夏遠斌、劉彥君、王聖潔 / 工研院材化所
隨著全球氣候變遷與永續發展的壓力日益加劇，化工產業作為高能源消耗與碳排放的重要來源，其節能轉型成為當務之急。人工智慧(AI)技術應用於化工製程節能方面，能從大量製程數據中提取關鍵特徵，實現製程控制、異常診斷與能源最佳化。透過國內案例顯示，AI在製程優化、節能減碳與工安管理方面已展現顯著成效。工研院材料與化工研究所亦以混合模型結合實體模擬與少量現場數據，開發具實用價值的生產優化及設備失效預測模組。本文最後提出一套可應用於不同化工場域的AI節能技術架構，並針對數據取得困難、模型信賴性與跨領域整合等挑戰提供因應對策，期望推動化工產業實現智慧化與綠色永續雙重目標。
【內文精選】
數位雙生的建模
數位雙生建模分為第一原理模型(白箱模型)、數據驅動模型(黑箱模型)和混合模型(灰箱模型)三種方式。白箱模型是一種基於質量與熱平衡、各類化學與物理方程式所建立的模型。白箱模型通常假設系統處於理想的穩態條件，難以涵蓋質量不平衡、設備效能與物理模型誤差等複雜的情境。其次，建構模型需對化工流程具備深度的專業知識，在建模時會消耗大量的計算資源。即使嘗試修正上述模型偏差，當操作條件發生干擾時，模型仍需持續更新，將導致更高的成本。
工研院材化所應用於化工製程AI技術開發現況
1. 基於物理訊息之AI模型
開發技術流程分為生產/能源效率優化與設備失效預測兩大模塊，如圖一所示。生產/能源效率優化模塊是以現實操作數據與流程圖為基底，運用製程模擬方法來建構符合現實條件的物理模型。再依據預先設定的模擬範圍生成大數據，並建立預訓練模型(降維物理模型)，以學習操作參數與品質變數之間的關聯；接著，透過少量現場數據運用，如：遷移學習技術，來解決模型與現實數據間的不匹配問題，以利得到更符合實際操作條件之AI強化模型。該模型不僅能提供預測產品組成/設備效率的製程軟儀表(Soft Sensor)功能，亦可透過最佳化搜尋技術，找出模型最適操作參數。
圖一、數位雙生技術模組的流程
2. 實際應用案例
(1) 雙效蒸餾製程
雙效蒸餾是一種利用兩個蒸餾塔的冷凝器與再沸器之間進行熱整合的節能技術，如圖四所示。高壓塔的塔頂氣相物流作為低壓塔的塔底再沸器熱源，因只需提供高壓塔的再沸器能耗，因此可節省不少能源。由於兩塔的連動，使得操作條件會互相影響，在產品符合規範的情況下，系統存在著使蒸汽使用量是最小的最佳操作條件；當製程偏離最佳操作條件，若兩塔的產品純度高於需求，雙效蒸餾的節能效益會打折扣，這時將具有節能優化的潛力---以上為部分節錄資料，完整內容請見下方附檔。
圖四、雙效蒸餾的架構流程
★本文節錄自《工業材料雜誌》462期，更多資料請見下方附檔。