設備安全評估AI系統開發平台：材料世界網

黃挺瑋、曾振韋 / 工研院材化所

設備安全評估一直是電廠與石化廠的重要議題之一，為此，專家們使用各種技術，試圖保障廠內的營運安全。近年來，得益於人工智慧(AI)的快速發展，專家們也多了一種工具用於設備安全評估。欲使用AI分析問題，需要機器學習相關的領域背景，但顯然不是每位領域專家都具有機器學習或AI相關的專業知識，因此，如何讓非機器學習領域的專家們能快速建立完整的AI流程是被受關注的議題。工研院材化所建立了一個設備安全AI系統開發平台，提供非機器學習領域背景的專家們能以最簡單的方式建立AI評估流程，快速完成設備安全的評估工作。

【內文精選】

前言

近年來，隨著CPU、GPU等硬體設施的進步，AI得以蓬勃發展。由於AI能夠根據擁有的資料不斷自我調整、進步，模仿人類找到事物的規律，甚至做出決策，因此，專家們都開始利用AI解決場域應用的各式問題。通常我們聽到使用AI計算某個問題時，都需要先「訓練AI模型」，再利用訓練好的模型計算出所需的答案。所謂「訓練AI模型」，就是在大量的資料中尋找規則，以不斷疊代更新資訊的方式，記錄目標可能發生的機率或數值，而AI模型就是儲存這些權重的檔案。因此，如果擁有越大量的資料且進行越多次訓練，理論上，這個AI模型會更接近真實。實際從零開始訓練一個AI模型，從最初的資料蒐集，到後續的資料處理(Data Processing)以及模型的訓練，無一不耗費大量的成本。因為整個流程除了需要大量的資金和時間，更需要擁有機器學習領域背景的專家。如果該專家對於問題本身的領域不夠熟悉，在資料處理時又顯得稍有不足，但同時具備專業領域背景和機器學習領域背景的專家卻是少之又少。因此促使了無程式碼人工智慧平台(No-code AI Platform)的出現，例如Cloud AutoML、Azure等商用平台，其主要宗旨是能夠讓非機器學習領域，甚至是非資訊工程領域的專家也能利用手邊現有的資料，搭配人工智慧技術解決問題。

此類型的平台強調無須撰寫程式碼，且大部分都提供視覺化操作介面及工具，讓使用者能快速建立訓練AI模型的流程，達到初期評估問題的功效。但唯一的問題是目前市面上的平台大部分都只提供簡單的資料輸入，例如表格資料的輸入，鮮少提供資料處理的工具。然而，資料處理卻是AI模型訓練過程中非常重要的步驟之一，當訓練用的資料不具代表性或有資料缺失等問題，即使擁有再多資料，進行再多次的訓練，最後訓練出來的模型也不具有代表性。

設備安全AI系統開發平台

工研院材料與化工研究所開發的「設備安全AI系統開發平台(AISIA)」，提供時序資料的輸出入、資料視覺化展示、多種時序資料處理方法、設備資料處理方法、AI模型訓練及部署等功能。透過使用者操作介面，研究人員能在不撰寫任何程式碼的情況下，完成資料處理及AI模型訓練，降低AI模型訓練流程難度並增加工作效率。AISIA可處理多種領域的資料，如聲學、光學、力學等，透過程式中提供的工具建立AI模型訓練流程。除了讓對於資料處理方法不熟悉的研究人員能快速處理資料外，也能夠讓專業資料處理人員擁有更多資料處理的選項。可透過使用者操作介面，搭配滑鼠及鍵盤的使用，直接修改資料內容，資料處理過程更直觀，且能讓使用者掌握每一次處理的過程。

圖二、AISIA程式流程

3. 實際案例展示

本案例以台灣某石化廠之設備為例，製程中若特定鹽類的產出過高，除了對後續製程造成影響外，更嚴重的是會對設備造成腐蝕，進而加速耗損設備的壽命，因此須找出何種原因造成此鹽類之產出以及產出鹽類的濃度，並尋找對應的處理方法，如添加藥劑或降低輸入總量等。綜合以上說明可知，此問題應屬於回歸問題，所以應建立回歸型AI模型預測鹽類的產出，用以分析後續對於設備的損傷情形。

普遍在石化製程中，除了原物料的成分存在差異性外，製程系統的控制變因眾多，光是有數據的部分，就多達60幾種，因此我們無法透過簡單的方法準確得知後端精煉產品的品質。此時，我們即可使用AISIA建立一個回歸型AI模型，使AI由操作參數以及產品特性找出其中的相關性 …以上為部分節錄資料，完整內容請見下方附檔。