王淑麗、郭育勝 / 台灣中油公司煉製研究所
隨著科技智慧的發展，影像辨識技術能力也越來越成熟，影像辨識領域是近年來深度學習最蓬勃發展的一塊，透過參考各種圖像和影片資料，讓AI系統學會辨識人物、地標及各類生物。經過訓練的AI系統可以找出影像中具辨識性的特色，然後與成千上萬張的其他圖片相互對照，準確辨識圖片內容並加上標註。影像辨識系統可應用在影像分類、物件偵測及物件追蹤等功能，透過此技術可以取代人工目測辨識的工作，提升處理速度。其運用在石化業能避免工安人員巡查的死角及降低工作負荷，確保工廠人員安全，提升工安品質。影像辨識也能應用於預知保養功能，透過電流故障特徵頻譜偵測，於2分鐘內便能對1台轉動設備進行檢測，及早發現不穩定狀態設備，在設備異常前即可進行維修汰換，降低設備非預期故障率，提升產線產能。
【內文精選】
智慧工安
意外災害事故的發生，通常因在不安全的環境下與不正確的操作動作所造成，若能重視工廠的管理、設計與安全衛生的各項規定，並加強操作人員的教育訓練，則能有效改善不安全的職場環境及遵守正確操作的程序，以降低意外發生的機率。一般來說，化工產業在工安巡檢方面，多數仰賴人員肉眼巡檢異常狀況，但單靠人員巡檢偌大的廠區，不僅耗時費力，且易有工安死角，造致危害無法及時發現等風險；若能搭配AI影像辨識系統，則可全方位即時監控廠區內的高風險區域，當危害發生便能即刻處理。
預知保養
1. 馬達電流頻譜分析
煉油廠及石化廠的壓縮機及馬達配置多達上萬台，僅南部一個煉油廠即有共約6,000組馬達，每年估計保養700~800組，大約7~8年才可以保養一輪，且一年維修保養費用高達新台幣5,900萬元。因為馬達數量眾多，常常一年下來，有保養的馬達沒有故障，但沒有保養到的馬達卻發生突發性的故障，造成工場降煉量，或者影響工場開爐，甚至導致非計畫性停爐；如果保養到「對的」馬達，可能就可以避開突發性的故障。使用轉動機械電流頻譜新技術，預知即將故障的情況或部位，可預先保養有狀況的關鍵性馬達，有效避免馬達突然故障事件，甚至防止非計畫性停爐。目前馬達保養策略，通常會挑選大家認為最需保養的馬達來進行，如馬達有高震動現象、運轉時間較久或有異常徵兆等，此外重要工場與較重要的馬達也是優先保養的選項。
目前評估最可行、簡易、價格便宜的壓縮機及馬達預知保養技術，應屬電流頻譜方式，利用勾式電流夾(CT)感應環繞於馬達控制中心的電源線或方便測量的電纜，馬達的各種狀況會在電流的頻譜上呈現，就如同利用心律檢測儀測量心臟脈動，以心電圖來判斷是否有心律不整等病兆的概念。
2. 系統特色—AI圖像辨識
神經網路由神經元堆疊而成，最基本的神經網路有三層：第一層是輸入層、第二層是隱藏層、第三層是輸出層。實際上，神經網路非常簡單，就是多個神經元的堆疊，這種網狀的拓展結構具備一定的智慧能力，所以給它一個名字—神經網路(圖十一)。我們可以構建一個神經網路，這像是人腦中神經元運行的極簡版本，圖中每個小點都是一個神經元，這些神經元以層為集合單位被關聯起來，從那些我們所看到的圖片，到我們所能理解的輸出。
圖十一、深度神經網路
在人工智慧的電腦中，最常見的應用包括影像分類、物件偵測、像素級物件影像分割，其中以物件偵測的應用範圍最廣。2013年Ross B. Girshick將CNN引入目標檢測算法R-CNN，這是基於深度學習目標檢測算法的開山之作；近年來物件偵測的算法不斷推陳出新，從最早的二階式(R-CNN、Fast R-CNN、Faster R-CNN)高精度算法，演變到現在一階式(YOLO、SSD、R-FCN)高效算法。在這之中，以2018年推出的YOLO (You Only Look Once)系列最受大家普遍使用，華盛頓大學在2018年提出YOLOv3，其檢測速度有很大提升，一般YOLOv3比R-CNN快1,000倍，更比Faster R-CNN快100倍。
YOLOv3是非常普遍及高效的物件偵測深度學習模型，就是要多花一點時間取得夠多的影像，並仔細地進行標註及長時間訓練。本論文利用YOLOv3，可有效從上萬台轉動機械中，藉由電流頻域圖檢出故障特徵頻譜，以達預知轉動機械將故障的目的，減少非計畫性停爐。
本技術建立頻譜圖辨識資料集的四步驟，可用圖十三加以解釋 ---以上為部分節錄資料，完整內容請見下方附檔。
圖十三、本技術建立頻譜圖辨識資料集的四步驟
★本文節錄自《工業材料雜誌》446期，更多資料請見下方附檔。