工具机能耗AI预测 与精准碳履历建立技术

文◆工研院智能机械科技中心 智能制造技术组 智能化软件技术部 副工程师 黄宝民、副工程师 王治全、副经理 徐立宇、副工程师 黄柏颖、副工程师 孟令升

前言

根据国际能源署统计，2016年，全球约四分之三的碳排放与能源使用相关，其中工业部门占30%，并有逾24%直接来自能源消耗，突显其在减碳进程中扮演关键角色。进一步来看，制造业作为工业的核心组成，在将原料转化为成品的过程中，不仅消耗大量能源，也产生废弃物与排放物。2018年，制造业能源使用即占工业部门的77%。随着工业4.0与5.0的推动，制造产值虽持续攀升，但高能耗特性一方面加重环境压力，另一方面亦带来节能与碳减量的契机。特别是机械设备如工具机，其能源消耗对整体制造流程影响甚巨，因此若能透过精准能耗预测与效率提升，不仅能降低能资源浪费，更是迈向永续发展的重要策略。

建立工具机能耗AI预测模型

在全球低碳节能趋势下，为响应国际法规和市场对环保需求，能源监控成为实现永续发展的重要途径。本研究旨在建立一套设备能源AI监控技术，以解决制造业在全球化背景下面临的数字零碳转型挑战。该研究的讯号撷取模块建立于VMX平台，于加工过程中收集电流、控制器等机联网信息。随后，通过统计方法对收集的数据进行特征提取，再利用随机森林算法进行特征筛选。建模过程中，选用深度类神经网络进行分析，结果显示建模验证集误差控制在3%以内。最终，将此模型整合至在线监控系统，实现实时能耗预测。以下为建置流程：

1.数据撷取模块

图1所示为讯号撷取模块示意图。该模块于目标机台及其关键部件上安装电流传感器，并搭配独立智能机顶盒作为资料搜集与分析平台，同时整合VMX机联网系统，能透过读取机台控制器的实时状态，精准判断数据纪录的最佳时机。数据搜集策略采固定时间间隔方式，每0.1秒纪录一笔能耗数据，并同步保存加工过程中机联网信息。每次完整加工循环会存为一个档案，内容涵盖34项机联网特征与各部件能耗资讯。此外，此模块亦整合机联网信息可视化功能，建立设备能耗实时状态接口，方便现场人员实时掌握机联网特征及各部件能耗状况，并作为后续能耗预测模型建立的重要依据。

2.机联网特征筛选

在特征萃取阶段，本研究共搜集机台控制器机联网34项特征，并进一步进行特征筛选。方法上采用随机森林（Random Forest,RF）算法[1]，其运作流程为：先由原始数据中以「放回抽样」方式产生多组训练数据，再以此建构多棵判定树；每个节点仅随机选取部分特征以判断最佳分割点。完成训练后，模型会整合所有判定树的输出结果，回归任务则取平均值作为最终预测。研究中透过RF特征重要性分析，利用「Gini」指标筛选出与能耗高度相关的机联网参数，作为最佳特征排序，并进一步应用于能耗预测模型的建立。

3.预测模型建立

本研究采用深度类神经网络（Deep NeuralNetwork, DNN）[2]作为能耗预测模型。DNN由多层非线性运算构成，适合处理复杂模式与高维度数据。网络架构设计包含隐藏层数量、每层神经元数，以及激活函数（如ReLU、Sigmoid）设定。训练过程中，模型透过前向传播计算输出，并以损失函数衡量预测与实际值差异，再透过反向传播计算梯度，使用优化器（如SGD或Adam）持续更新参数，以降低损失。训练方式采批量训练，数据切分为多个小批次，并于多个迭代中逐步学习；同时利用验证集监控模型表现，避免过拟合，必要时采用正则化策略（如L2或Dropout）。完成训练后，模型于测试集上评估，以确认其泛化能力。输入端为经特征筛选挑出的关键特征，数据依比例拆分为训练、验证与测试集；输出端则对应能耗与碳排预测结果。

分析結果

本研究以Benz模作为分析对象，用以检测CNC铣床加工后的表面粗度与轮廓精度，藉此评估机台性能稳定性。研究核心目标为预测CNC工具机总电耗。实验中于机台安装多组电流传感器，涵盖总电、三轴马达（X、Y、Z）、主轴与切削油马达，并透过VMX机联网技术记录实时控制信息及能耗数据。利用随机森林算法进行特征筛选，依相关性排序并设定门坎值，仅保留重要特征建模。建模阶段采用深度类神经网络（DNN），输入为筛选特征，输出为能耗预测值。模型设计隐藏层7至10层，数据依8:2比例分为训练与测试集，并加入独立验证集检验稳定性。模型准确度以均方误差（MSE）衡量，反映预测与实际能耗差异。

1.能耗在线监控

如图4所示，在在线能耗监控系统中，透过RJ45网络通讯，实时将设备的机联网数据传输至智能机顶盒进行处理。系统利用Web-API方式调用能耗预测模型与特征正规化档案，将接收到的机联网数据作为模型输入，以生成实时的能耗预测结果。此功能能够动态反映当前产品的能耗状况，并以可视化的方式呈现，有助于操作人员快速调整生产参数以优化能源使用。此外，该系统采用关系数据库（RDBMS）对设备用电数据进行组织化管理，全面记录产品能耗历程。通过结构化的数据存储方式，系统能支持历史数据的回溯分析，提供清晰的能耗趋势洞察，并为后续的节能优化提供科学依据。

2.应用案例

本研究具备多场域应用性，本案例以冲压设备为对象，解决厂内缺乏能耗实时监控，导致产品碳足迹难以追踪并不符合法规的问题。实施上，于设备总电安装电流传感器，透过VMX机联网技术将实时数据传输至智能机顶盒，并结合人工智能建立能耗预测模型，分析加工过程能耗特征并整合至在线监控系统，达到实时监测与预测功能。结果显示模型在建模数据的误差约1.27%，验证数据误差约2.53%，具备良好准确度。系统效益包含两方面：一是透过实时能耗监测与参数分析，提供加工优化依据，有效降低能源浪费并提升效率与稳定性；二是能精准计算产品碳排放，为碳足迹报告提供可靠数据，协助业者符合国际永续制造要求。此技术不仅优化能源管理，更为智能制造与永续发展奠定基础。

结论

本研究建立了一套基于人工智能的工具机能耗预测技术，其模型在建模与验证阶段的误差均控制在3%以内，展现了良好的精准性与可靠性。此模型可通过扩充数据集、调整模型结构与参数进一步优化，亦能藉由不同训练方式（如：交叉比对）进行结果对照，以提升预测稳定性与泛化能力。本技术的应用范围不仅限于特定工具机，对于不同目标设备（如：冲压机台）的能耗监控亦能达到建模与验证误差小于3%的水平。

未来，该技术将拓展至其他产业设备或更多机台的周边装置（如：空压系统、排屑系统等），藉由搜集更全面的能耗数据，进一步完善产品碳足迹的追踪与管理。此扩展应用有助于提升制造业对能源使用的透明度与可持续性。此外，为了促进技术的普及与产业化，本研究规划将分析方法开发为图形用户界面（GUI），提供使用者能以简单步骤完成数据判读与建模流程。此GUI的设计将降低技术门坎，让更多企业能方便地运用此技术进行能耗监控与优化，达到真正落实技术产业应用的目标，为智能制造与永续发展贡献价值。