資訊整合 & 機器學習

機器學習可定義為收集特定數據資料,經整理並運用合適的演算法推導出數據集的特徵關係或對映邏輯,以作為系統物件分類或事件行為預測的判斷準則。關係邏輯推導過程通常需要利用電腦進行所謂的機器學習並建構分類、預測、或最佳化決策模型。按機器學習數據有無標籤(答案)可分為監督式學習(有標記)、非監督式學習(無標記),常用的演算法如:決策樹、支援向量機(SVM)、類神經網路、線性迴歸、多元迴歸、多項式迴歸、偏最小平方法迴歸(PLSR)、羅吉斯迴歸、集群分析、主成份分析(PCA)、時間序列分析等,不同的數據特徵屬性與應用情境,需要選擇適用的演算法。此外,也可以採用統計模型進行數據資料的假設檢定、特徵及關聯分析。為能有效進行測控系統的數據解析,本公司採用Visual Studio C#設計具有數據收集及控制處理功能軟體系統(EDCS、DAHS),並搭配開源軟體系統Python & PyTorch軟體作為機器學習處理框架平台,透過資料庫連結與存取系統(DAMS),以及資料智慧化整合系統(DIIS),協助企業落實數位化營運管理相關的計畫標的。

machine learning

智慧水務(Digital Water)-水處理智慧化管理系統

針對工廠製程用水及廢水處理系統單元,佈建工業儀錶,如液位計、流量計等,化學組成濃度計,如PH、EC、ORP、DO、MLSS、SS、COD等相關線上分析儀,經由傳輸網路收集並監控各項水處理操作參數及水質指標,並利用偏最小平方法迴歸(PLSR),進行排放水水質預測。

在既有機電系統主電路及控制迴路增設繼電器電控接點、訊號輸入/輸出通訊模組、可程式控制器(PLC)、與人機介面(HMI)等自動控制元件,除監控水處理設備運作狀態,以有效進行水處理操作系統監控外,並利用多層感知器(MLP)神經網路,進行最佳化操作管理,如加藥量控制、曝氣量控制、迴流污泥量控制,進而實現水處理智慧化的管理目標。

Water Treatment Intelligent Management System