問題背景：
林園廠EO／EG製程具有高溫、高壓、易燃、高反應性及連續運轉等特性，三台A類關鍵壓縮機若發生軸承劣化、潤滑異常、喘振或密封失效，可能同時造成工安風險、連鎖停車與產能損失。既有振動訊號、製程參數、PI歷史趨勢及維修紀錄分散於不同系統，維護判讀仍高度仰賴資深人員經驗與定期檢修，早期徵兆不易量化，跨班別判斷也可能不一致，尚未形成「判讀、預警、處置、結案」的閉環管理機制。
導入方法：
東聯化學與中華電信股份有限公司企業客戶分公司合作，建置以AI設備預警及地端智慧專家助理為核心的智慧工安架構。首先整合DCS／PLC／EMS即時資料、PI歷史數據、高頻振動頻譜、維修履歷與異常事件，經資料清洗、時間對齊及特徵工程建立智慧工安數據中台；再以PCA、Autoencoder、Isolation Forest、One-Class等半監督或非監督方法學習多工況正常基線，輸出異常分數、設備健康指標、劣化趨勢、主要貢獻因子及可能故障模式。另導入RAG智慧專家助理，串接SOP、設備手冊與歷史案例等資料，提供具引用來源的確認步驟與處置建議，並透過設備健康戰情看板呈現告警分級及事件追蹤。
導入挑戰：
石化現場的設備工況與負載變化大，加上真實故障樣本有限，感測品質、時間同步及資料缺漏，都可能影響 AI 模型的判斷。
更大的挑戰在於「誤報」與「漏報」之間的平衡：誤報太多，容易增加現場負擔；漏報則可能讓重要設備風險被忽略。因此，除了模型準確度，也必須讓現場人員逐步建立對 AI 建議的信任。
為了讓 AI 真正適應現場，東聯化學先以 Shadow Mode 進行驗證，不直接介入設備控制，再透過操作模式切分、多訊號交叉驗證及告警分級，逐步檢視模型表現，並依誤警率、召回率及現場人員採納結果調整告警門檻。
此外，也同步建立模型漂移監控、再訓練及權限控管機制，讓模型能隨設備與操作條件變化持續優化。
透過這樣「先驗證、再調整、逐步導入」的方式，讓 AI 從一套技術工具，慢慢成為現場人員判斷設備狀況的可靠助手。
應用成果：
東聯化學先從電子圍籬、PPE影像辨識及工安知識查詢等應用著手，逐步建立告警事件與平台化管理基礎。隨著智慧應用持續深化，設備管理也從過去仰賴「門檻告警與人工經驗」，進一步導入「狀態監測、頻譜診斷、異常預警與可追溯決策支援」，讓設備狀況能被更即時地掌握。
在實際應用成效上，預期可降低三台關鍵壓縮機設備故障率10% 以上，單次巡檢工時由1人3小時縮短至1.5小時，維修判讀工時則由48小時降至40小時，並以降低事故風險成本500萬元以上為目標。
除了提升設備管理效率，透過告警分級、事件留痕及引用式知識支援，也能讓不同部門在面對設備異常時，有更一致的判讀依據與處置方向，進一步提升應變效率，並讓製程安全管理更加完整、透明且具備可追溯性。
未來規劃：
後續將依模型驗證與實際效益，逐步把設備健康監測及智慧決策架構擴展至泵浦、風機、攪拌機等旋轉設備與其他高風險製程單元；既有PPE影像辨識亦規劃擴散至廠內其他作業場域。長期將形成可於林園廠、其他廠區及集團複製的關鍵設備可靠度治理框架，持續累積案例、優化模型並深化製程安全管理。
補充說明：
AI定位為預警及知識輔助工具，所有降載、切換、停機與隔離決策，仍須依既有SIS／ESD、MOC、現場SOP及合格人員執行。透過「旁路監測、不回寫控制、人機協作」原則，在不影響既有製程安全的前提下，兼顧技術效益與實務可落地性。