第四章 訊號處理與特徵提取（Feature Extraction）

## 第四章 訊號處理與特徵提取（Feature Extraction） 在上一章中，我們確立了預測性維護的核心指標（KPIs）。然而，從傳感器接收到的原始數據（Raw Data）往往是「雜亂且充滿噪音」的。例如，一個掛在傳送帶馬達上的振動傳感器，會同時接收到馬達轉動、皮帶摩擦、環境震動、甚至是遠處重型車輛經過造成的地面振動。 如果我們直接將這些原始波形丟入機器學習模型，系統可能會因為過多噪音而產生錯誤預警。因此，**「訊號處理」與「特徵提取」是連接「感測硬體」與「智慧演算法」之間的關鍵橋樑**。本章將帶領讀者進入技術核心，探討如何從混亂的波形中，提取出能反映機器健康狀況的「關鍵特徵」。 --- ### 1. 訊號預處理：清洗數據中的雜訊 在進行任何高級分析之前，我們必須先對原始訊號進行「清洗」。在工業環境中，雜訊通常源於電機雜訊、機械摩擦產生的高頻雜訊，或環境中的背景噪音。 #### 1.1 濾波技術（Filtering） 為了過濾掉不必要的頻率，我們常用以下幾種濾波器： * **低通濾波（Low-pass Filter）：** 去除高頻噪聲。例如，當我們只關心傳送帶馬達的基礎轉速與低頻共振時，可以過濾掉高頻的電磁干擾。 * **高通濾波（High-pass Filter）：** 過濾低頻的環境震動。這有助於識別高頻的齒輪撞擊或軸承早期磨損產生的微小衝擊點。 * **帶通濾波（Band-pass Filter）：** 僅保留特定範圍內的頻率。這在監控特定轉速的驅動馬達時非常有效，能將分析重點集中在特定的機械運行頻率上。 #### 1.2 歸一化與去趨勢（Normalization & Detrending） 為了讓模型能夠比較不同設備的狀態，我們需要將不同量程的訊號進行歸一化。此外，移除因環境溫度或電壓波動導致的長期漂移（趨徑），能確保模型聚焦於「設備特徵」而非「環境變動」。 --- ### 2. 從時域到頻域：快速傅立葉變換（FFT） 這是預測性維護中最經典的技術工具。**時域（Time Domain）** 告訴我們振動隨時間變化的強度，而**頻域（Frequency Domain）** 則告訴我們「是什麼頻率在發生振動」。 #### 2.1 為什麼 FFT 對於倉庫設備如此重要？ 在自動化倉庫中，不同機件的故障往往與特定的頻率相關。透過 FFT 轉換，我們可以將複雜的振動波形拆解成一系列特定頻率的成分： * **馬達轉速相關頻率：** 若該頻率異常升高，可能代表馬達負載過重或皮帶打滑。 * **齒輪系頻率：** 若在特定的諧波頻率處出現異常，代表齒輪齒面磨損或不對稱。 * **軸承故障頻率：** 軸承的內圈、外圈或滾動體故障，會產生非常特徵明顯的頻率。透過 FFT，我們可以精確判斷是哪一個軸承出現早期損耗。 #### 2.2 實務範例：傳送帶驅動系統 當我們對傳送帶驅動馬達進行 FFT 分析時，如果我們在 50Hz（假設為馬達同步頻率）附近發現巨大的峰值，這可能僅是正常運轉；但如果我們在與轉速相關的特定倍數位置出現尖峰，則預示著齒輪系統存在間隙過大或損壞的風險。 --- ### 3. 處理非平穩訊號：小波分析（Wavelet Analysis） 雖然 FFT 是分析穩定運行設備的首選，但在動態變化較大的環境（如：**AGV 啟動/轉向、機械臂高速運動、或機器手臂在不同工位切換時**），訊號往往是「非平穩」的。這時，FFT 往往無法提供足夠的時間空間解析力。 #### 3.1 小波分析的核心優勢 小波分析結合了時域與頻域的優點。它能告訴我們：**「某個特定頻率的異常，發生在什麼時間點？」** * **過渡性事件偵測：** 例如機械臂在抓取物品時突然產生的一個衝擊，小波分析能精準捕捉到這個瞬時異狀。 * **定位非線性變動：** 在分析液壓系統時，當活塞運動到特定位置產生壓力突跳時，小波轉換比 FFT 能更有效捕捉這些瞬間的動態特徵。 --- ### 4. 特徵提取實務：從數據到診斷 為了讓後續的機器學習模型（如 LSTM 或隨機森林）能有效地進行「預警」，我們需要將上述的訊號處理轉化為可量化的「特徵向量」。 | 實體問題 | 關鍵訊號特徵 | 物理意義 | 預警啟動條件 | | :--- | :--- | :--- | :--- | | **軸承磨損** | FFT 頻譜中的特定諧波、Kurtosis (峭度) 增加 | 滾動體受損導致的衝擊點增加 | 峭度值連續 3 個週期超過門檻 | | **齒輪損耗** | 帶通濾波後的特定頻率出現異動、帶寬擴展 | 齒輪表面剝落或對齊偏差 | 辨識出特徵頻率的能量比值顯著改變 | | **馬達過熱/過載** | 電流波形的 RMS 值升高、三相電流不平衡 | 電機過載或內部線圈短路 | 平均電流超出預設範圍 15% 以上 | | **液壓系統洩漏** | 超音波頻率範圍的異常高頻訊號 | 壓力流失導致的高壓液體噴射產生空腔現象 | 超音波偵測強度異常上升 | --- ### 本章總結：提煉有用的資訊\n 我們不應該去「監控所有的數據」，而是要「監測這些數據背後所代表的物理風險」。 透過**預處理（過濾雜訊）**、**傅立葉變換（識別故障頻率）**以及**小波分析（捕捉動態衝擊）**，我們將原始的電壓波形、電流曲線或振動訊號，轉化為能夠反映機械健康度的「特徵」。 這些精煉後的特徵，正是下一章「機器學習預測模型」所需的優質特徵向量。我們透過特徵提取，成功地將複雜的物理現象，轉化為電腦能理解的、具有預警價值的數值指標。這套流程能讓我們從「被動地接收警報」轉向「主動地辨識異常」。 **下章預告：** 在掌握了這些核心特徵後，我們進入核心算法層面：**「基於機器學習的預測模型與預警演算法」**。我們將探討如何利用這些特徵，來預測機器剩餘壽命（RUL），並建立自動化的紅、黃、綠三色預警系統。