異常資料生成應用於軸承故障診斷

前言

在全球製造業加速邁向智慧化與自動化的當下，工業 4.0 已成為各國提升生產競爭力的重要方向。工具機作為精密加工領域的核心設備，其運轉穩定性、加工精度與稼動率直接影響產線效能與產品品質。在眾多機械元件中，主軸與進給軸上的滾動軸承長期承受高轉速、切削負載與複雜振動，是工具機最常見且故障影響最劇烈的部位之一。一旦發生故障，將造成突發停機、主軸損壞、加工不良與高額維修成本，因此，預先掌握軸承健康狀態並避免非預期停機，已成為智慧工具機的重要發展課題。

隨著振動、加速度、電流與聲學感測器的普及，現代工具機得以蒐集大量運轉數據；同時深度學習（Deep Learning）在機械設備健康監測領域展現卓越能力，能自動擷取振動訊號中的複雜模式，協助辨識不同類型的異常。然而，深度學習的效能高度依賴大量且均衡的訓練資料，但真實生產現場中，多數時間皆為正常加工，軸承故障則屬低機率事件，加上不同加工的狀況下早期故障特徵極為微弱，導致可用的異常資料稀少且類別分布嚴重不平衡。若僅以少量故障樣本訓練模型，容易造成模型偏向正常類別，甚至因過度擬合而無法有效識別新型態或輕微故障，降低預測性維護系統的實用性。

為突破這項瓶頸，生成式人工智慧（Generative AI, GAI）近年於機械診斷領域受到高度關注。以生成對抗網路（GAN）、變分自編碼器（VAE）與擴散模型（Diffusion Model）為代表的生成架構，能從有限的資料中學習振動訊號的潛在分布，進而合成在統計特性與物理意義上均高度類似的新訊號。相較於傳統的資料增強方式僅能利用加噪、平移或插值擴充資料等方式，生成式 AI 能捕捉早期故障常見的多頻能量變化、非線性行為與瞬態衝擊特徵，生成更具多樣性與真實性的異常資料，使深度模型得以在訓練過程中學習更多可能發生的故障模式。

對金屬切削工具機而言，振動訊號的特性更顯複雜，刀具衝擊、切削力波動、熱變形、共振頻帶擴散等因素易造成高頻雜訊與非平穩行為，使故障訊號辨識更加困難。此情況下，生成式 AI 能協助模擬不同切削條件、不同故障程度，甚至不同加工材質下的異常模式，有效補足實務上難以取得的稀缺資料，提升模型對輕微故障與複雜工況的敏感度，讓預測性維護系統更具可靠性與實用性。

綜觀上述，生成式 AI 應用於軸承故障診斷的最大價值，在於解決資料稀缺與不平衡的根本問題，並提升深度學習模型的準確度、泛化能力與部署效率。同時也能協助工具機製造商與加工廠降低非預期停機風險、提升機台使用率、強化加工品質，對整體產業具有明顯的效益與競爭力提升作用。

未來，隨著生成式 AI 技術不斷成熟，其將成為智慧工具機與預測性維護不可或缺的核心技術之一，並將持續推動製造業邁向更高層次的智慧化與可靠性。工研院所開發的故障診斷技術涵蓋資料前處理、稀缺資料生成、零異常樣本檢測、異常樣本分類等技術。

異常振動訊號前處理

振動訊號在設備異常檢測領域中具有廣泛應用，通常透過在設備上安裝加速規以獲取振動資料。所獲得的訊號多為時域資訊，即時間與振動幅度的變化。然而，僅依據時域資料要精確判斷設備損壞位置相當困難，主要原因在於不同損壞位置所呈現的特徵差異極微，訊號區分度低，容易導致分類誤判。

基於時域資料在損壞特徵呈現上的侷限，現有研究多採用頻域分析。頻域訊號由頻率與幅度構成，不同損壞狀態會在特定頻率產生對應能量分布，因而能有效提升異常狀態的分類與辨識能力。隨著圖形處理器（GPU）技術的進步，類神經網路已廣泛應用於此領域。

DOI:10.30256/JIM.202603_(516).0014