預測性維護：為什麼你的押出機應該在壞掉前告訴你

發布日期：2026/05/28

摘要關鍵：預測性維護 (PdM)、快速傅立葉轉換 (FFT)、短時傅立葉轉換 (STFT)、連續小波轉換 (CWT)、震動監測、電流特徵分析 (MCSA)

一、引言：突發性停機——高產能產線的千萬級惡夢

在全自動化或高產速的押出加工現場，最讓廠長與運維主管心驚肉膽的，莫過於設備毫无預警的「猝死」。

減速箱內部齒輪的一個微小微裂痕、或者是高負載馬達軸承的異常磨損，在初期往往靜若處子。然而，高分子押出是一個伴隨著高背壓、高扭力的連續性製程，這些隱蔽的初期微瑕疵，一旦跨過臨界點，就會在數分鐘內演變成齒輪崩壞、螺桿卡死等災難性故障。這不僅意味著高昂的硬體維修費用，更伴隨著清機料、報廢品以及產線停擺數天的巨大經濟損失。傳統的「壞了再修（事後維護）」或「定期保養（預防維護）」，已經無法滿足現代智慧工廠對極致稼動率的追求。新世代的押出機，必須學會在壞掉前，自己開口「說話」。

二、傳統維護的死角：為什麼 PLC 只能在災難發生後「收屍」？

許多工廠目前高度依賴 PLC 監控馬達電流或總震動訊號（RMS 均方根值），並設定一個臨界上限作為警報。這種作法在精密診斷中存在嚴重的致命傷：

1. 總量指標抹平了初期微弱特性的變異

當減速箱齒輪剛出現微小的剝落（Pitting）時，它所引發的衝擊能量極低，完全會被淹沒在整台擠出機巨大的機械背景雜訊中。此時，傳統 PLC 觀測到的總震動時域能量（RMS）幾乎沒有任何起伏。等到 RMS 數值發生顯著跳動時，通常齒輪已經嚴重崩損，系統只能被迫緊急停機。

2. 機械結構與流體不穩定性的強耦合

押出機的震動與電流波動，同時受到「硬體機械缺陷」與「流體動態波動（如熔體脈動、螺桿局部乾摩擦）」的交互影響。 PLC 無法在時域訊號中分辨這兩者的差別，這會導致大量的誤報或漏報，讓製程人員無所適從。

三、從時域走向頻域：破解機械信號的數位密碼

要實現高精準度的預測性維護，必須引入高速硬體採樣與微秒級的信號處理演算法。在琮閔精機的架構中，我們透過 PC-Based 平台的高頻採樣，將採集到的時域振動與電流信號轉化為多維度的診斷指標：

1. 快速傅立葉轉換 (FFT)：靜態頻譜的硬體診斷

快速傅立葉轉換（FFT）是將時域信號 $x(t)$分解為頻域特徵的經典演算法。藉由觀察不同頻率成分的振幅變化，我們能直接鎖定特定機械元件的特徵頻率（如軸承外圈故障頻率 BPFO）：

$$ X(f) = \int_{-\infty}^{\infty} x(t) \cdot e^{-i 2\pi f t} \, dt $$

當減速箱內某個軸承出現微小損傷，每當滾珠滾過損傷點，就會產生一個固定頻率的衝擊。FFT 能將這個微弱的特定頻率成分從雜訊中分離出來。只要該頻率的能量點緩步上升，系統就能提前數周精準預警：「3 號軸承已進入磨損初期」。

2. 短時傅立葉轉換 (STFT)：動態製程的時間-頻率動態解析

然而，押出製程往往不是處於絕對靜態（例如前面提到的自動升降速、材料參數切換）。FFT 在非穩定信號下會失去時間維度資訊——我們知道某個故障頻率出現了，卻不知道它是何時出現、如何演變的。
因此，系統引入了短時傅立葉轉換（STFT），透過滑動視窗函數 $w(t)$，在時間與頻率軸上同時展開：

$$ STFT\{x(t)\}(\tau, f) = \int_{-\infty}^{\infty} x(t) \cdot w(t-\tau) \cdot e^{-i 2\pi f t} \, dt $$

這讓系統在產線變速階段，依然能精確追蹤馬達電流與機械震動特徵線的動態位移，避免因產速改變引發的信號模糊。

3. 連續小波轉換 (CWT)：高頻瞬態衝擊的「顯微鏡」

在螺桿發生局部瞬間乾摩擦、或齒輪裂痕引發的極短促非線性衝擊中，STFT 會受到「海森堡測不準原理」的限制（無法同時兼顧極高的時間解析度與頻率解析度）。此時，**連續小波轉換（CWT）**便成了我們最強大的診斷武器。它利用可縮放平移的小波基底函數$\psi_{a,b}(t)$，實現了多解析度分析：

$$ CWT_x(a, b) = \frac{1}{\sqrt{|a|}} \int_{-\infty}^{\infty} x(t) \cdot \psi^*\left(\frac{t-b}{a}\right) \, dt $$

在高頻段，CWT 具有極高的時間解析度，能精準捕捉到毫秒級的瞬態衝擊裂痕信號；在低頻段，則具有高頻率解析度，能細緻觀察馬達軸心的低頻偏心晃動。這項技術讓預測性維護達到了微觀級別的精度。

四、電流特徵分析 (MCSA)：無需外掛感測器的智慧診斷

除了在減速箱外殼安裝震動感測器，iPD 系統更整合了高階的馬達電流特徵分析（Motor Current Signature Analysis, MCSA）。

當螺桿內部因為局部熔融不均、阻力異常，或是驅動馬達轉子發生偏心時，這些微小的機械負載變動會直接反向調變（Modulate）馬達的定子電流訊號。透過對驅動器的電流進行高速採樣與 CWT 運算，系統可以在不額外加裝任何震動感測器的前提下，直接從電氣訊號中逆向解構出內部機械的受力狀態。這不僅大幅降低了硬體改裝的成本，更提高了系統在高溫、高污染加工環境下的可靠度。

五、結語：讓設備主動參與管理，邁向零故障生產

從看得到的警報，到看不到的頻域特徵；從被動的搶修，到主動的前瞻性維護。智慧化設備的核心價值，就在於能將這些複雜的數位信號處理技術，固化為工廠自主決策的依據。

透過 FFT、STFT 與 CWT 的三劍合璧，結合 MCSA 電流分析，琮閔精機為高強度運轉的押出機配備了全天候的「聽診器」。設備不再是沉默的鋼鐵，而是能在故障發生前數周，就清晰指明病灶的智慧實體，協助企業真正根除無預警停機，全面釋放連續化生產的極致潛能。

在後續的專欄中，我們將跨越單機診斷，邁向整廠互聯的宏觀維度：從單機智慧到整廠雲端邊緣計算（Edge-to-Cloud）的架構實踐。我們將探討，這些高頻採集的健康大數據，如何與 ERP、MES 系統深度對接。

重要的名詞

短時傅立葉轉換 (STFT): 一種將時域訊號透過「滑動窗函數」進行分段傅立葉轉換的時間-頻率分析技術。它克服了傳統 FFT 缺乏時間維度的缺陷，能清晰呈現頻譜隨時間演變的動態過程，非常適合監控押出機在升降速或換料參數切換時的非穩定訊號變化。
連續小波轉換 (CWT): 一種多解析度的時頻分析方法。它使用具有有限長度與衰減特性的「小波基底」取代傳統的三角函數，在高頻段具備極高的時間解析度，在低頻段具備高頻率解析度，如同「訊號顯微鏡」般，極其適合用來捕捉螺桿局部乾摩擦或齒輪微小裂痕所引發的毫秒級瞬態衝擊。
馬達電流特徵分析 (MCSA): 一種透過監測馬達定子電流頻譜變化來診斷設備健康狀態的高階無損檢測技術。當螺桿內部因熔融不均導致阻力異常，或減速箱齒輪磨損時，這些機械負載變動會反向調變定子電流。此技術無需額外外掛震動感測器，即可直接從電氣訊號逆向解構機械受力狀態。