李安 / 陽明交通大學環工所；周珊珊 / 陽明交通大學環境科技及智慧系統研究中心；張力夫、莊尚文 / 研華股份有限公司
本研究針對欣興電子印刷電路板(PCB)廠化學混凝廢水處理程序設計智能處理模廠，並開發智能混凝加藥系統。PCB廠常因製程運作複雜，產生之排放廢水水質不穩定，使得廢水處理系統需要相當程度操作管理成本支出。由於工業4.0概念興起，人工智慧物聯網(AIoT)架構開始引入工廠相關系統，提升管理與生產效率。本研究開發AIoT混凝實驗模廠，並至欣興電子驗證模廠之AI模型決策效能狀況，研究成果顯示，AIoT智能控制能達到現場水質之穩定控制與精準控制，間接節省系統成本支出。
【內文精選】
AIoT化學混凝除銅程序架構
本研究化學混凝除銅程序，其處理單元依序分別有：快混槽、第一pH調整槽、第二pH調整槽、慢混槽與沉澱槽。感知層部分於程序單元裡部署水質感測器，收集程序中水質條件作為人工智慧模型訓練之母體資料。於快混槽架設溶氧(Dissolved Oxygen; DO)感測器、氧化還原電位(Oxidation Reduction Potential; ORP)感測器與pH感測器；第一pH調整槽與第二pH調整槽則分別架設pH感測器；另外架設濁度與銅離子感測器槽體監測出流水水質條件。
邊緣運算層為資料分析、人工智慧模型運算與相關圖形介面結果呈現。本實驗模廠使用的邊緣運算主機為研華科技IWS-43A智能水處理方案主機，軟體內建WebAccess圖形控制介面、WISE-PaaS圖形介面與Data AI人工智慧模型管理介面等。透過程序邏輯操控，使用者得以於WebAccess圖形控制介面操作設備相關參數與讀取數位和類比訊號；WISE-PaaS圖形介面可讓使用者自定義並編輯重要資訊於介面上，一目了然現場即時狀況，例如：水質條件變化趨勢、當前類比或數位數值與監視影像畫面等；Data AI提供使用者管理人工智慧模型儲存與調用，同時可查看模型相關評估指標，如：均方誤差(Mean Square Error; MSE)、均方根誤差(Root Mean Square Error; RMSE)與平均絕對誤差(Mean Absolute Error; MAE)等，上述系統架構如圖一所示。
圖一、AIoT系統架構圖
數據前處理
模廠設置於實廠收集現場水質狀態，收集的水質條件有pH值、DO、ORP、濁度與進出流銅離子濃度。其程序目標為有效去除銅離子濃度，因此快混槽、第一pH調整槽與第二pH調整槽之NaOH加藥量，為控制最適pH範圍有效沉降氫氧化銅之關鍵。因此加藥操作參數需與上述水質條件一同作為模型訓練特徵。
欲進行模型訓練之特徵資料需事先進行預處理，否則會「Garbage In, Garbage Out」，若以無效的資料輸入，輸出之模型也較難落地應用。現場收集之數據集屬於時序資料，以每秒收集一筆水質與設備數據，常見需進行資料預處理之狀況為有缺失值與異常數值發生時，需進一步進行預處理。
缺失值狀況發生的常見原因為電力故障或感測器故障。由WISE-PaaS圖形介面可觀察水質參數的趨勢變化，如圖二紅圈為現場電力故障時顯示之畫面。資料缺失之時段不予以採用，避免模型訓練時增加誤差。而異常數值則經常發生於瞬間突發之極值，處理手段以使用鄰近時間區段為參考，取其平均值合理取代之，並作為下一步模型訓練之母體資料。
圖二、資料缺失狀況
Data AI模型部署
研華科技Data AI人工智慧模型管理平台透過資料庫擷取水質大數據，作為人工智慧演算法訓練之母體。嘗試以決策樹、隨機森林、XGBoost與LSTM等模型，評估其MSE、MAE、RMSE與R2後，落地驗證其即時效能。
將母體資料進行資料預處理，已排除資料缺失與極端值現象。首先進行機器學習演算法之決策樹、隨機森林、XGBoost迴歸器迭代訓練。透過Data AI預設條件初始化模型參數，並將訓練資料進行正規化，接著迭代逼近各模型最適上述評估指標。已訓練之模型可藉由使用者經驗判斷進行篩選使用；同時，Data AI也可以選用深度學習演算法LSTM模型，如同上述模型訓練步驟，讓使用者多元選擇。
機器學習演算法模型決策樹之MSE：0.37、MAE：0.51、RMSE：0.61與R2：0.23；模型隨機森林之MSE：0.55、MAE：0.60、RMSE：0.74 與R2：-0.12；模型XGBoost之MSE：0.52、MAE：0.57、RMSE：0.72 與R2：-0.08；模型LSTM之MSE：0.10、MAE：0.19、RMSE：0.32與R2：0.78。由上述結果可知，模型隨機森林與XGBoost之MSE、MAE、RMSE指標效能皆優於決策樹，但其R2皆為負數，顯示模型擬合程度可能不佳 ---以上為部分節錄資料，完整內容請見下方附檔。
★本文節錄自《工業材料雜誌》440期，更多資料請見下方附檔。