這個單元要來探討的主題是：如何應用“SPR” 技術路徑(technical roadmap)處理振動(vibration)與噪音(noise)問題？這是這個系列的第3篇：(3) 如何解析”R-test-N”量測數據？
要探討這個主題，參閱左上方圖示，先回顧：【振動/聲音之結構路徑/空氣路徑之S → P → R系統方塊圖】，讀者可參閱參考單元：#351，【由SPR方塊圖看需要哪些實驗與分析？】。
因為要處理噪音問題，當然第一個步驟，就要先知道結構系統的噪音狀態，目的在瞭解聲音的特徵。所以，要進行”R-test-N”：Response-test-Noise：響應-實驗-噪音：就是量測結構的聲音壓力響應 𝒑(𝒕)。本單元的重點：如何解析”R-test-N”量測數據？
參閱圖示左邊中間，顯示一部馬達(motor)，分別以麥克風(microphone)量測聲音響應，以及使用三軸向加速度規(triaxial
accelerometer)量測振動響應。並透過數據採集裝置DAQ (Data AcQuisition device) NI-9234，配合SVM振動噪音量測系統，可以量測motor的振動噪音。
本單元的重點：如何解析”R-test-N”量測數據？在先前單元：#354，【如何應用SPR技術路徑處理振動噪音問題？(1) 如何進行R-test-N？】。引用第四個心法=【F-S-M-I-V-C-I】的Index指標：針對噪音響應，參閱圖示左邊下方，顯示”R-test-N”的What to show? 應該呈現甚麼Index 指標？以及對應圖示的Value 數值，包括：𝒑(𝒕)、𝑮𝒑𝒑(𝒇)、𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)、𝑳𝒑,𝒆𝒒、𝑮𝒑𝒑(𝒕,𝒇)、𝑳𝒑(𝒕)。
參閱圖示右上方，顯示先前單元：#109，【對一個信號進行頻譜分析的原理為何？】，聲音量測信號的頻譜分析流程圖，有甚麼Index 指標？綜合說明如下：
1. 𝒑(𝒕) = time waveform = 時間波形：量測到的聲音壓力響應 𝒑(𝒕)，是原始數據(raw data)。
2. 𝑷(𝒇) = Fourier spectrum = 傅立葉頻譜：對
𝒑(𝒕)進行FFT快速傅立葉轉換(fast Fourier
transform, FFT)處理，可以得到𝑷(𝒇)
傅立葉頻譜，會是複數，不可平均，是單一個時間區間的頻譜特徵。所以，通常並不會深入探討。
3. 𝑮𝒑𝒑(𝒇) = sound spectrum = 聲音頻譜：取得的 𝑷(𝒇)，透過PSD (power spectral density, PSD)處理，可以取得聲音的功率頻譜(power spectrum, auto PSD spectrum) 𝑮𝒑𝒑(𝒇)，可簡稱聲音頻譜(sound spectrum)。聲音頻譜顯示的峰值(peaks)，就是主要發聲的頻率。
4. 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) = 1/3 octave band
spectrum = 三分之一倍頻頻譜：再由𝑮𝒑𝒑(𝒇)，進行三分之一倍頻(one third octave
band)處理，可以取得 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)，主要是配合人耳感官的聽覺效果。
5. 𝑳𝒑,𝒆𝒒 = equivalent sound pressure level = 等效聲音壓力位準/聲壓級：由𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)，可以累加 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) 每一個 𝒇𝒄 中心頻率(central frequency)的聲音壓力位準dB，進而得到𝑳𝒑,𝒆𝒒。簡單說，就是在量測時間內的噪音量大小之平均值，實際上是均能 (equivalent
energy)的概念。
6. 𝑮𝒑𝒑(𝒕,𝒇) = spectrogram = 時頻圖：必須透過時頻分析(time frequency
analysis)，常用短時傅立葉轉換(short time Fourier transform, STFT)處理，以得到時頻圖。本單元暫不深入討論。
7. 𝑳𝒑(𝒕) = sound pressure level = 聲音壓力位準/聲壓級：對應時間軸，每一個瞬間的聲音壓力位準/聲壓級。本單元暫不深入討論。
接下來，參閱圖示右邊的系列圖示，深入探討每一個Index 指標以及對應圖示的Value 數值，綜合說明如下：
1. 𝒑(𝒕) = time waveform = 時間波形：本案例，總量測時間為64 sec，影片中第一個圖示，是最後一個量測區間，所量測到的聲音壓力響應 𝒑(𝒕)，是原始數據(raw data)。可以進行FFT處理，取得對應的𝑷(𝒇)
傅立葉頻譜。
2. 𝑷(𝒇) = Fourier spectrum = 傅立葉頻譜：對
𝒑(𝒕)進行FFT快速傅立葉轉換(fast Fourier
transform, FFT)處理，可以得到𝑷(𝒇)
傅立葉頻譜，會是複數，不可平均，是單一個時間區間的頻譜特徵。所以，圖示為 𝑷(𝒇) 的振幅值|𝑷(𝒇)|，由於沒有平均，看到的頻譜，不具代表性，通常並不會深入探討，可以視為過程資訊，需注意：當取100次平均，會有100個𝑷(𝒇)。然而，通常有興趣的平均頻譜是 𝑮𝒑𝒑(𝒇)。
3. 𝑮𝒑𝒑(𝒇) = sound spectrum = 聲音頻譜：取得的 𝑷(𝒇)，透過PSD (power spectral density, PSD)處理，可以取得聲音的功率頻譜(power spectrum, auto PSD spectrum) 𝑮𝒑𝒑(𝒇)，可簡稱聲音頻譜(sound spectrum)。需注意：𝑮𝒑𝒑(𝒇)是可以平均的，本案例是取100次平均。聲音頻譜顯示的峰值(peaks)，就是主要發聲的頻率。𝑮𝒑𝒑(𝒇) 圖示，在y軸是噪音量，單位：dB，在x軸是頻率，單位：Hz。圖示分別呈現x軸為對數(logarithmic)以及線性(linear)座標。會採用logarithmic座標呈現，因為人耳感官對頻率的聽覺，並不是linear，而是logarithmic。
4. 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) = 1/3 octave band
spectrum = 三分之一倍頻頻譜：再由𝑮𝒑𝒑(𝒇)，進行三分之一倍頻(one third octave
band)處理，可以取得 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)，主要是配合人耳感官的聽覺效果。參閱圖示，可知每一個 𝒇𝒄 中心頻率，都有對應的聲音壓力位準dB值。由𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)以及logarithmic座標的𝑮𝒑𝒑(𝒇)，倆倆的對比比較，可以得知𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)有高dB值，其𝑮𝒑𝒑(𝒇) 就有高峰值響應。由本案例
𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)的dB圖示來看，會認為是低頻率主導了噪音響應，其實不然，容後說明。
5. 𝑳𝒑,𝒆𝒒 = equivalent sound pressure level = 等效聲音壓力位準/聲壓級：由𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)，可以累加 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) 每一個 𝒇𝒄 中心頻率(central frequency)的聲音壓力位準，進而得到𝑳𝒑,𝒆𝒒。簡單說，就是在量測時間內的噪音量大小之平均值，實際上是均能 (equivalent energy)的概念。在此案例，𝑳𝒑,𝒆𝒒 = 72.1 dB。
看過圖示右側的5個圖示的Index 指標以及對應的Value 數值，如前述，由𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)的dB圖示來看，會認為是低頻率主導了噪音響應，其實不然。在此，導入A加權(A weighted)處理的聲音頻譜，如圖示相對應的左邊示意圖，說明如下：
1. 𝑮𝒑𝒑(𝒇) = sound spectrum = 聲音頻譜：𝑮𝒑𝒑(𝒇)可以有兩種單位的呈現方式，分別是 dB 以及 dBA。dB是原始的聲音頻譜，而dBA則是A加權的聲音頻譜。可以觀察到，相較於dB的𝑮𝒑𝒑(𝒇)，dBA的𝑮𝒑𝒑(𝒇)在低頻率區，噪音值明顯的變低了，這就是A加權的效應。讀者可參考單元：#54，【聲音壓力位準dB和dB(A)有甚麼不同？】。
2. 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) = 1/3 octave band
spectrum = 三分之一倍頻頻譜：𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)同樣也可以有兩種單位的呈現方式，分別是 dB 以及
dBA。dB是原始的聲音頻譜，而dBA則是A加權的聲音頻譜。相較於dB的𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)，dBA的𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)在低頻率區，噪音值明顯的變低了，這就是A加權的效應。在此要注意：對於噪音的高貢獻度頻帶之評估，要以dBA的𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)為準。在此案例，高貢獻度頻帶是 𝒇𝒄 = 4000 Hz 以及𝒇𝒄 = 6300 Hz，甚至由於𝒇𝒄 = 200 Hz比起鄰近的頻帶，高出約10 dBA，所以可能出現純音效應(pure tone effect)的異音。
3. 𝑳𝒑,𝒆𝒒 = equivalent sound pressure level = 等效聲音壓力位準/聲壓級：噪音總量(overall value, OA value)同樣可表示成dB 以及
dBA。本案例分別是𝑳𝒑,𝒆𝒒 = 72.1 dB，以及
𝑳𝒑,𝒆𝒒 = 50.1 dBA。𝑳𝒑,𝒆𝒒 的dBA會比較低的原因，就是因為低頻率區，有了A加權的效應。
本單元重點在：(3) 如何解析”R-test-N”量測數據？已經呈現了所有的Index 指標以及對應圖示的Value 數值，可以說完成了第三個心法【MADI】的Measurement 量測以及Analysis 分析，接下來就是Diagnosis 診斷以及Improvement
對策。
如何解讀”R-test-N”的量測與分析數據以及相關圖示呢？參閱圖示右邊上方流程圖，數據的Analysis 分析流程是由左向右，以取得各個評估噪音的Index 指標，而Diagnosis 診斷流程則是由右向左，Diagnosis 診斷流程之建議如下：
1. 觀察𝑳𝒑,𝒆𝒒 的dBA：也就是瞭解噪音總量A加權的OA值，亦即均能聲音壓力位準/聲壓級，單位：dBA。本案例：𝑳𝒑,𝒆𝒒 = 50.1 dBA。
2. 觀察dBA的𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)：目的在瞭解主要噪音貢獻頻帶。本案例，高貢獻度頻帶是 𝒇𝒄 = 4000 Hz 以及𝒇𝒄 = 6300 Hz，甚至由於𝒇𝒄 = 200 Hz比起鄰近的頻帶，高出約10 dBA，所以可能出現純音效應(pure tone effect)的異音。
3. 觀察dBA的logarithmic座標
𝑮𝒑𝒑(𝒇)：目的在瞭解對應於𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)的高貢獻頻帶，透過𝑮𝒑𝒑(𝒇)圖示，來判斷係來自哪個頻率區間的噪音頻譜響應。
4. 觀察dBA的linear座標
𝑮𝒑𝒑(𝒇)：在linear座標的𝑮𝒑𝒑(𝒇)圖示，可以判斷，例如：與轉速倍頻(harmonics of
rotating speed)相關的效應，或是可能的共振(resonance)影響。
5. 觀察dB的linear座標
𝑮𝒑𝒑(𝒇)：目的在瞭解實際的原始噪音頻譜的分布狀態，常會和振動頻譜作比較探討。
6. 觀察
𝒑(𝒕)原始量測數據：必要時可追溯量測到的聲音壓力響應 𝒑(𝒕)，是原始數據(raw data)，可以輔助佐證判斷頻譜的特徵。
7. 觀察𝑳𝒑(𝒕)：可以分別由dB 以及 dBA，輔助分析噪音隨時間的變化情形。
8. 觀察𝑮𝒑𝒑(𝒕,𝒇)：可以由spectrogram時頻圖，綜觀隨時間變化的頻譜變動情形，以輔助分析診斷。
最後，綜合這個單元的討論：(3) 如何解析”R-test-N”量測數據？總結如下：
1.
回顧【振動/聲音之結構路徑/空氣路徑之S → P → R系統方塊圖】：著重在(1) 如何進行
”R-test-N”？特別是在探討如何解析以及解讀 ”R-test-N” 的量測數據？
2.
回顧了先前單元：#109，【對一個信號進行頻譜分析的原理為何？】：聲音量測信號的頻譜分析流程圖，𝒑(𝒕) → 𝑷(𝒇) → 𝑮𝒑𝒑(𝒇) → 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) → 𝑳𝒑,𝒆𝒒。數據的Analysis 分析流程是由左向右，以取得各個評估噪音的Index 指標。
3.
提出Diagnosis 診斷流程之建議：不同於數據的Analysis 分析流程是由左向右，Diagnosis 診斷流程則是由右向左，其流程步驟：(1) 𝑳𝒑,𝒆𝒒 的dBA，(2) dBA的𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)，(3) dBA的logarithmic座標
𝑮𝒑𝒑(𝒇)，(4) dBA的linear座標 𝑮𝒑𝒑(𝒇)，(5)
dB的linear座標
𝑮𝒑𝒑(𝒇)，(6)
𝒑(𝒕)，(7) 𝑳𝒑(𝒕)，(8) 𝑮𝒑𝒑(𝒕,𝒇)。
以上個人看法，請多指教！
王栢村
%20%E5%A6%82%E4%BD%95%E8%A7%A3%E6%9E%90R-test-N%E9%87%8F%E6%B8%AC%E6%95%B8%E6%93%9A%EF%BC%9F.jpg)
