳承。
二、運(yùn)用 AI 分析生產(chǎn)品質(zhì)不良的關(guān)鍵要因
化工生產(chǎn)系統(tǒng)所監(jiān)控的參數(shù)繁多，而且加上來(lái)料配方等條件，生產(chǎn)數(shù)據(jù)複雜，若是採(cǎi)用過(guò)去運(yùn)用的統(tǒng)計(jì)方式，則難以有效的瞭解影響品質(zhì)的關(guān)鍵點(diǎn)。透過(guò)來(lái)自 DCS 或 SCADA 系統(tǒng)生產(chǎn)大數(shù)據(jù)，並結(jié)合 AI 技術(shù)數(shù)據(jù)分析的應(yīng)用，能夠快速地找到影響產(chǎn)品的關(guān)鍵因子，縮短問(wèn)題排查時(shí)間，減少不良品或次級(jí)品的發(fā)生，降低浪費(fèi)。
三、運(yùn)用AI預(yù)測(cè)生產(chǎn)過(guò)程品質(zhì)
化工製程往往需品質(zhì)檢驗(yàn)，但卻無(wú)法做即時(shí)的品質(zhì)全檢。運(yùn)用過(guò)去的生產(chǎn)數(shù)據(jù)與過(guò)去的品質(zhì)檢驗(yàn)資料，以 AI 技術(shù)建立預(yù)測(cè)模型，透過(guò) AI+IOT 方式預(yù)測(cè)品質(zhì)，能夠瞭解品質(zhì)變化趨勢(shì)，在趨勢(shì)偏離前能夠及早採(cǎi)取對(duì)策，透過(guò) AI 預(yù)測(cè)方式提前處理品質(zhì)問(wèn)題，避免產(chǎn)品不合標(biāo)產(chǎn)生報(bào)廢品。
四、運(yùn)用 AI 優(yōu)化生產(chǎn)系統(tǒng)運(yùn)作效率
因應(yīng)ESG 的要求與挑戰(zhàn)，如何優(yōu)化高耗能設(shè)備的能源使用效率，也是化工產(chǎn)業(yè)的 AI 運(yùn)用方向。透過(guò)AI建模將過(guò)去系統(tǒng)操作參數(shù)建立模型，藉此在生產(chǎn)效率、品質(zhì)與能耗間平衡，取得最佳化的生產(chǎn)參數(shù)。
當(dāng)製造業(yè)導(dǎo)入AI平臺(tái) 24小時(shí)不間斷運(yùn)作
為了讓數(shù)據(jù)分析與 AI 運(yùn)用技術(shù)能於化工產(chǎn)業(yè)萌芽與發(fā)展，越來(lái)越多的企業(yè)陸續(xù)也招募數(shù)據(jù)分析資料科學(xué)家，或是將企業(yè)人員送訓(xùn)培養(yǎng) AI 與數(shù)據(jù)分析能力，但我們觀察到在產(chǎn)業(yè)人才就業(yè)排擠性的因素，資料科學(xué)人才選擇化工業(yè)的就業(yè)意願(yuàn)相對(duì)低。另外，內(nèi)部送訓(xùn)人員學(xué)習(xí) AI 新技術(shù)學(xué)習(xí)週期長(zhǎng)，較難於短期產(chǎn)生 AI 分析能力。
因應(yīng)製造業(yè) AI 應(yīng)用與人才需求，杰倫智能科技（Profet AI）致力發(fā)展製造業(yè)應(yīng)用的 AI 平臺(tái)，研發(fā)出自動(dòng)化機(jī)器學(xué)習(xí)平臺(tái)（Automated Machine Learning；AutoML），目的在於解決企業(yè) AI 應(yīng)用與落地實(shí)現(xiàn)問(wèn)題，該平臺(tái)像是企業(yè)虛擬 AI 資料科學(xué)家，讓生產(chǎn)專(zhuān)家無(wú)需寫(xiě)程式和鑽研複雜演算法，就可以快速運(yùn)用過(guò)去的生產(chǎn)歷史數(shù)據(jù)來(lái)進(jìn)行 AI 分析。
在生產(chǎn)過(guò)程中，此AI平臺(tái)如同工具，可協(xié)助企業(yè)研發(fā)部門(mén)進(jìn)行產(chǎn)品研發(fā)優(yōu)化、品質(zhì)專(zhuān)家透過(guò)工具找出異常要因、製程專(zhuān)家快速找出最佳調(diào)整參數(shù)，進(jìn)行生產(chǎn)流程改善，通過(guò)創(chuàng)新的 AI 機(jī)器學(xué)習(xí)運(yùn)用技術(shù)，將龐大晦澀的演算法化繁為簡(jiǎn)，成為易用的數(shù)據(jù)分析工具，迅速建立標(biāo)準(zhǔn)化的智能決策體系，幫助工廠進(jìn)一步擴(kuò)大生產(chǎn)規(guī)模並且提升生產(chǎn)和產(chǎn)品研發(fā)的效率。
同時(shí)，此平臺(tái)不僅應(yīng)用於化工產(chǎn)業(yè)的生產(chǎn)品質(zhì)預(yù)測(cè)，各產(chǎn)業(yè)都能夠透過(guò)該平臺(tái)產(chǎn)品協(xié)助，實(shí)現(xiàn)讓企業(yè)各領(lǐng)域80%的關(guān)鍵人才都能自主運(yùn)用 AI，養(yǎng)成企業(yè)運(yùn)用數(shù)據(jù)分析輔助決策的文化。
導(dǎo)入創(chuàng)新的「AI 自動(dòng)化機(jī)器學(xué)習(xí)（AutoML）平臺(tái)」，如同企業(yè)有了「虛擬 AI 資料科學(xué)家」，這項(xiàng)化繁為簡(jiǎn)且直觀圖像化操作的 AI 數(shù)據(jù)分析工具，快速賦予領(lǐng)域?qū)＜疫\(yùn)用 AI 的能力，只須瞭解手上的數(shù)據(jù)，從上傳到完成分析僅需幾個(gè)步驟，就能讓傳統(tǒng)製造業(yè)快速導(dǎo)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(fā)最佳化和能耗預(yù)測(cè)等應(yīng)用場(chǎng)景（圖1）。
| 圖1 : 運(yùn)用AI 自動(dòng)化機(jī)器學(xué)習(xí)（AutoML）平臺(tái)，如同企業(yè)有了「虛擬 AI 資料科學(xué)家」。（source：杰倫智能） |
|
以化工產(chǎn)業(yè)配方研發(fā)為例，運(yùn)用研發(fā)相關(guān)之配方與實(shí)驗(yàn)結(jié)果資料，上傳至AutoML平臺(tái)可以完成配方研發(fā)模型，透過(guò)該模型可以達(dá)到兩點(diǎn)效益：
一、快速瞭解到多配方（X）對(duì)多產(chǎn)品物化性的影響關(guān)鍵因子，藉此可快速瞭解影響各目標(biāo)之關(guān)鍵配方參數(shù)為何。
二、運(yùn)用 AI 模型進(jìn)行虛擬實(shí)驗(yàn)，透過(guò) AI 模型模擬調(diào)整不同配方參數(shù)，瞭解對(duì)品質(zhì)目標(biāo)之影響，可以減少實(shí)際實(shí)驗(yàn)組數(shù)，縮短時(shí)間、降低成本。
如何運(yùn)用 AI 的應(yīng)用來(lái)建模
在確認(rèn)客戶(hù)明確的需求後，開(kāi)始進(jìn)行下列的相關(guān)步驟，進(jìn)一步協(xié)助客戶(hù)進(jìn)行 AI 的解題與應(yīng)用：
【步驟1】匯整實(shí)驗(yàn)數(shù)據(jù)
客戶(hù)開(kāi)始整理過(guò)去實(shí)驗(yàn)數(shù)據(jù)，針對(duì)實(shí)驗(yàn)檢驗(yàn)結(jié)果（Y）與各配方用量（X），整理成結(jié)構(gòu)化，排列成 excel 或 csv 表格格式，結(jié)構(gòu)數(shù)據(jù)的格式如圖2所示。
| 圖2 : 按照 Y=F（X）的邏輯，結(jié)構(gòu)化的數(shù)據(jù)格式（source：杰倫智能） |
|
【步驟2】建立 AI 預(yù)測(cè)模型
將數(shù)據(jù)表格上傳至 Profet AI 的 AutoML 平臺(tái)，系統(tǒng)會(huì)先進(jìn)行數(shù)據(jù)的前處理，讓用戶(hù)可再次確認(rèn)數(shù)據(jù)的品質(zhì)，並了解每個(gè)特徵值對(duì)結(jié)果 Y 的相關(guān)性後，再將此數(shù)據(jù)集進(jìn)行自動(dòng)建模作業(yè)，人員簡(jiǎn)單確認(rèn)建模內(nèi)容、建模方案設(shè)定、開(kāi)始建模等三個(gè)步驟，即可實(shí)現(xiàn)全自動(dòng) AI 機(jī)器學(xué)習(xí)建模作業(yè)。
【步驟3】要因分析、模擬預(yù)測(cè)、參數(shù)最佳化推薦
在完成前兩項(xiàng)步驟之後，接著進(jìn)行後續(xù)的預(yù)測(cè)分析及模擬等項(xiàng)目。
1.要因分析：
Profet AI 的平臺(tái)建模完成後，透過(guò)系統(tǒng)得分找出最佳的 AI 預(yù)測(cè)模型，從預(yù)測(cè)模型中，可立即分析影響各別品質(zhì)的關(guān)鍵要因，並可依據(jù)權(quán)重排名，瞭解到成分改變對(duì)於目標(biāo)之影響。
2.模擬預(yù)測(cè)：
根據(jù)歷史數(shù)據(jù)建立的預(yù)測(cè)模型，研發(fā)人員可在平臺(tái)上進(jìn)行即時(shí)的參數(shù)調(diào)整模擬，研發(fā)人員可以調(diào)整不同配比由系統(tǒng)預(yù)測(cè)可能的結(jié)果，讓研發(fā)人員不須依照過(guò)去透過(guò)實(shí)品實(shí)驗(yàn)的方式，即可進(jìn)行事前的調(diào)參模擬預(yù)測(cè)，當(dāng)系統(tǒng)模擬出較佳的調(diào)整參數(shù)後，再進(jìn)行實(shí)際的參數(shù)調(diào)整與設(shè)定切換，大量減少人為調(diào)參時(shí)間與實(shí)驗(yàn)所帶來(lái)的不良成本。
3.參數(shù)最佳化推薦：
當(dāng)建立的預(yù)測(cè)模型準(zhǔn)確後，Profet AI 的平臺(tái)可反向讓研發(fā)人員設(shè)定期望品質(zhì)目標(biāo)，由系統(tǒng)推薦相關(guān)配方參數(shù)。結(jié)合領(lǐng)域?qū)＜疫M(jìn)行配方微調(diào)，在好的基礎(chǔ)點(diǎn)接上後續(xù)的產(chǎn)品研發(fā)，找到更多配方的可能性。
透過(guò)AI 技術(shù)能夠讓化工產(chǎn)業(yè)能輕易運(yùn)用於研發(fā)、製程、品管上的作業(yè)，並有效將老師傅經(jīng)驗(yàn)轉(zhuǎn)化成專(zhuān)家系統(tǒng)，讓使用者更加便利、快速地去活用，進(jìn)而找出問(wèn)題的癥結(jié)，進(jìn)行持續(xù)的改善。
最重要的是，當(dāng)大量且不同製程的生產(chǎn)數(shù)據(jù)可以透過(guò)平臺(tái)產(chǎn)生更多的價(jià)值之後，許多企業(yè)用戶(hù)發(fā)現(xiàn)，企業(yè)內(nèi)部已逐漸養(yǎng)成建立數(shù)據(jù)思考的文化，並培養(yǎng)了企業(yè)收集數(shù)據(jù)資產(chǎn)的習(xí)慣。當(dāng)這樣以數(shù)據(jù)驅(qū)動(dòng)並持續(xù)改善的文化深植時(shí)，企業(yè)將得以提升整體有形與無(wú)形的效益並增加獲利。
在化工產(chǎn)業(yè)，已有多家企業(yè)借助 Profet AI 的平臺(tái)產(chǎn)品和一天上手、一周落地的實(shí)踐方法論，進(jìn)行實(shí)際運(yùn)作。透過(guò)該平臺(tái)產(chǎn)品的協(xié)助，讓各企業(yè)與各職能的80%關(guān)鍵人才都能自主運(yùn)用AI。
當(dāng)前越來(lái)越多製造業(yè)導(dǎo)入AI，企圖利用 AI 打造競(jìng)爭(zhēng)力的戰(zhàn)略高地，佈局下一個(gè)五年的升級(jí)轉(zhuǎn)型。因此，有越來(lái)越多高階管理者異口同聲表示：「 AI 賦能已經(jīng)不是要不要做的問(wèn)題，而是怎麼將AI賦能應(yīng)用得比對(duì)手更快速、怎麼應(yīng)用得比對(duì)手更廣泛！」
*刊頭圖（source：杰倫智能）
