台灣的風能資源豐富舉世公認，擁有陸域風場 30 處，陸域風機 350 餘台。尤其西部沿海與澎湖地區由於地形效應，冬季東北季風與夏季西南季風特別旺盛，提供發展風力發電之有利條件，據統計 2020 年發電量達 24.33 億度 (2,433GWh)。然而，台灣高溫潮濕的環境，亦使得風機設備在保養維護上面臨挑戰。因此，為了讓風機處於隨時都能夠發電的最佳狀態，需要在風機運轉發生異常的初期，即時通報維修人員進行處理，一方面降低設備損耗，同時也能延長風機的使用壽命，維持風機運轉穩定。

Tukey 為智慧工廠打造的 AI 建模與管理平台，讓設備保養人員在不用寫程式的情況下，輕鬆快速的建立風機設備性能監控 AI 模型。

通過這篇文章，你可以學到

• 透過擬真案例，迅速理解設備性能監測的 End-to-End 建置流程，包含：
• 執行資料探索分析與資料清洗
• 以 AutoML 建立 baseline 模型
• 基於模型評估指標與圖表，進行模型再調校
• 啟動 Tukey Model API，串接風機性能即時監控看板

背景知識與分析目標

聲明：本範例資料為開放資料模擬再製，與設備實際規格、台灣風場現況不盡相符。

自風機 SCADA 系統擷取運轉資料，每十分鐘一筆。如上圖所示，資料包含發電功率、風速、風向、軸承溫度、齒輪箱潤滑油溫度、發電機轉速、風機液壓油壓力與風機液壓油溫度等。

已知發電功率（GRID_POWER）與風速（AMB_WINDSPEED）有強相關性。希望打造一個風機設備性能監控 AI 模型，監控風機的發電功率是否正常。

分析流程

1. 匯入風機運轉資料

 

2. 觀察資料的分佈

以單維度與雙維度的資料視覺化，進行資料探索，觀察資料趨勢與分佈。

3. 資料萃取

傳統感測器採集的時序資料，無法區分哪些時段設備穩定運作、故障停機。需要依靠領域知識萃取穩定運轉的資料，以建立風機發電功率性能模型。

首先，下篩選條件，選取發電功率大於零的資料 (發電功率為零表示設備停機或無風)。

其次，已知「高速端軸承溫度」與「風機風速」有關聯性，繪製雙變數的散佈圖，以拖曳圈選的方式，篩除與其他值表現明顯不同的離群值。

值得一提的是，所有編輯動作都會記錄在 Tukey 的右側欄。

4. 建立預測模型

已知發電功率（GRID_POWER）與風速（AMB_WINDSPEED）有相關性，先利用這個基礎背景知識建立一個初階模型。預測目標選擇「發電功率」（GRID_POWER），自變數選擇「風機風速」（AMB_WINDSPEED），演算法選擇最初階的廣義線性迴歸（GLM）。

5.解讀預測結果

模型建立完成後，可以藉由RMSE、MAE、MAAPE 三個模型評估指標確認模型表現 (此三個數值愈小，代表模型表現愈好)。此外，Tukey 也提供視覺化圖形協助使用者評估模型表現。

以左上角的 Actual — Predicted Plot 為例，此為發電功率 (GRID_POWER, KW)實際值與預測值的對照圖。若預測完全正確，藍點會落在左下至右上的對角線上。分析時會特別查看誤差較大 (離45度線特別遠) 的區域。

觀察此圖，最明顯的地方是有許多發電功率實際值為 2000 (KW) 左右時，預測值的誤差都高估 (預測值為2000 ~ 2800)。

另一個比較不明顯的地方是，當發電功率實際值小於 2000 (KW) 時，圖形分佈呈 S 形，在實際值小於 1000 (KW) 時，預測值高估；在實際值介於 1000 至 2000 (KW) 時，預測值則低估。

關於 Tukey 選擇這 RMSE、MAE、MAAPE 這三個模型指標以及這四種模型評估圖形的設計理念與進階判讀方式，未來會另起專文說明 (或是來報名台灣人工智慧學校，享受完整的手把手課程)。

6. 建立進階模型，進行模型比較

在觀察 baseline 模型 (GLM_MODEL_GRID_POWER) 評估頁面後，初步判斷發電功率 (GRID_POWER) 與風速 (AMB_WINDSPEED) 並非線性相關。故改用非線性的 GAM 演算法，建立進階模型。

觀察「模型比較」頁面，會發現以 GAM 演算法建置的模型其 RMSE 明顯優於 GLM ，且 Actual — Predicted Plot 分佈也更貼近對角線。

至此，便可將模型部署上線。

風機性能監控看板

在 Tukey 建立的 AI 模型可以以 API 的方式介接出來，以監控看板的方式呈現。圖表會跟著最新的資料即時更新顯示。當風機性能表現衰退至特定程度時，系統即會發送通知，提醒維修保養工程師安排停機保養