低碳智慧轉型數位技術於紡織產業之策略：材料世界網

劉雪涵、林順傑 / 工研院南分院；賴孝武 / 南臺科技大學化學工程與材料工程系

在《巴黎協定》2050年達成淨零排放目標的帶動下，各種工業開始關注排放量與思考減少碳排之解決方案。眾所皆知，過去紡織業排放了大量的二氧化碳，甚至超出了國際航空和航運等其他行業。然而現在紡織業已開始踏入綠能環保減碳，思考循環再利用之材料，隨著工業4.0興起，期透過智慧轉型數位化進一步達到減少碳排。

【內文精選】

供應鏈/全製程生產與實驗規劃低碳化

全球供應鏈結構導致大量的碳足跡生成，當前的供應鏈已經不再只是關於科技、庫存、配送中心或物流面向，如何有效減少碳排放量將是各家企業所面臨的課題。做法上除了持續導入精實管理，落實染整、織布、加工紗等生產流程合理化與標準化，以降低不必要碳排外，亦需從蒐集生產碳足跡活動數據來進行以低碳為上的派工規劃。考量原絲、加工紗、胚布庫存情況，分析供應鏈各廠產能、生產週期、生產良率、訂單對品質要求等，利用仿生AI最適解排程技術以碳足跡活動數據為基礎，同時納入品質為上、稼動率為上、達交率為上等多目標，動態調適最佳化低碳生產順序排程。於低碳生產條件上安排各產線生管至物流，避免停工待料，造成的時間及廢品損失，以減少額外的碳排，並可進一步提升產品達交率，有效管理供應鏈，達到「零」逾期處理與低碳生產成本。

產線作業智慧化

在紡織染整產線作業智能化應用發展上，已能整合染整化學專業知識、邏輯演算法及紡織廠實務與染整製程數據，建立聚酯與尼龍纖維後染製程條件分析與預測系統平台，以及後染尼龍纖維染整全製程成因分析與配方預測。不但成功分析了後染尼龍纖維各色群影響對色率的關鍵因子，並完成驗證技術建立，其模型推薦配方之模擬準確率至少可達90%以上；且對既有訂單顏色之配方準確預測，於業界實驗室驗證可提升整體一次對色率13%(以灰色為案例)，建立染整產線作業良率優化基礎。

產線作業良率優化除可降低碳排外，其他如以成衣馬克系統作業最佳化為例(圖三)，其目標為提高用布率、減少馬克張數，故用布率提升至9成以上，提升產能降低餘布的同時，亦能降低碳排。集中各種Size於馬克中的配比，同件同布各種版型需排於同一張馬克中，排版時需考量方向性，如件順、批順，屬同件成品的衣料部件應排於同匹原料布，以及屬同件成品的衣料部件旋轉角度應相同等；之後便可將成衣排版轉換為最佳化問題，Strip Packing Problem (SPP)最佳化問題的三個層次為：解決限制式難以數學化的問題No-fit Polygon (NFP)、Bottom-left Heuristics (BL)、啟發式最佳化演算法(GA、PSO等)。

圖三、成衣馬克系統作業最佳化

設備永續維運智慧化

Accenture科技展望報告針對預測性維護所作的分析指出，製造業者導入預測性維護預估可減少50%的機器故障時間以及70%的故障機率。例如：紡織業產線加工紗後的馬達群中，關鍵零件常會輪流損壞，每次壞就得停機將紗卸下，很耗時間；在染整製程中，雖有SOP進行定期染機保養，但仍會發生無預警故障，維修也是等到壞了才修，現場需花時間釐清是機械因或機電因。智慧化方案發展僅需先蒐集正常運轉狀態數據，即可建立模型，為一種描述式監診，關注「逐漸轉變為不健康的過程」，達到預防保養目的；其次，搭配非監督式人工智慧演算法，由歷史數據自動決定最佳模型參數，提供綠、黃、紅燈號，預測設備健康狀態指標，以及參數控制靈敏度與可信度，為一種預知型監診；最後，因應實際場域需求調整，可於異常發生時診斷變因及因子變異之機率值，為一種診斷型監診。

另外，紡織業屬勞力密集型工業，隨著設備老舊、勞工年紀變大等因素，生產效率將逐漸下降。透過認知型流程機器人(Cognitive Robotic Process Automation (RPA))發展，有機會作為既有各設備之間的簡易介面，能在不大幅改變原有SOP的前提下增加原產線或作業的效率，打造紡織智慧流程自動作業，轉型紡織業數位勞動力。此外，為協助遠距零接觸之減碳作業，亦可透過「遠端自動操作」功能集中重要作業再由後台專人管理，使現場人員不用長期穿梭於機台之間就能處理，可專注高值工作(圖六) ---以上為部分節錄資料，完整內容請見下方附檔。