零外洩、秒解析：Refinery AI賦能煉化廠的實戰落地經驗

前言：生產數據對於煉廠而言，視為機敏資料，而操作工場長期仰賴化驗系統(Laboratory Information Management System, LIMS)、分散式控制系統(Distributed Control System, DCS)等等。這些系統經過長年收集操作數據、化驗數據，完整地保存了整個煉廠的生產歷史，而推動智慧工廠面臨的挑戰，就在於這些數據如同「資料孤島」，難以輕易匯出資料，更不可能將機敏資料上傳至外部雲端AI進行分析。

為了解決這個痛點，中油大林廠自主開發了「Refinery AI Assistant (煉廠AI助理)」。這是一個為工業環境量身打造的「雙引擎AI工具」。

一、實施過程：不經由底層系統，讓AI長出眼睛

要能不影響既有DCS與LIMS系統運作的前提下導入AI，本團隊不使用傳統的API（Application Programming Interface, API）串接，採取了創新的「無侵入式工業數據擷取」與「旁路式(Side-car)安全整合架構」。主要特性如下：

1.破除資料孤島：本團隊開發Chrome擴充應用功能，利用「虛擬網格映射(Virtual Grid Mapping)」演算法，能瞬間將網頁上複雜的合併儲存格(Rowspan/Colspan)降維成AI看得懂的結構化矩陣。意即「只要操作員/工程師螢幕上看得到的，AI就能解析」，達到了零資料準備期(ZeroDataPrep)的模式。

2.端到端安全：系統將瀏覽器端擷取到的網頁畫面與數據，透過內部安全通道，直接傳遞至部署於企業VPN內的地端大型語言模型(Local LLM，如Gemma4:31b, gpt-oss:120b等)，實現了職場本應善盡的機敏資料「零外洩」。

• 資料流程概要：

【Refinery AI解析Web數據】→【地端AI模型解析】→【LINE通報】→【行動】

一、導入成果：從效率提升到事故預防

Refinery AI如同一位「站在身邊的資深領班」，看著螢幕數據，可為現場操作帶來的改變有：

1. 效率提升與行動化通訊

以往工程師/領班/操作員需要耗時比對化驗報表中的各項數值；現透過AI瞬間掃描與動態焦點鎖定機制，系統能即時產出盲點矩陣。結合了Serverless架構的LINE Messaging API，將複雜的數據自動轉化為手機易讀的訊息推播至LINE群組，讓現場與控制室的溝通效率提升。過去需要耗費數十分鐘比對的異常數據，現在僅需5秒鐘即可產出盲點矩陣，將難懂的數據報表，用文字進行說明，大幅縮短了90%的數據判讀時間。

2. 異常預警與應變決策輔助

系統內建了涵蓋「標準 SOP」、「原理解析」與「緊急應變」等不同情境的提示詞框架。在緊急模式下，系統會優先限縮資訊範圍，專注於盤點當下的安全危害。

3. 當系統或工程師（透過截圖）捕捉到異常數據時（如：加熱爐過剩氧氣異常），這大幅縮短了傳統翻閱紙本或數位檔案的時間，為現場爭取更多決策時間。同時，具備視覺能力的截圖顧問能初步檢視 P&ID 圖或現場畫面，協助標示出潛在的風險節點或控制盲點。它就像是工程師的「第二雙眼睛」，能即時的交叉比對與警報提示，有效降低因疲勞或高壓環境下可能產生的人為疏失。

4. 減碳潛力與成本效益

• 低成本高建置率：相較於建置檢索增強生成RAG（Retrieval-Augmented Generation, RAG）系統需要耗費數月清理PDF、維護龐大的向量資料庫，本系統具備「極低的建置與維護成本」（如表1所示）。

• 節能減碳(Environmental、Socia and Governance, ESG)：雖然AI不直接轉動閥門，但透過即時捕捉製程異常（如：加熱爐熱效率低下、分餾塔回流異常、廢氣燃燒塔流量超標），AI能第一時間建議操作員進行降載或參數微調。提早一步阻斷異常，就能大幅減少不必要的燃料氣浪費與異常排放(Flaring)，將數據間接轉化為具體的減碳效益。

三、展望未來：邁向Agentic RAG的工業大腦

Refinery AI解決了「此時此刻、眼前發生」的即時視覺與數據診斷問題。然而Refinery AI依賴LLM架構還是有其4個缺點：

1. 知識深度受限：無法如同RAG主動翻閱原廠手冊或歷史工單，遇到較冷門或特殊的設備異常時，細節較無法精確。

2. 存在幻覺風險：因缺乏實體文件，AI在極端複雜的P&ID圖或緊急情況下若發生邏輯誤判，可能會給出不完整的操作建議。

3. 完全綁定視覺模型：系統最強的「截圖分析」功能，前提是地端必須跑得動多模態視覺模型；若只支援純文字模型，此功能將直接失效，因此，還是需要建置地端的硬體成本。

4. 硬體資源消耗：在地端內網運行gemma4：31b級別的視覺模型非常吃重GPU與記憶體，須妥善分配虛擬機資源，否則易造成系統卡頓。

在未來的開發藍圖中，本廠以現有的成果為基礎，與學界、人工智能公司合作，將其與廠內的歷史資料庫結合，建置Agentic RAG(代理式檢索增強)架構，將Before與After進行比對找出關鍵變量。如此能將前端AI的「眼睛」發現異常後，將能主動比對後端RAG的「大腦」，最終給出有效的決策與行動。

結論：AI無法預測現場人員的操作慣性與情境問題，AI應用的落地需要持續推動、跌代與溝通。「Refinery AI助理」從研發到導入，證明了即使在最傳統、最封閉的重工業環境中，只要用對了架構與方法，了解現場需求，生成式AI依然能成為守護工安、提升產能的最強大數位隊友！

關鍵字：LIMS、DCS、RefineryAI、RAG、ESG