• Tukey VQP (即時品質虛擬量測)：回焊製程焊接強度虛擬量測
  透過即時虛擬量測技術，幫助回焊製程優化焊接強度，確保產品品質穩定，減少重工率。
• Tukey OP (生產節能最佳化)：冰水系統節能最佳操作
  以節能算法最佳化冰水系統操作組合，每年節省預估可高達 20% 的能源消耗，並顯著減少碳排放。
• Tukey PHM (設備異常預警)：泵浦設備異常預警
  提前三個月檢測到泵浦軸封洩漏風險，幫助企業降低突發性停機帶來的損失，提升設備運行穩定性。
• Tukey GPT：設備保養 AI 知識庫
  將老師傅的經驗透過 AI 技術轉化為可搜尋、可對話的知識庫，提供現場人員即時診斷建議與維修步驟。

Chimes AI 的執行長謝宗震博士表示：「我們以『AI 智慧製造實踐，加速永續 ESG』為核心理念，致力於提供創新的解決方案，幫助企業實現高效能與永續目標。」

在研討會中，Chimes AI 分享了這些技術如何幫助企業提升效率並降低營運風險，並以具體案例展示成果。透過 AI 技術的應用，製造業不僅能迎接智慧化升級的挑戰，更能在全球永續轉型中扮演關鍵角色。未來，也將持續探索 AI 技術在更多領域的應用，推動整體產業的可持續發展。

如需了解更多 Tukey 產品導入方案或邀約線上產品演示，請造訪公司官網：www.chimes.ai

The post Chimes AI 展示四大產品，助力智慧製造實現零停機與永續發展 first appeared on Chimes AI.

面對國際與台灣都喊出淨零碳排，國發會公布的淨零路徑圖針對製造業也提出三大面向：製程改善、能源轉換、循環經濟。Chimes AI 詠鋐智能長期發展 AI 專案落地技術，其執行長謝宗震博士表示，考量製造業營運狀況，提供給非程式開發者友善的操作介面，協助企業自行導入 AI 系統，也可同時達到節能減碳、降低耗能與耗材，落實企業 ESG 目標。

台塑智慧監診經驗

石化業屬於高資本與高技術密集產業，高度仰賴自動化，台塑在 2019 年逐步導入智慧診斷，使用感測器偵測，並透過 AI 掌握設備的風險。台塑保養中心鄭琦聰組長以中醫脈診、西醫聽診與會診診斷，比喻傳統設備監控系統與智慧診斷系統的差異，他表示過往設備異常診斷著重經驗研判，針對各點位分別管控數值異常，但智慧診斷著重資訊關聯性，以多參數分析，如同透過 AI 與多位專家協同診斷。

鄭琦聰表示，台塑初期自行發展的 AI 模型面臨缺乏維運整合介面及有效管理機制，導致模型偏差時，無法適時迭代更新。後來台塑與 Chimes AI 詠鋐智能智能合作，導入 MLOps 技術，整合 ML 機器學習、Dev 開發、Ops 維運，讓三個團隊能藉由一個標準化作業介面共同快速量化產出 AI 模型。

透過智慧診斷，廠內繁複機台設備，什麼時候檢修、什麼時間停機，都不再只靠老師傅的經驗，有了最佳化適時保養，也將耗能與耗材降到最低。甚至，對於企業人才斷層與擴廠徵才的難題，得以緩解。長期而言，協助企業做出永續決策。

企業以 AI 推動 ESG 的挑戰

謝宗震表示 AI 技術在製造業者推動 ESG (永續經營) 過程中扮演重要角色，包含以下應用場景：

1. 能源管理，例如用電統計與 KPI 管理、電量預測與卸載控制、碳盤查與碳排放統計。
2. 廠務節能，例如空調系統、空壓系統節能優化、廢水處理效能優化。
3. 預防保養，例如轉動設備剩餘壽命預測、冰機設備異常診斷。
4. 製程優化，例如製程配方模擬優化、產品製程異常監測。

謝宗震也是台灣人工智慧學校講師，過去協助國內外多家製造業打造 AI 系統，從而累積了大量的建構經驗。他表示在 AI 專案導入過程中製造業者都會面臨不同挑戰，導入的痛點可從前、中、後三個階段來看。

1. 導入前企業常不知為何而作，即便確實釐清重點與系統建構意義，但往往難以找到合適的 AI 系統商。
2. 除此之外，企業也會擔心導入過程中製程機密被合作的系統廠商外洩。在導入階段，由於 AI 與工廠製程分屬兩大專業，雙方需要耗費大量時間溝通，才能讓 AI 架構要完全貼合產線需求。
3. 當所有問題解決，系統順利上線後，企業會發現每當製程有所調整，既有的 AI 設定就會因產線改變、設備更新而衰退甚至失效，必須請當初的系統廠商持續調校，由於過程繁瑣，不少企業會因此逐漸棄用 AI，回歸過往作業模式。

AI for ESG 的最佳實踐

有鑑於此，謝宗震認為唯有將 AI 技術賦能予現場端，才能讓 AI 系統真正融入製造業的生產環境中。故成立 Chimes AI 詠鋐智能，透過破壞性技術創新，開發出以工具思維建構的 AI 解決方案，以簡易好用的介面與操作模式，將 AI 建模權責交給最了解製造場域需求的產線工程師，即便日後製程改變、設備更新，也可以迅速調整架構，透過持續進化，讓系統可用性最大化。

Chimes AI 詠鋐智能的 AI 解決方案已被台塑用於設備智慧監診管理，解決機台無預警停機問題。試用階段獲得成功後，台塑決定大舉導入，由設備保修人員自行建置 AI 模型，在 3 個月內推廣至旗下 20 處廠區，其系統可提前偵測設備開始劣化、穩定劣化、加速劣化、趨近故障等狀態，大幅降低產線無預警停機所產生的廢品、環境與工安風險。

詠鋐智能以 AI 工具為企業員工賦能的模式，有效地提升人均生產力，降低失敗風險，讓 AI 系統真正融入製造業的生產環境中，真正為產線工程師解決問題，從而提升產線效能，務實踏上企業永續發展之路。

簡報下載

如果讀者對於 Chimes AI 與台塑合作的成功案例想做更深刻的了解，歡迎透過以下連結閱覽我們在 2022 Taiwan AI EXPO 的論壇簡報 (需先輸入企業聯繫信箱使得閱覽檔案)。

Chimes AI | AI 驅動永續經營， 以設備智慧診斷為例

The post AI 助企業 ESG 一臂之力，台塑智慧診斷改善製程並減碳 first appeared on Chimes AI.

在訪談中謝執行長提到，傳統產業善用新興科技至關重要，透過人工智慧監診機制，能夠有效地針對異常設備提前預警，避免工廠在發生無預警停機時造成的公安意外或環境汙染。

談到如何實現 AI 落地，謝執行長分享了一個有趣的心法「對齊動機」。當我們想要在某個組織內部推動某件事情，首重對齊利害關係人的動機，以設備智慧監診為例，對設備保養工程師而言，這個方案有效減輕工作負擔；對廠務主管而言，這個方案有效降低管理風險；對於經營者而言，這個方案能有效提升生產效益。當立各個利害關係人的需求被對齊後，AI 應用方案當然會順利落地。

在 ESG 浪潮風靡全球之下，謝執行長也提出 AI 發展的問題點，目前頂尖的 AI 研究，譬如自然語言 (NLP) 模型訓練成本高達數百萬美金，其碳足跡相當於波音客機飛行紐約至北京200趟。

故此，謝執行長認為台灣擅長在有限的資源中做出最精緻的事物，基於這樣的文化基因，發展台灣特色的 AI 應用，不僅能讓台灣站上世界舞台，也同時讓大眾獲得更便利、更加永續美好的生活。

完整訪談，請見

‎在 Apple Podcasts 上的《IC之音｜聽見這世代》：世代學習關鍵字 ─ 「拉近AI與第一線 導入的關鍵」

The post 拉近AI與第一線，導入的關鍵 first appeared on Chimes AI.

無預警停機造成的影響不僅是生產損失，亦有可能衍生工安環保問題，因此石化製程對於設備完整性要求較其他產業為高，因此傳統預知保養已難在符合現況製程穩定性要求。

傳統上保養策略為定期保養、預防保養、預知檢測等保養策略，隨者科技發展製程設備相對複雜且專業，且每位保養人員負責設備機種與廠牌繁多，傳統保養策略已無法符合保養作業需求，台塑近年來逐步導入設備智慧監診系統，以感應器收取機台運轉資訊，並結合專家知識、修繕履歷建立 AI 模型，已實踐設備極早期預警功能，在設備進入劣化狀態之際，提前發出預警，以降低非預期停機維修的損失。

AI 模型的維運難題

台塑公司的設備智慧監診系統，主要由資訊部門協助開發，設備管理部門使用。在多年運行後發現，發現AI 模型在長期使用之後，預測效果不如預期發生資料飄移（Data drift）現象，也就是在設備狀態改變，可能是因設備逢大週期整修零件大幅汰換後，其設備表徵(震動、溫度、壓力)呈現改變，往往會跟先前的資料分布不一樣。此時正在線上使用的 AI 模型泛用性隨之變差。

每當模型表現衰退時，會需要資訊人員協助重新訓練模型（Model retrain）。面對製程大量設備，每台機器就需要建立一個模型，AI模型適當調校即為一大問題；再者，每台設備的情況各自不同，若有特殊停機或是維修的事件，在建立模型時需要特別額外做資料處理，如果不是對機台的狀況非常熟悉的人，會需要大量的跨部門溝通協作。

Tukey 降低 AI 模型建置門檻，大幅縮短模型開發的時間

2021年6月，台塑導入由 Chimes AI 詠鋐智能所開發的 No-Code 平台 Tukey，讓最熟悉機台狀況，但沒有程式開發能力的設備保養工程師自行建置模型。

在過往，當模型的表現衰退時，需要由保養部門委託資訊部門重新訓練模型，由雙方所建立的工作小組共同協作，建立一個模型需要花費六個月的時間。

在導入 Tukey 之後，模型再訓練的工作由各保養廠的維修專員自行執行，在短短三個月之內，已經建置並上線 400 多個模型，大幅縮短模型開發的時間。

Tukey 提供跨組織的溝通橋樑，提升 AI 模型準確率

台塑主管提到，由於設備工程師是負責設備維運人員，最熟悉自己負責的機台狀況。相較於過往，由資訊人員協助所建立的模型，在資料清洗的步驟上，更能考量設備穩定操作各項因素各項設備特徵呈現，更能建立符合設備診斷AI模型。體現資料科學的名言：資料決定模型 表現上限，演算法逼近上限。

過往在資料清理步驟，多是設備人員跟由資訊人員溝通後，以 Python 撰寫程式碼，做客製化的清理。Tukey 可紀錄下每個資料清理的步驟，協助跨部門溝通時，有共同的對話基礎。在導入 Tukey 的三個月內，提升 AI 模型準確率達 5%，有效提升生產線的穩定度。

台塑集團AI 佈局逐漸成形，台塑導入 No-Code AI 工具，拉近 AI 與第一線設備工程師的距離，提升工作效率。未來，台塑也期望將這一套工作流程拓展到海外工廠，擴展 AI 佈局，降低維護成本並提升工廠工作安全。

The post 台塑導入 No-Code AI 工具 Tukey！智慧保養模型讓製程更穩定 first appeared on Chimes AI.

台灣的風能資源豐富舉世公認，擁有陸域風場 30 處，陸域風機 350 餘台。尤其西部沿海與澎湖地區由於地形效應，冬季東北季風與夏季西南季風特別旺盛，提供發展風力發電之有利條件，據統計 2020 年發電量達 24.33 億度 (2,433GWh)。然而，台灣高溫潮濕的環境，亦使得風機設備在保養維護上面臨挑戰。因此，為了讓風機處於隨時都能夠發電的最佳狀態，需要在風機運轉發生異常的初期，即時通報維修人員進行處理，一方面降低設備損耗，同時也能延長風機的使用壽命，維持風機運轉穩定。

Tukey 為智慧工廠打造的 AI 建模與管理平台，讓設備保養人員在不用寫程式的情況下，輕鬆快速的建立風機設備性能監控 AI 模型。

通過這篇文章，你可以學到

• 透過擬真案例，迅速理解設備性能監測的 End-to-End 建置流程，包含：
• 執行資料探索分析與資料清洗
• 以 AutoML 建立 baseline 模型
• 基於模型評估指標與圖表，進行模型再調校
• 啟動 Tukey Model API，串接風機性能即時監控看板

背景知識與分析目標

聲明：本範例資料為開放資料模擬再製，與設備實際規格、台灣風場現況不盡相符。

自風機 SCADA 系統擷取運轉資料，每十分鐘一筆。如上圖所示，資料包含發電功率、風速、風向、軸承溫度、齒輪箱潤滑油溫度、發電機轉速、風機液壓油壓力與風機液壓油溫度等。

已知發電功率（GRID_POWER）與風速（AMB_WINDSPEED）有強相關性。希望打造一個風機設備性能監控 AI 模型，監控風機的發電功率是否正常。

分析流程

1. 匯入風機運轉資料

 

2. 觀察資料的分佈

以單維度與雙維度的資料視覺化，進行資料探索，觀察資料趨勢與分佈。

3. 資料萃取

傳統感測器採集的時序資料，無法區分哪些時段設備穩定運作、故障停機。需要依靠領域知識萃取穩定運轉的資料，以建立風機發電功率性能模型。

首先，下篩選條件，選取發電功率大於零的資料 (發電功率為零表示設備停機或無風)。

其次，已知「高速端軸承溫度」與「風機風速」有關聯性，繪製雙變數的散佈圖，以拖曳圈選的方式，篩除與其他值表現明顯不同的離群值。

值得一提的是，所有編輯動作都會記錄在 Tukey 的右側欄。

4. 建立預測模型

已知發電功率（GRID_POWER）與風速（AMB_WINDSPEED）有相關性，先利用這個基礎背景知識建立一個初階模型。預測目標選擇「發電功率」（GRID_POWER），自變數選擇「風機風速」（AMB_WINDSPEED），演算法選擇最初階的廣義線性迴歸（GLM）。

5.解讀預測結果

模型建立完成後，可以藉由RMSE、MAE、MAAPE 三個模型評估指標確認模型表現 (此三個數值愈小，代表模型表現愈好)。此外，Tukey 也提供視覺化圖形協助使用者評估模型表現。

以左上角的 Actual — Predicted Plot 為例，此為發電功率 (GRID_POWER, KW)實際值與預測值的對照圖。若預測完全正確，藍點會落在左下至右上的對角線上。分析時會特別查看誤差較大 (離45度線特別遠) 的區域。

觀察此圖，最明顯的地方是有許多發電功率實際值為 2000 (KW) 左右時，預測值的誤差都高估 (預測值為2000 ~ 2800)。

另一個比較不明顯的地方是，當發電功率實際值小於 2000 (KW) 時，圖形分佈呈 S 形，在實際值小於 1000 (KW) 時，預測值高估；在實際值介於 1000 至 2000 (KW) 時，預測值則低估。

關於 Tukey 選擇這 RMSE、MAE、MAAPE 這三個模型指標以及這四種模型評估圖形的設計理念與進階判讀方式，未來會另起專文說明 (或是來報名台灣人工智慧學校，享受完整的手把手課程)。

6. 建立進階模型，進行模型比較

在觀察 baseline 模型 (GLM_MODEL_GRID_POWER) 評估頁面後，初步判斷發電功率 (GRID_POWER) 與風速 (AMB_WINDSPEED) 並非線性相關。故改用非線性的 GAM 演算法，建立進階模型。

觀察「模型比較」頁面，會發現以 GAM 演算法建置的模型其 RMSE 明顯優於 GLM ，且 Actual — Predicted Plot 分佈也更貼近對角線。

至此，便可將模型部署上線。

風機性能監控看板

在 Tukey 建立的 AI 模型可以以 API 的方式介接出來，以監控看板的方式呈現。圖表會跟著最新的資料即時更新顯示。當風機性能表現衰退至特定程度時，系統即會發送通知，提醒維修保養工程師安排停機保養

以下為各資訊欄目的詳細說明：

主畫面最上方的三個資訊欄位分別為即時風速、風機發電功率的健康程度、風機的齒輪箱健康程度。其中性能指標是由風機的即時資料和 Tukey 模型的預測值所計算出來的。

主畫面中間三個資訊欄位呈現風機的即時數據，包含：即時風速、即時發電功率與即時齒輪箱油溫。

監控看板下方性能指標圖表，說明此風機當前即時的發電功率和齒輪箱油溫和 tukey 模型所繪製出的性能指標曲線的差異。

以「發電功率性能指標曲線」為例，紫色的曲線是由 tukey 模型的試算結果所繪製出的「性能指標曲線」，其意義為：從過往的風機運轉經驗，在不同的風速時，所對應到的發電功率應該是多少。

綠色的點則是當前的即時風速與發電量所繪製而成。當即時數據的綠點離紫色的性能曲線其垂直距離愈近，表示風機性能狀態愈健康。

監控看板左側欄的參數設定，可以設定欲連線的 Tukey 主機與 Tukey 模型 API 金鑰。使用上，只需要輸入不同的 API 金鑰，即可調用不同的 tukey 模型。以上圖為例，GLM 模型和 GAM 模型的性能指標曲線完全不同，而該風機的機構設計是風速大於 15 m/s 時，發電功率即鎖定在 2000 kW/h，因此 GAM 模型較符合該風機的設計與運轉狀況，會優先選用該模型。

The post 用 Tukey 打造設備性能即時監控系統，以風力發電機為例 first appeared on Chimes AI.