Page 78 - Vol.45

Tech
Notes
技術專文

因素，模型訓練前需先濾除。回測過往實際冷凝壓力與模型
預測壓力偏差的狀況進行專家人工異常判斷，排除外部干擾
因素。歸納出的偏差有六類冷凝壓力異常：冷媒含水、冷卻
水水質異常、負壓洩漏、熱交換冷卻水流量不足、感測器異
常、熱回收狀態切換與冰機開機暫態。這些異常資料若未清
理乾淨會導致模型偵測能力下降與發生誤警報。

3.5 機器學習核心訓練模型選擇
圖5、莫里爾線圖(左)，模型輸出/輸入變數示意圖(右) 2
為了使模型達到R >0.9的精確度，我們將逐台冰機壓縮
機建模審查。在演算法的評估過程中(Model Benchmark)，我
3.3 機械學習應用異常偵測核心理論 : 模型辨別預(Pattern 們比對了LinearRegression/ SVR/ DecisionTree/ Kneighbors/
Recognition Alert) RandomForest/ Bagging/ AdaBoost等7種演算法，最後選

2
在如冰機的封閉系統裡不會有多餘的外界因子干擾情 擇高相關(R =0.97)低誤差(MAE=0.57)的LinearRegression建
況下，該系統可以絕對符合物理原理，雖然沒有直接的方程 模，精確的說法是多變數線性回歸(Multiple Variable Linear
式可以描述冷凝壓力與其他物理量的關係，但本案透過莫里 Regression)演算法(圖6)。
爾曲線的冷媒循環(Refrigeration Cycle)特性，搭配監督式機
器學習建立起冷媒壓力和其他物理量的物理關係式，此物理
關係式亦稱之AI模型。正常運轉狀況下，實際冷凝壓力的行
為表現一定符合AI模型的預測行為。利用這樣的特性，我們
將此AI模型應用於異常偵測(Physically supervised learning
regression method applied to anomaly detection)，稱之模型
辨別預警(Pattern Recognition Alert)。建立模型流程如下：

3.4 機器學習訓練成效審查方法 圖6、比較不同機器學習方法相關性與誤差圖

機器學習是目前AI(人工智慧, artificial intelligence)最廣泛
使用的方法。每一個AI模型訓練都需要一個目標，稱為目標 3.6 連結公司系統資料庫
函數(Objective function)，或稱損失函數(Loss function)或者誤
將廠務的數據連結廠務CIM與IT資料庫，進行資料接水與
差函數(Error function)。相關論證相當複雜且嚴謹，對於目標
服務設計。簡單地說，廠務冰機資料藉由UC800回傳Chiller
函數選擇有專題性論文探討，本案使用三項指標檢視模型訓
SCADA與廠務SI inSQL，inSQL的資料即時備份至IT專門儲存
練成效 :
的資料庫SDM(Supper Data Market)，廠務CIM透過SDM取得
① 誤差函數(Error function)：絕對誤差(Mean Absolute Error, 資料，再利用已完成訓練的冰機模型進行冷凝壓力預測與異
MAE)與均方根誤差(Root-Mean-Square Error, RMSE)來描 常偵測，最後結果呈現於廠務CIM Web與並透過auto mail警
述模型偏差量，偏差望小。 報通知運轉單位，資料運作流程如 圖7。
2
② 預測與實際相關係數(Correlation Coefficient)：R ，相關係
數望1為高度正相關，代表預測趨勢準確。
③ 殘差分析(residual analysis)：時序性表示回歸誤差，藉此
檢視預測結果與模型選擇是否完備，若模型完備則殘差
接近常態分佈、不完備則殘差呈現趨勢或者週期性，殘
差望小。
對於冰機循環而言，密閉系統的運轉為純物質冷媒
(R123/R134a or other均適用)。不凝結氣體進入或者熱交換
能力降低等會影響冷媒循環的物理封閉性因素均為外部干擾
圖7、廠務冰機現場到雲端運算資料流程圖

76