高豐生、陳怡真、顏志穎 / 工研院材化所
傳統化工製造產業要跨過工業4.0的門檻，需要建構能夠符合經驗的監測系統，以及智慧化的分析技術，才能將傳統的經驗數位化轉型。另外，應付多變因的連續製程，製程分析技術顯得格外重要。本文將介紹幾種常用在化工製程的光譜監測技術，可以進行材料化學狀態監測。而視覺感知量化也是數位化轉型的重點之一，工研院目前正著重於整合新開發的線上機器視覺辨識及智能化的AI數據分析平台，導入各個應用領域，協助產業進行數位化轉型。
【內文精選】
前 言
工業4.0 (Industry 4.0)是各製造產業希望達成的願景。物聯網技術蓬勃發展，已經解決了資訊傳輸的問題，然而仍存在許多無法順利轉型的產業，這類的產業大多是靠著人類感知方面的經驗，以及長期經驗所延續的傳統工法技藝，這類的技術要如何變成數據，得以和物聯網技術串接，是數位化轉型的一大挑戰。少子化衝擊持續蔓延，以傳統化工產業為例，24小時排班的連續製程，近十年內將會漸漸找不到人力。人因差異、智慧化、無人化、節能系統是目前傳統製造產業要跨入工業4.0的巨大門檻，在工業4.0、無人工廠、節能減碳等大環境驅動下，企業被要求提出永續經營相關的方案，技術傳承與數位化在傳統產業是勢在必行的趨勢。要達到這樣的目標，智慧化的監控是各大企業必備的技術。
AI數據分析平台
由於沒有一套分析流程或設備可以完全適用於每一種化學產品的製程，製程相關的分析技術與軟體就顯得更加重要。2004年，美國食品藥品管理局(FDA)發布的「工業指南」推廣將製程分析技術(PAT)/質量控制(QbD)概念導入創新藥物開發與製造，目的是為了確保藥品具有高產率與高品質。
工研院材料與化工研究所現正導入新的AI機器學習平台，名為MACSiMUM。這是一個線上平台，透過註冊使用，各個行業可以將製程參數與產品特性，在此平台內進行演算法的運算，獲得最佳的製程參數。MACSiMUM平台是目前國內相當簡單的使用者平台，完全不需要寫程式，只需要上傳數據之CSV檔，進到平台網頁內後即可使用。使用流程如圖一，將其經由CSV Reader讀取後，可以選擇數據為輸入(Input)或輸出(Output)選項；之後設定類神經網路，可以選擇Hidden Layer的層數與個數，經過適當的選擇之後，即開始進行運算；訓練結果會顯示在訓練模型(ModelTraining)中，並可以由Training Loss與Testing Loss看出此模型的訓練是否成功。訓練完後的模型，可以在雲端上進行製程結果的預測，是相當便利的功能；同時可以藉由客製化服務的方式，部署在產線的電腦上，進行即時預測。
圖一、MACSiMUM AI平台應用在金屬含量定量
適用於線上製程監測的檢測技術
檢測技術若要運用到線上製程，最容易實現的是使用光學技術，因為光學可以達成非接觸式的檢測，且檢測面積可大可小，並且可以反映出各種材料的型態結構與材料本質特性。最常見的是光學影像技術，固定型態的產品可以利用自動光學檢查技術(AOI)，此技術已經發展近二十年。另外，光譜檢測技術也是最容易實現在製程線上的檢測方法，原因在於光學感測速度可以在幾毫秒之間，以特定的波長照射待測物，不同材料會因為化學結構、官能基等的差異，針對特定波長產生吸收或放射，可以從光譜儀上看出譜線的特徵峰值，進而判斷材料的反應狀態。本文將以工研院目前的幾個案例，介紹各種適用於線上製程監測的檢測技術。
3. 影像辨識
電腦視覺技術在近年來發展迅速，許多產業皆透過電腦視覺來達到自動化，以提高生產效率與降低成本。本研究團隊目前將機器視覺(Machine Vision)辨識技術，導入化工製程中的即時監測。以結晶製程為例，過去文獻使用插入式CCD拍攝晶體形狀(圖六)，並使用機器視覺辨識判斷製程終點，但插入式的CCD可以偵測的區域為探頭前端聚焦的區域，範圍小而不適用在量產結晶槽內，且容易被結晶固體汙染…以上為部分節錄資料，完整內容請見下方附檔。
圖六、插入式CCD拍攝晶體形狀
★本文節錄自《工業材料雜誌》419期，更多資料請見下方附檔。