陳昶安、郭信良 / 工研院材化所
化工半批次製程因具備時間變數與反應-分離高度耦合特性，長期面臨品質變數取樣稀疏與動態模擬極易發散的核心挑戰。傳統商用模擬軟體於半批次高非線性動態系統上常遇數值收斂困難，使純資料驅動模型與軟感測器技術在歷史數據涵蓋有限時難以發揮作用。本文整理近期相關研究做法，並提出一適用於跨單元半批次製程的智慧化技術架構，其核心流程包含三大階段：建構多物理場動態模型作為虛擬工廠、利用虛擬實驗生成完整訓練資料，以及訓練代理模型實現線上即時品質預測。此技術路徑的關鍵突破，在於須將反應動力學、非理想氣液相平衡、傳熱傳質與變質量流體行為等高度耦合的複雜物理場成功納入動態模型中，並透過實廠數據嚴謹校驗以確保精度。以此物理模型為底座之技術框架，可在不增設高成本線上分析儀的前提下實現品質動態掌控，為半批次化工製程數位化提供強固之工程解方。
【內文精選】
化工批次製程痛點
化工產業正處於數位轉型與淨零轉型的雙重壓力之下。特用化學品、聚合物、精細化學中間體與生物製藥等產業長期以來以批次或半批次製程作為主要生產型態。其中半批次(Semi-batch)製程因引入連續滴加、除水蒸餾等進出料操作，具備反應器內質量與體積隨時間動態變化的時變存量(Time-varying Holdup)特性，其動態非線性程度與控制難度顯著高於傳統純批次(Batch)系統。此類製程的動態非線性與批次間變異，使得依賴人工經驗與離線分析的傳統品管方式，在面對智慧製造的要求時逐漸顯露侷限。關鍵品質變數如反應轉化率、產物純度往往需以離線取樣取得，分析等待期間動輒二至四小時。此期間內若反應軌跡偏離預期，往往需等到分析結果回報才被發現，此時批次可能已需重工甚至報廢，造成物料、能源與碳排的直接損失。這類「線上可測變數豐富、品質變數稀缺」的操作情境，在文獻中被稱為品質標籤稀疏(Label Sparsity)問題，也是化工批次製程(Batch Process)數位化難以克服的痛點。
軟感測器作為關鍵解方
軟感測器(Soft Sensor)技術是為此類問題所發展的成熟工程手段。其核心概念在於利用線上可即時量測的變數（如溫度、壓力、流量、液位、餾出物累積量等）透過模型來估測難以量測的品質變數，在不增設實體分析儀的前提下，提供近乎即時的品質資訊。近十年來，資料驅動型軟測量已於石化、聚合物、發酵與精細化學品產業獲得廣泛採用。然而純資料驅動軟測量需要豐富的數據庫做為訓練資料，在批次製程領域，品質標籤本身即為稀缺資源，且若廠端歷史批次資料涵蓋範圍有限，訓練出的模型極為容易失效。此外，有別於穩態連續式製程，批次與半批次製程之品質演變具有顯著時序與累積效應，無法僅依據即時儀表量測數據進行推估，必須整合整體製程操作軌跡及反應機制。因此，須以製程理論模型為基礎，結合後續建模架構，方能建立高精度且具穩健性的軟感測器。
圖一、混合模型Serial/Parallel結構(13)
批次動態製程模擬與混合建模技術演進
化工批次與半批次動態製程模擬的技術演進，可概分為三個階段。1990年代至2000年代，研究者以原理為基礎，透過反應動力學、質能守恆與氣液平衡等物理方程建立純物理動態模型。Bollyn與Wright於1998年即以精細化學品為案例示範反應批次蒸餾動態模型的完整建構流程，Kreul等人於1999年提出反應蒸餾動態模型的系統性架構，Bahar與Özgen則進一步以酯化系統示範反應批次蒸餾之狀態估計，共同確立了「反應-分離耦合動態模型」作為虛擬工廠的可行性。2010年代進入第二階段，隨著感測資料的累積與運算成本下降，資料驅動軟測量與結合物理模型與資料驅動的混合建模(Hybrid Modeling)逐漸成為主流方向。Sansana等人將混合建模區分為串聯式(Serial)與並聯式(Parallel)兩種基本結構（圖一），前者以物理模型輸出作為資料模型輸入或反之，後者則將兩者輸出加權融合以修正殘差；此二結構迄今仍為化工AI建模的標準分類框架。McBride與Sundmacher則系統性整理了化工代理模型(Surrogate Model)的通用工作流程，確立包含輸入空間定義、實驗設計採樣、高保真模擬執行、模型訓練與驗證的五階段方法論 ---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。