第 3 章：關鍵設備的狀態監測指標 (KPIs)

## 序言 在前一章中，我們討論了如何利用感測技術將物理世界的現象（如震動、熱量、電流）轉化為數位數據流。然而，對於自動化倉儲的維護管理人員而言，原始的數據流（Raw Data）往往是難以直接跨越到決策層的。一組包含成千字的高頻振動波形數據，對於維修人員來說，除非他們是專門的訊號分析專家，否則難以瞬間判斷「這台傳送帶是否會在兩週內損壞」。 為了將數據轉化為可行動的預警，我們必須建立**關鍵指標（Key Performance Indicators, KPIs）**。在預測性維護中，這些指標是我們衡量設備「健康度」的尺度。本章將針對自動化倉庫中的四大核心設備，定義具體的監測指標與初步的健康評估模型。 --- ## 3.1 傳送帶電機：動力系統的核心 傳送帶是自動化倉儲的「動脈」。若傳送帶停機，整個物流鏈條將瞬間癱瘓。傳送帶驅動電機通常是持續運行、高負載的設備，其主要故障點在於**軸承磨損、齒輪損耗以及繞線過熱**。 針對傳送帶電機，我們定義以下核心監測指標： 1. **振動特徵（Vibration Profile）：** * **RMS 值（均方根值）：** 反映電機整體的振動強度。當 RMS 值持續上升時，通常預示著軸承或齒輪出現初步磨損。 * **峰值與皮克值（Peak & Crest Factor）：** 用於判別衝擊性故障（如齒輪崩齒或軸承滾珠碎裂）。 2. **溫度特徵（Thermal Profile）：** * **馬達外殼與繞線溫度：** 利用紅外線感測器或嵌入式溫度感測器。溫度異常升高通常與潤滑不足或過載運轉有關。 3. **電流與電壓波動（Electrical Signature）：** * **電流不平衡度：** 若三相電中的電流不平衡，可能預示著繞線短路或啟動電容器故障。 * **諧波分析（Harmonic Analysis）：** 監測電網雜訊與電機對電網的干擾，確保電力系統的穩定性。 --- ## 3.2 自動導引車 (AGV)：移動機器人的穩定性\n AGV 或 AMR（自主移動機器人）是倉儲中負責點對點運輸的關鍵機器。與固定設備不同，AGV 具有頻繁的起停、轉向與載重變動，其健康評估重點在於**驅動馬達的穩定性與輪組的磨損狀況**。 我們建議對 AGV 建立以下監測指標： * **驅動馬達電流一致性：** 當 AGV 在平整路面行駛時，若兩側驅動馬達的電流消耗出現顯著偏差，可能暗示一側輪子磨損不均或變速器受損。 * **輪載與扭矩回饋：** 監測馬達與地面接觸產生的扭矩，判斷輪胎壓力與抓地力。若扭矩頻繁跳動，可能代表輪胎受損或地面不平整導致的機構負擔過大。 * **電池健康度 (SoH) 與放電曲線：** 監測電池在不同載重下的壓降情況，預警電池衰退或內阻過高，避免 AGV 在運輸高價值貨品途中因電力不足而停機。 --- ## 3.3 分揀機器手臂：精確動作的關鍵\n 在自動分揀中心，機械手臂需要極高的精確度與重複性。機械臂的故障通常表現為**定位偏差、關節磨損或伺服電機過載**。 針對機器手臂，我們關注以下指標： 1. **伺服驅動器轉矩偏移（Servo Torque Deviation）：** * 監測實際產生的轉矩與模型預測轉矩的差距。如果某個關節（如 X 軸）的轉矩不斷上升，通常是為了克服因潤滑油乾涸造成的機械摩擦。 2. **重複定位誤差（Repeatability Error）：** * 透過感測器記錄手臂在重複動作中的位置偏移。一旦偏離預設容差，即判定為構造鬆動或傳動鏈條損壞。 3. **高頻振動特徵：** * 偵測手臂末端（End Effector）在高頻循環動作時產生的共振。異常共振可能是結構疲勞或緊固件鬆動的早期訊號。 --- ## 3.4 堆高機液壓系統：動力傳輸的穩定性\n 對於大型貨架的搬運，液壓系統提供強大的推力。液壓系統的維護難點在於**洩漏難以直觀觀察，但壓力與流速的異常波動卻能清晰預示系統老化**。 液壓系統的核心監測指標包括： * **壓力波動曲線（Pressure Pulse）：** 正常運作下壓力曲線應平滑且穩定。若出現頻繁的微小脈動（Pressure Spikes），可能是泵浦內部磨損或比例閥卡滯。 * **液壓油溫監測：** 液壓油過熱是密封件損壞與效率下降的直接指標。持續高溫會導致密封件變形，導致系統壓損。 * **流速與泵浦流量：** 藉由流速感測器監測單位時間內的流量，判斷泵浦內部是否出現內部洩漏。 --- ## 3.5 建立初步的健康評估模型\n 當我們獲得了上述針對不同設備的關鍵指標後，我們需要一套邏輯來判斷「機器目前健康嗎？」這就是**健康指數 (Health Index)** 的建立。 我們採用以下三個層次的評估模型： | 評估維度 | 評估邏輯 | 應用於... | | :--- | :--- | :--- | | **靜態閾值 (Static Threshold)** | 當指標超過廠商或設計規範的極限值時發警（例如：馬達溫度 > 80°C）。 | 安全保護、嚴重故障即時預警。 | | **動態趨勢 (Trend Analysis)** | 監測指標隨時間變化的斜率（Slope）。即使尚未達到極限，但若短時間內急速上升，則預警。 | 預測性維護核心（如：軸承磨損預警）。 | | **偏離模型 (Anomaly Detection)** | 將現狀與「正常工況」的歷史模型進行對比。當當前行為偏離標準模型時（如：同等載重下電流異常高）。 | 識別細微異常、精細化預警。 | ### 核心結論 建立正確的 KPI 是預測性維護的關鍵。我們不能要求系統對所有的數據波動都發出警報，否則會造成「警報疲勞」。我們必須專注於**與設備壽命直接相關的關鍵訊號**。在自動化倉儲中，無論是傳送帶的馬達、AGV 的驅動組件、機器手臂的精密關節，還是堆高機的液壓系統，唯有針對這些核心機件定義精確的監測指標，我們才能在真正發生故障前，給予維修團隊寶貴的預警時間。這將為下一章我們討論的「訊號處理與特徵提取」提供具體的分析目標：**我們不再只是在監測數據，我們是在監測這些數據背後所代表的物理損壞風險。** ## 本章小結 本章確立了預測性維護中最重要的過渡點：**將感測數據轉化為專業的維護指標**。我們為自動化倉儲的四大核心設備——傳送帶、AGV、機器手臂、液壓系統——分別定義了獨特的 KPI。這些指標涵蓋了機械、電力與液力等多維度的特徵，並初步建立了一個從單純「警報」過渡到「預警」的健康評估框架。這套評估框架將成為我們後續利用機器學習模型來預測剩餘壽命（RUL）的基礎模型。