工具機能耗AI預測 與精準碳履歷建立技術

文◆工研院智慧機械科技中心 智慧製造技術組 智慧化軟體技術部 副工程師 黃寶民、副工程師 王治全、副經理 徐立宇、副工程師 黃柏穎、副工程師 孟令昇

前言

根據國際能源署統計，2016年，全球約四分之三的碳排放與能源使用相關，其中工業部門占30%，並有逾24%直接來自能源消耗，突顯其在減碳進程中扮演關鍵角色。進一步來看，製造業作為工業的核心組成，在將原料轉化為成品的過程中，不僅消耗大量能源，也產生廢棄物與排放物。2018年，製造業能源使用即占工業部門的77%。隨著工業4.0與5.0的推動，製造產值雖持續攀升，但高能耗特性一方面加重環境壓力，另一方面亦帶來節能與碳減量的契機。特別是機械設備如工具機，其能源消耗對整體製造流程影響甚鉅，因此若能透過精準能耗預測與效率提升，不僅能降低能資源浪費，更是邁向永續發展的重要策略。

建立工具機能耗AI預測模型

在全球低碳節能趨勢下，為響應國際法規和市場對環保需求，能源監控成為實現永續發展的重要途徑。本研究旨在建立一套設備能源AI監控技術，以解決製造業在全球化背景下面臨的數位零碳轉型挑戰。該研究的訊號擷取模組建立於VMX平台，於加工過程中收集電流、控制器等機聯網資訊。隨後，通過統計方法對收集的數據進行特徵提取，再利用隨機森林演算法進行特徵篩選。建模過程中，選用深度類神經網絡進行分析，結果顯示建模驗證集誤差控制在3%以內。最終，將此模型整合至線上監控系統，實現即時能耗預測。以下為建置流程：

1.資料擷取模組

圖1所示為訊號擷取模組示意圖。該模組於目標機台及其關鍵部件上安裝電流感測器，並搭配獨立智慧機上盒作為資料蒐集與分析平台，同時整合VMX機聯網系統，能透過讀取機台控制器的即時狀態，精準判斷資料紀錄的最佳時機。資料蒐集策略採固定時間間隔方式，每0.1秒紀錄一筆能耗數據，並同步保存加工過程中機聯網資訊。每次完整加工循環會存為一個檔案，內容涵蓋34項機聯網特徵與各部件能耗資訊。此外，此模組亦整合機聯網資訊可視化功能，建立設備能耗即時狀態介面，方便現場人員即時掌握機聯網特徵及各部件能耗狀況，並作為後續能耗預測模型建立的重要依據。

2.機聯網特徵篩選

在特徵萃取階段，本研究共蒐集機台控制器機聯網34項特徵，並進一步進行特徵篩選。方法上採用隨機森林（Random Forest,RF）演算法[1]，其運作流程為：先由原始資料中以「放回抽樣」方式產生多組訓練資料，再以此建構多棵決策樹；每個節點僅隨機選取部分特徵以判斷最佳分割點。完成訓練後，模型會整合所有決策樹的輸出結果，迴歸任務則取平均值作為最終預測。研究中透過RF特徵重要性分析，利用「Gini」指標篩選出與能耗高度相關的機聯網參數，作為最佳特徵排序，並進一步應用於能耗預測模型的建立。

3.預測模型建立

本研究採用深度類神經網路（Deep NeuralNetwork, DNN）[2]作為能耗預測模型。DNN由多層非線性運算構成，適合處理複雜模式與高維度資料。網路架構設計包含隱藏層數量、每層神經元數，以及激活函數（如ReLU、Sigmoid）設定。訓練過程中，模型透過前向傳播計算輸出，並以損失函數衡量預測與實際值差異，再透過反向傳播計算梯度，使用優化器（如SGD或Adam）持續更新參數，以降低損失。訓練方式採批量訓練，資料切分為多個小批次，並於多個迭代中逐步學習；同時利用驗證集監控模型表現，避免過擬合，必要時採用正則化策略（如L2或Dropout）。完成訓練後，模型於測試集上評估，以確認其泛化能力。輸入端為經特徵篩選挑出的關鍵特徵，資料依比例拆分為訓練、驗證與測試集；輸出端則對應能耗與碳排預測結果。

分析結果

本研究以Benz模作為分析對象，用以檢測CNC銑床加工後的表面粗度與輪廓精度，藉此評估機台性能穩定性。研究核心目標為預測CNC工具機總電耗。實驗中於機台安裝多組電流感測器，涵蓋總電、三軸馬達（X、Y、Z）、主軸與切削油馬達，並透過VMX機聯網技術記錄即時控制資訊及能耗數據。利用隨機森林演算法進行特徵篩選，依相關性排序並設定門檻值，僅保留重要特徵建模。建模階段採用深度類神經網路（DNN），輸入為篩選特徵，輸出為能耗預測值。模型設計隱藏層7至10層，數據依8:2比例分為訓練與測試集，並加入獨立驗證集檢驗穩定性。模型準確度以均方誤差（MSE）衡量，反映預測與實際能耗差異。

1.能耗線上監控

如圖4所示，在線上能耗監控系統中，透過RJ45網路通訊，實時將設備的機聯網資料傳輸至智慧機上盒進行處理。系統利用Web-API方式調用能耗預測模型與特徵正規化檔案，將接收到的機聯網數據作為模型輸入，以生成即時的能耗預測結果。此功能能夠動態反映當前產品的能耗狀況，並以視覺化的方式呈現，有助於操作人員快速調整生產參數以優化能源使用。此外，該系統採用關聯式資料庫（RDBMS）對設備用電數據進行組織化管理，全面記錄產品能耗歷程。通過結構化的數據存儲方式，系統能支持歷史數據的回溯分析，提供清晰的能耗趨勢洞察，並為後續的節能優化提供科學依據。

2.應用案例

本研究具備多場域應用性，本案例以沖壓設備為對象，解決廠內缺乏能耗即時監控，導致產品碳足跡難以追蹤並不符合法規的問題。實施上，於設備總電安裝電流感測器，透過VMX機聯網技術將即時數據傳輸至智慧機上盒，並結合人工智慧建立能耗預測模型，分析加工過程能耗特徵並整合至線上監控系統，達到即時監測與預測功能。結果顯示模型在建模數據的誤差約1.27%，驗證數據誤差約2.53%，具備良好準確度。系統效益包含兩方面：一是透過即時能耗監測與參數分析，提供加工優化依據，有效降低能源浪費並提升效率與穩定性；二是能精準計算產品碳排放，為碳足跡報告提供可靠數據，協助業者符合國際永續製造要求。此技術不僅優化能源管理，更為智慧製造與永續發展奠定基礎。

結論

本研究建立了一套基於人工智慧的工具機能耗預測技術，其模型在建模與驗證階段的誤差均控制在3%以內，展現了良好的精準性與可靠性。此模型可通過擴充數據集、調整模型結構與參數進一步優化，亦能藉由不同訓練方式（如：交叉比對）進行結果對照，以提升預測穩定性與泛化能力。本技術的應用範圍不僅限於特定工具機，對於不同目標設備（如：沖壓機台）的能耗監控亦能達到建模與驗證誤差小於3%的水準。

未來，該技術將拓展至其他產業設備或更多機台的周邊裝置（如：空壓系統、排屑系統等），藉由蒐集更全面的能耗數據，進一步完善產品碳足跡的追蹤與管理。此擴展應用有助於提升製造業對能源使用的透明度與可持續性。此外，為了促進技術的普及與產業化，本研究規劃將分析方法開發為圖形化使用者介面（GUI），提供使用者能以簡單步驟完成數據判讀與建模流程。此GUI的設計將降低技術門檻，讓更多企業能方便地運用此技術進行能耗監控與優化，達到真正落實技術產業應用的目標，為智慧製造與永續發展貢獻價值。