各設備運作條件(未達條件表示正在啟停爐):

1. 鍋爐蒸氣溫度計(TI-1302)：                    大於200攝氏度
2. 鍋爐出口溫度計(TI-1701)：                    大於249攝氏度
3. 鍋爐流量計(FI-1302)：                            每小時7至28噸
4. 鍋爐液位計(LI-1301)：                            介於正負20之間，持續為0表示停機
5. 焚化爐二次燃燒室溫度(TI-1204)：        大於500攝氏度
6. 焚化爐出口溫度(TI-1205)：                    大於700攝氏度
7. 焚化爐爐床溫度(TI-1201)：                    大於400攝氏度
8. 焚化爐爐內壓力(PI-1201)：                    沒有
9. 焚化爐爐下壓力(PI-1202)：                    介於1800至2300之間

• 所以產能與燃料換算下來等於 :
  每小時燃油固定3000公升(約3頓)燃油，
  每小時產生15頓蒸氣。
  
  註 : 每小時垃圾量暫無法估計，目前得知每次投入1~2頓
  *預計平均每一千公升(1噸)燃油 = 產生5頓蒸氣
  
  
  2.穎杰科技_預計對於焚化爐廠AI預測模型建構 & 模型訓練計畫
  2-1建構AI模型目的
  蒸氣產量穩定與提升，燃料穩定投放，降低燃油節省成本，減低人員操作負擔，提供製程操作導航建議。
  2-1-1第一套焚化爐模型訓練流程
  藉由MER-1數據進行模型的建構，累積建構焚化爐與廢熱過爐AI模型經驗，並驗證模型可行性，
  在進一步轉換至第二套新建置焚化爐，分為以下三步驟：
  1.數據預處理以及診斷，藉由預處理與診斷挑選合適數據進行製程預測，並分別篩選出啟停爐與正常運轉 之時段，分別使用數據分析。
  2.使用 傳統統計學ML模型 進行預測並驗證結果，評估是否需要近一步使用AI深度學習。
  3.使用AI深度神經網路 進行 建立模型，並驗證準確性。
• 2-1-2模型預測與AI-MPC
  藉由第一套焚化爐數據與訓練完成之AI深度神經網路模型，進行製程操作預測，搭配現場PLC或設備設定
  相關條件，進行模擬與建立製程導航系統。
  2-1-3利用MER1虛擬焚化爐-廢熱鍋爐AI模型
  目前階段首先_排除啟停爐階段數據，以正常運行數據為主，建立MER-1運行階段虛擬AI模型。
  MER-1設備分為焚化爐與廢熱鍋爐兩個部分，計畫分別建置 ”廢熱鍋爐蒸氣產量預測” 與
  另一部分 ”焚化爐廢熱溫度預測” 兩種模型，並最終合併為全廠AI預測模型。
  *廢熱鍋爐_蒸氣產量 [預測模型] 輸入以下儀表Tag做資料分析：
           鍋爐蒸氣溫度計(TI-1302)、鍋爐入口溫度計(TI-1701)、
           鍋爐液位計(LI-1301)，並 預測 鍋爐流量計(FI-1302)。

藉由來自焚化爐的廢熱溫度，搭配吹入汽鼓及時液位，以及當下產生之蒸氣溫度，
來 預測出 當下產生之蒸汽流量，並進行預測。

．計畫採用移動視窗法，藉由時間視窗內數據的變化，使模型學習趨勢走向，並預測最終蒸氣產量，以及趨勢變化走勢。
　預期目標：藉由模型模擬第一套早期廢熱鍋爐運作模式，並建立虛擬鍋爐計畫。


*爐燃燒後_廢熱溫度 預測模型 輸入以下儀錶TAG做資料分析：
燃料檢驗報告與熱值表、燃料使用量、焚化爐二次燃燒室溫度(TI-1204)、焚化爐爐床溫度(TI-1201)、
焚化爐爐內壓力(PI-1201)、焚化爐爐下壓力(PI-1202)，並預測焚化爐出口溫度(TI-1205)。


 

但由於缺乏廢棄物使用情況 (目前已知一爪為1-2噸，且廢油使用量未知)，
［因此無法進行準確投入廢棄料→與燃油對照配比預測］。
除了開始建置智慧儲坑計畫外，目前計畫使用爐床溫度變化(矽砂)，作為當下入油燃料與廢棄物燃燒情況(油燃料熱值&使用量已知)，
藉由爐床(矽砂)溫度變化 與 爐內下方壓力，判斷爐內燃燒之情況，最終預測焚化爐出口溫度。
預期目標：藉由模型模擬焚化爐運作模式，並建立虛擬焚化爐。

 最終結合以上模型，建立焚化爐與廢熱鍋爐一體模型，並進行後續_製程操作變數(燃料使用量)，
 後續操作預測(蒸氣產量)，並總結使用經驗，提出新焚化爐可能需要之Tag與模型建立方針。



3.穎杰科技_既有焚化爐廠AI預測模型訓練計畫後呈現及成功率
第一應用開啟

第二應用開啟



第三應用敘述



第三應用開啟



第四應用流程



第五應用流程



第六應用流程

備註 : 可客製化協助客戶從PLC、DCS、OPC等來源端，盤點各位置接收及問題排除，進行客戶需求客製化，直至系統建置完成。

[製程數據清洗] 篩選、視窗化、去空值等工作

[建構模型架構] 數據形狀、神經元、激活函數、優化器規劃

[最後模型預測] 結果呈現至PI-Vision系統，等客戶所期望平台