夏遠斌、王聖潔 / 工研院材化所
在淨零轉型與節能減碳的趨勢下，能耗高的蒸餾分離已成為石化與化工製程節能的重要議題。然而蒸餾製程具多變數耦合、長時間延遲及品質難以即時量測等特性。當進料組成、環境溫度或操作負載改變時，傳統PID控制只能於品質偏差發生後進行修正，實廠需保留較大的操作安全裕度而難以維持於低能耗狀態。本文彙整國內外AI軟感測器、時序預測及AI操控之產業應用案例，並介紹工研院材化所發展之物理模型與AI混合建模方法。IPA脫水蒸餾測試結果顯示，導入AI動態操控後，產品品質與目標值之平均絕對誤差較PID回饋控制降低64.2%，顯示本技術可有效提升高純度蒸餾製程之品質穩定性，並為後續節能最佳化提供基礎。未來仍須透過長時間連續運轉，進一步驗證模型可靠度與整體節能效益，並建立可信度監測、操作限制及異常切換機制，以兼顧製程安全、品質穩定與能源最佳化。
【內文精選】
工研院材化所的AI技術開發現況
1.基於物理訊息之軟感測器建構
前期技術主要利用物理模擬數據建立預訓練模型，再以少量現場資料進行遷移學習，修正模擬與實際製程間的差異。近期則依據現場數據量與物理模型可信度，進一步發展兩種混合建模路徑。如圖一所示，當製程機理完整但現場數據不足時，由AI估測儀表偏差、分離效率及設備效能等隱藏參數，再由校正後的物理模型推算產品品質。當共沸、萃取或反應蒸餾涉及原廠專有配方與操作資訊，使物理模型準確度受限時，則利用現場數據修正模型偏差，並透過機率式模型提供品質預測值與可信區間，作為品質安全裕度與操作限制設定之依據。
圖一、混合模型之軟感測器建置模式
2. 動態操控最佳化技術
為使動態操控(Dynamic Control)能夠因應環境溫度、進料組成及製程負載變化等外部擾動，控制器除了掌握目前製程狀態外，亦須預測關鍵製程變數及產品品質於未來一段時間內的變化趨勢。然而，實際化工製程多缺乏即時組成分析儀，產品品質通常仰賴定期取樣與實驗室分析。此類資料不僅取樣頻率低，亦具有取樣、輸送及分析延遲的問題，因而難以直接建立可描述品質動態變化的軟感測器。
圖二、AI動態品質預測與控制流程
如圖二所示，本技術首先利用DCS中每秒或每分鐘記錄的溫度、壓力、流量及熱負荷等高頻時序資料，透過時序預測模型(GRU Encoder-Decoder)預測關鍵溫度與製程狀態的未來變化趨勢。再將預測所得之動態特徵，結合物理模型輸出及經停留時間與化驗延遲校正之品質數據，建立物理結合品質預測模型，推估未來產品品質及其變化趨勢。模型控制可依據預測的品質趨勢，在產品規格、設備能力及操作限制下，計算回流量、蒸汽用量及塔頂抽出量等操作設定值，使控制系統由傳統的事後品質修正，提升為可預先因應擾動的預測控制。
圖三、人工操作、PID控制與AI智慧控制之品質分布示意圖
如圖三所示，相較於人工經驗操作及傳統PID控制，智慧模型控制可將產品組成更集中地維持於目標規格附近。智慧模型控制利用未來品質趨勢同步協調多項操作變數，使產品品質分布更集中、變異程度更低，並降低接近品質下限或產生不合格品的風險。此一穩定化效果亦可縮減過度保守的品質安全裕度，使製程在符合產品規格的前提下，更接近能源與產量的最佳操作區域 ---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》477期，更多資料請見下方附檔。