綠色創新

創新技術開發須符合環保法規要求，鼓勵研發對環境友善，減少能資源消耗產品。

• 開發設計階段：致力環境毒害物質之去除，避免物質殘留於產品或汙染環境
• 生產階段：減少能資源的損耗及有害物質的排放
• 產品檢驗：針對新開發生產之產品，配合客規進行第三方機構檢驗

符合法規

對外購買之製程技術，係為已開發技術，符合相關法規要求。

推行智慧物流與服務

建構即時資料庫系統(PI)，積極納入「物聯網」資訊新元素，推行智慧物流與服務

培養 AI 管理人才

培養新一代的AI管理人才，創造「智造」新價值

觸媒效率適化AI專案 【EOG工場】

效益：

將觸媒適化調整作業，從過去依賴資深作業人員的經驗法則，轉變為利用AI深層學習。藉由過去實際操作資料的分析，AI能提供觸媒適化操作數據，未來能有效傳承這些知識並快速準確找到最佳觸媒適化點，節省原料成本並提高生產效率。

製程反應優化 AI 專案【製程開發部】

效益：

新品轉批次生產時，常需要多次實驗和經驗法則來調整配方比例。透過建立AI模型，研發人員能迅速收斂變因，找出趨勢，減少實驗組數，提升研發效率並節省研發成本。

新產品製程最適化AI 專案【材料開發部】

效益：

在新品開發時，變因繁多。透過AI深層學習模型收斂變因，預測製程參數趨勢，不僅縮短新產品的開發時間，還能降低生產能耗與碳排放。

GAS 壓縮機預防維護 AI 專案【工務部】

效益：

建立AI深層學習模型來分析壓縮機的振動數據，找出異常比例，推測影響振動異常的關鍵因子，預測未來保養時程。當異常因子數據不穩定時，系統可即時檢測並建議是否需進行維修，確保設備的穩定運行。

客戶需求訂單預測 AI 專案【氣營部】

效益：

效益：透過AI深層學習模型，整合客戶液位儲槽資料、使用及出貨頻率，推演出客戶需求預測模型，完善生產排程並優化派車數量，降低空車率，提升物流效率。

反應器參數分子量推演 AI 專案【EOD工場】

效益：

在批次生產作業中，根據理論量設定原料進料量，並在反應過程中取樣化驗，若有不足則追加原料。透過AI深層學習模型預測產品分子量是否符合規格，期望減少取樣次數甚至不需取樣，減少反應器閒置時間，提高產品品質。

生產條件優化 AI 專案【EC 工廠】

效益：

針對產品(HPEC & 半導體CO2)的生產參數建立AI深層學習模型，找出造成品質不穩定的要因。應用於製程中，能穩定操作條件，逐步減少重工和排放，穩定產品品質，提高生產效能。