劉文堯、許智翔、游沛芷、張家宜 / 美華環境科技股份有限公司；鄭兆凱 / 桓達科技股份有限公司
本研究以彰濱工業區二期金屬表面處理專區所設置之酸鹼系廢水排放管為監測研究對象，藉由連續監測設備，分別從水量、水質方面分析，了解各工廠廢水排放特徵。首先，因週期性作業流程及休假日，可由計量分析掌握不同作業型態特徵，並針對其異常排放量之時間點進一步分析；同時以Facebook Prophet進行廢水排放量預測，結果顯示其具有良好預測能力。其次，各工廠依不同製程、電鍍液所產生之廢水均有不同特性，本研究彙整連續監測水質參數，以非監督式學習(Auto-encoder)進行污染溯源，利用非線性方式提取特徵後，再依照不同來源分類做為廢水污染溯源基礎；結果顯示可依據監測參數將各來源進行分類，研判可能的污染來源。
【內文精選】
廢水排放量分析及預測模型
1. 廢水排放特徵分析
廢水排放特徵分析在電鍍製程中，掛鍍為最常用的一種方式，其將零件懸掛於導電性能良好材料製成的掛具上，並浸沒於欲鍍金屬的電鍍溶液，其優點為適合各類零件的電鍍，但需逐個掛上處理，因此生產率較低，亦較費時費力；而另外一種方法為滾鍍，係將欲鍍零件置於滾筒中，將滾筒浸在電鍍槽內，利用滾筒轉動過程完成電鍍處理，與掛鍍相比最大的優點為節省勞動力，可提高生產率，但鍍件不宜太大或太輕。
本研究於各家工廠酸鹼系廢水排放管線裝設流量計進行長期連續監測，流量計監測記錄頻率為每10分鐘1筆。因監測頻率較密，長期監測下來，即可以了解其廢水排放特徵，且其排放特徵與工廠所使用的製程有關。
廢水污染溯源方法建置
1. 廢水水質相關性分析
以管理中心的角度而言，當監測發現有廢水水質異常時，必須知道是哪一家工廠所為，但礙於重金屬的水質連續監測設備相當昂貴，亦無法全面性地布設以進行監測。故本研究擬以容易進行連續監測之水質參數作為「污染指標」，建立水質參數與重金屬項目的關係，往後管理中心只要進行該水質參數之監測，即可以掌握重金屬污染物濃度是否有超標情形。
2. 廢水溯源方法建立
(1) 深度學習模型
由於水質參數間可能存在非線性上的關係，故本研究進一步以深度學習方法來建立其相關性。自編碼器(Auto-encoder; AE)屬於多層人工神經網路之非監督式學習(Unsupervised Learning)演算法，分為編碼(Encoder)與解碼(Decoder)。在編碼過程中，一般常見處理方式是將資料降維，用於學習輸入資料較強烈的特徵(Feature)；資料編碼後會進入瓶頸層(Bottleneck)，此時留下之特徵均有其代表性；最後解碼階段再將瓶頸層依照不同特徵將資訊轉換成一組有意義的資料，良好的自編碼器輸入與輸出資料會非常相近。此方法可以在瓶頸層取出資料特徵，並同時忽略部分雜訊(Noise)。可用於去除雜訊、偵測資料異常，另外依照不同目的，可搭配其他演算法執行資料生成之任務。
因此方法對於雜訊的敏感度較低，本研究認為適合彰濱工業區內特性。由於廠家之製程、原料、電鍍液均有固定組合，屬強烈特徵且不易被演算法忽略或捨棄，會在資訊壓縮過程後之瓶頸層被留下，若將此類特徵取出並在二維平面展開，可看出不同類型之廠家特徵，並有幾類明顯之分群，示意如圖六。
圖六、Auto-encoder特徵萃取流程示意圖
(5) 模型訓練成果
依前項水質參數資料模型訓練結果如圖八所示，由圖中資訊顯示，不同的顏色代表不同的工廠，而模型訓練結果可以將不同顏色區塊區分開來，意即，可以區別出不同的工廠。以A-6為例(咖啡色區塊)，其特性偏向整體左上，未來將4項水質參數資料輸入模型而落於此一區域時，則代表其廢水來源很有可能從A-6廠家排出；而在圖八中並沒有看見紫色區域，因其被橘色區域所覆蓋，研判此兩家工廠所使用的製程、電鍍液或是操作習慣很接近，故特徵相近而無法區隔開來。
圖八、水質參數資料模型訓練成果
圖八的模型訓練結果就像是工廠廢水排放特徵指紋，未來在廢水溯源的管理上，可於工廠排放管線或是重要的區位設置水質參數監測設備，同時監測EC、pH、SS及溫度，並將其監測結果放入已建置好的模型內，依其數據資料點位分布即可以判別是哪一家工廠所排放 ---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。