透過機器學習與預測分析轉換數據，實現營運卓越

當一家製藥公司的緊急冷卻器因主冷卻器性能係數（COP）變化而被錯誤觸發時，該公司向Transition Technologies PSC尋求解決方案。作為值得信賴的Rockwell自動化系統整合商，TT PSC利用透過FactoryTalk® Historian軟體取得的三年歷史冷卻器和環境條件數據進行分析。

目標：預測主冷卻器的未來COP，以便在需要啟動緊急冷卻器時提醒操作員。團隊致力於開發一個時間序列機器學習（ML）模型，該模型能夠根據前48小時的數據，非常精確地預測未來6小時內的COP值；將模型與物聯網平台中的即時數據整合；並部署連續計算，以觸發警報並在預測COP值超過設定閾值時通知營運經理。

結果：模型準確度優於98%，預測誤差（RMSE）小於5%。可提前6小時預測COP值。

AI/ML 能為您做什麼？

利用人工智慧（AI），即電腦或電腦控制的機器人執行通常與人類相關的任務的能力，以及 ML，即機器模仿人類智慧行為的能力，製造商可以透過以下方式提升效能：

減少高達10% 的停機時間 – 透過預測性而非反應性維護來預測設備故障，並在設備運行超出正常範圍時收到警告。

提升高達12% 的品質 – 更早發現製程或材料故障

提升高達30% 的生產力 – 減少重做和廢料、高效的維護規劃，以及對製程問題的更高認知

根據 TT PSC 資深業務與解決方案架構師 Randy Thompson 的說法，ML 演算法會根據可用數據建立數學模型，以在未經明確程式設計的情況下進行預測或決策。在模型建立過程中，歷史數據被用作訓練模型的輸入——通常70% 用於訓練，30% 保留用於評估和確認模型。

什麼是良好的 ML 使用案例？

良好的 ML 使用案例包含可量化的預測目標、眾多變數以及可用的歷史數據。企業通常擁有大量數據，但往往缺乏預測其期望目標所需的數據。這可能需要額外的感測器輸入或調整預測目標。這正是有經驗的合作夥伴能夠協助的領域。

良好的 ML 使用案例範例是木材乾燥製程，其目標是讓木材達到特定的含水量。透過 ML，您可以輸入製程中所有可量測的變數，以預測應以何種速度操作乾燥機以達到正確的乾燥水準。Thompson 表示，機器學習的優點在於，當您新增所需數據後，模型會自動為您完成工作。其他需要釐清的問題包括：

• 這個問題值得解決嗎？預期的商業效益是什麼？
• 這個問題發生的頻率如何？最佳情況是其發生頻率足以讓您獲得足夠數據來建立模型並看到成果。
• 停機時間的成本是多少？
• 如果您有這個預測，您會採取什麼不同的行動？

最後，您是否擁有建立模型所需的數據？這始於一個假設。選擇您認為重要的內容，而不是輸入所有數據。接下來，詢問有哪些數據可用，以及是否有足夠的數據來進行準確預測。

使用 FactoryTalk® Historian 的 Analytics Accelerator

Analytics Accelerator for FactoryTalk® Historian 是 Rockwell Automation 開發的工具組合，用於協助製造商自行進行建模。

這是一套以 ThingWorx® 為基礎建構的整合型產品組合解決方案，可更輕鬆地將 ML 應用於儲存在 FactoryTalk® Historian 數據檔案中的數據。該解決方案包含多項服務及 ThingWorx® mashups，組成使用者介面。