近年來，人工智慧(AI)正以驚人的速度發展，從早期的基礎演算法演進至今日具備高度判斷與學習能力的智慧系統，AI已成為推動產業升級與創新的關鍵力量，在製造業中，工具機產業作為精密加工的核心領域，正逐步走向智慧化與數位化，AI的導入已不再是前瞻性的構想，而是實際落地的趨勢，工具機產業長期以來仰賴精密機械結構與人員操作經驗，然而在面對日益複雜的製程需求、多樣化的客製化產品以及全球供應鏈的挑戰下，傳統模式已逐漸顯現出其侷限性，AI的導入，為工具機產業提供了新的解方，不僅能協助企業提升決策效率與生產彈性，更能強化整體系統的智慧化程度，進一步改善管理流程與資源配置。目前已有越來越多工具機製造商與使用端企業開始投入AI相關應用的研究與實驗，顯示出產業對於AI技術的高度期待，AI不僅能協助企業面對技術升級的壓力，也有助於解決人力短缺、品質控管、設備管理等長期存在的問題，透過AI的導入，工具機產業有機會從「製造導向」轉型為「智慧導向」，開啟新一波的技術革新與價值創造。
前言
隨著全球製造市場逐漸轉向小批量、多樣化的生產模式，工具機在生產流程中所扮演的角色愈加關鍵，面對快速變化的產品需求與縮短的交期壓力，設備的穩定性與可用性成為影響產能與營運效率的重要因素，然而，工具機在長期運作下，內部零組件如軸承、滑軌、主軸等會因磨耗、疲勞或環境變化而逐漸劣化，導致機台健康度下降，進而引發突發性故障與停機。目前業界普遍採用定期檢修與人工調教的方式維持設備運作，但此類方法無法即時掌握機台的實際健康狀態，且存在「過度維護」與「維護不足」的風險。尤其在小批量、多樣化的生產環境中，臨時故障不僅造成生產中斷，更可能影響整體排程與交期，對企業營運造成不小衝擊。
針對這些問題，本研究提出兩項AI技術 : 傳動軸數位化智慧故障診斷模組與切削振動訊號生成與評價模組，結合機械專業知識與智慧分析能力，使工具機能夠在日常運作中持續監控自身狀態，並主動進行健康判斷與異常預警。
本研究透過上述兩項技術的導入，工具機不再只是被動運作的加工設備，而是具備自我管理能力的智慧系統，此一轉型不僅符合智慧製造的發展趨勢，也為製造業者在面對高變動、高要求的市場環境中，提供更穩定、安全且具彈性的生產基礎。
傳動軸數位化智慧故障診斷模組
隨著智慧製造與工業4.0的快速發展，設備維護策略正從傳統的被動維修與預防性維護，逐步邁向以數據驅動的預測性維護，傳統方法往往依賴大量感測器與實體量測，然而在實際應用中，感測器佈署成本昂貴且受限於安裝環境，導致其普及性受到限制，為解決此問題，本研究提出一套結合數位化診斷與人工智慧技術的智慧診斷模組，透過數位預估與多訊號融合技術，實現低成本且高準確度的設備健康度監測。該模組的核心概念在於利用現有控制器數據與數位預估模型，推算機台關鍵運行參數，並結合有限的感測器訊號進行多訊號融合診斷，具體而言，系統整合三類數據來源：(1)透過數位預估技術獲得的溫度資訊；(2)由加速規取得的振動訊號；(3)控制器提供的馬達電流與轉速數據，接下來將針對本模組兩項關鍵技術進行介紹：
1.多訊號融合分析技術 : 將振動/加速規訊號、數位預估的溫度、控制器提供的轉速與馬達電流數據整合於同一時間基準，形成一致且可追溯的資料結構，首先進行時間同步、時戳校正與重新取樣，並處理缺漏值與時間漂移，同時統一單位與量測尺度，在轉速變化的情況下，透過轉換與重新取樣，將不同轉速下的訊號標準化到相同基準，避免頻率隨轉速變化而產生漂移，電流與振動訊號以連續小波轉換(CWT, Continuous Wavelet Transform)轉換成時頻圖，轉速與溫度則保留為時域序列，並在統一的時間索引下建立對應關係。融合結果以多通道資料物件呈現，保留來源、取樣頻率、頻帶與量測位置等中繼資訊，此方式在感測器有限的前提下，同步匯集電磁、結構與熱狀態的互補訊息，為後續的智慧診斷與健康指標建構提供完整且一致的輸入基礎(圖1)。
2.智慧故障診斷技術：本技術採用深度學習架構進行設備故障診斷，模型設計以卷積神經網路(CNN, Convolutional Neural Network)為核心，透過多層卷積層自動提取輸入訊號的局部特徵，為降低特徵維度並減少計算負擔，模型在卷積層後引入最大池化，有效保留關鍵資訊並抑制過擬合風險，激勵函數採用修正線性單元，以增強模型對非線性特徵的表現能力，確保模型在多變且複雜的運行條件下仍能保持穩定的識別性能。最終，經過多層特徵提取與壓縮後的輸出，通過Softmax分類器進行多類別判斷，產生對應的故障類型預測結果。此架構能直接從原始訊號或時頻圖中自動學習特徵，避免傳統方法需人工設計特徵的限制，並在多訊號融合輸入下展現更高的診斷準確率與泛化能力(圖2)。
切削振動訊號生成與評價模組
以AI技術進行設備故障或加工異常診斷時，模型效能高度依賴大量且多樣的訓練資料，然而實務上異常事件發生機率低，資料蒐集受限於生產節拍、停機成本與標註門檻，形成嚴重的類別不平衡(正常>>異常資料)，導致診斷準確度不足，此外，不同設備在機構、驅動與控制策略上的差異，既有模型難以直接移轉，往往需要重新累積資料與再訓練，造成導入週期冗長與成本昂貴，為解決上述痛點，本研究提出一套「切削振動訊號生成與評價模組」，以生成式AI補足稀缺的設備故障與加工異常樣本，降低資料蒐集成本並強化跨設備適應力。核心作法為先以短時傅立葉轉換(STFT, Short-time Fourier Transform)將高維度時序訊號轉換為二維時頻圖，借重生成式AI在影像處理與資料生成的成熟能力產生具物理一致性的時頻影像；再結合金屬切削設備領域知識建構時域∕頻域綜合評估指標，輔以自動編碼器(AutoEncoder)萃取關鍵表徵並還原成二維的圖片資料，配合鑑別器比較生成與真實樣本差異，透過此「轉換—生成—評估」步驟，可系統性擴充異常樣本，作為訓練與微調診斷模型的可靠來源。接下來將針對本模組兩項關鍵技術進行介紹：
1.金屬切削振動資料生成技術：本技術以「時頻轉換結合生成式對抗網路(GAN, Generative Adversarial Network)」為核心，針對金屬切削過程中產生的高維度振動訊號進行資料生成，首先透過短時傅立葉轉換(STFT)將原始時序訊號轉換為二維時頻圖，將時間與頻率特徵以影像形式呈現，降低直接在高維時域建模的複雜度，並保留訊號的主要能量分佈與特徵模式，接著利用GAN的對抗式學習機制，讓生成器(Generator)學習真實時頻圖的統計特性，並透過鑑別器(Discriminator)進行對抗訓練，逐步提升生成影像的擬真度與多樣性。此方法能有效擴充異常樣本數量，緩解資料不平衡問題，並建立結構一致的資料集，為後續AI模型訓練提供更完整的輸入基礎。相較於傳統資料擴增方式，本技術不僅能生成具代表性的異常樣本，還能降低資料蒐集成本，並提升模型在不同應用場景下的適應性，進一步推動智慧製造與預測性維護的落地應用(圖3)。
2.金屬切削生成資料評估技術 : 以原始實測資料作為基準，並結合領域知識設定合理的時頻特徵範圍，作為生成資料比對的參考，採用自動編碼器將時頻圖壓縮至低維特徵空間，萃取最具代表性的結構資訊，再利用重建過程檢視生成樣本與基準樣本在特徵層面的相似度，避免僅依賴像素層比對而忽略訊號本質。除此之外，透過鑑別器對生成樣本進行判別，觀察其與真實樣本的可分辨性，作為擬真度的輔助指標，最後再將特徵一致性與鑑別結果整合為單一品質評分，並設定接受門檻，形成自動化的篩選機制，確保進入資料庫的生成樣本具備足夠的可信度與代表性。此方法不僅提升資料品質控管的效率，也能降低人工檢驗成本，並確保後續 AI 模型訓練所使用的資料穩定、可追溯且符合實際應用需求，為智慧製造中的資料擴增與模型優化提供可靠支撐(圖4)。
工具機領域之應用案例
國內工具機廠商已導入鑑別式AI技術，多用於設備狀態監控、刀具壽命預測及熱變位補償等應用，但仍處在開發與優化階段，常因設備異常資料難以取得，導致AI模型訓練資料不平衡，使得診斷準確度不佳，易出現誤判或漏檢，難以成功應用於實際產線。透過本技術的導入，協助國內外客戶有效降低設備照護成本、縮短導入時程與維修等待，並在過程中累積可重用的異常樣本與模型資產，最終形成可複製的解決方案與商業模式。透過標準化的資料生成與評估流程，企業能快速補足異常資料，避免長時間等待實測數據，將模型訓練與部署週期大幅縮短。
...更多內容，請見《機械新刊》雜誌
