5. 特徴量抽出
5.2 周波数領域でのピーク検出
周波数領域でのピーク検出は、時間波形に隠れた規則性や機械特有の「指紋」を取り出すための基本手段である。ピークとは、スペクトル上で周囲より顕著に大きい周波数成分を指し、回転機の基本周波数や高調波、歯車・軸受の側帯域など、原因推定に直結する情報を含む。ピークを正しく見つけ、周波数と振幅を信頼できる精度で読むためには、FFT設定（窓長と分解能）、窓関数の選択と補正、しきい値設計、補間による周波数精密化、といった一連の作法が要になる。[1][2][3]
まず土台になる考え方を整理する。離散フーリエ変換（FFT）は有限時間のデータから周波数成分を求めるが、時間窓の端で信号が途切れるため、理想的でないと「スペクトルが周囲ににじむ（リーケージ）」現象が起こる。これを和らげるのが窓関数で、ハンやハミングのような窓はサイドローブ（漏れ）を下げて弱いピークを守る一方、主ローブ（ピーク幅）は広がり周波数分離がやや難しくなる。一方、フラットトップ窓はピーク近傍が平らで振幅読み取りに有利だが、等価雑音帯域幅（ENBW）が大きく分解能が下がるため、隣接ピークが多い分析には不利という性質を持つ。求めたいもの（正確なレベルか、細い分離か）に応じて窓を選ぶのが基本原則である。[4][3][1]
ピーク検出の実務的な流れは次の通りである。1) 目的の分解能Δfから窓長を決め（Δf≈fs/N）、対象帯域に合わせて適切な窓関数を選ぶ。2) FFTで得た振幅スペクトルに、ピーク探索のしきい値（ノイズ床より十分上）や最小間隔（近接ピークの誤検出防止）を設定する。3) 候補となる局所最大を見つけ、周波数ビン間の補間（放物線補間など）で「真の頂点」を推定する。4) 振幅を正確に読む必要があれば、窓の特性（フラットトップ等）やENBW補正を考慮して校正する。5) 得られたピーク表（周波数・レベル）を、機械の基準周波数や高調波・側帯域規則と照合して解釈する。[5][6][7][8][9][3][10][1][4]
しきい値設計はピーク検出の安定性を左右する。スペクトラムアナライザでは「Peak Threshold（ピークしきい値）」や「Peak Excursion（近傍よりどれだけ高ければピークとみなすか）」の設定があり、これにより微小なノイズ山や側帯域の誤認を抑えられる。実務では、平均雑音レベル（DANLやベースライン）から所定のマージン（例：数dB～十数dB）をとってしきい値を置き、さらに最小ピーク間隔を与えるのが定石である。ピークが多い帯域では、局所最大の条件（左隣＜中心＞右隣）に加え、閾値超過時間や減衰率などの条件を併用する機器もある。[11][7][10]
周波数の読み取り精度を高めるには補間が有効である。FFTの周波数目盛はビン刻みで離散的だが、最大ビンの前後3点を用いた放物線（パラボラ）補間を行うと、見かけのピーク位置をサブビン精度で推定できる。これは、ビン中心からずれた正弦波が複数ビンに分散する「ピケットフェンス効果」に対する実用的な改善策で、ゼロパディング（FFTサイズ拡大）と組み合わせると読みやすさが向上する。ただし、ゼロパディングは視覚的な刻みを細かくするだけで真の分解能（fs/N）を上げるものではない点に留意が必要である。[6][5][1]
振幅の正確さも重要だ。窓関数の選択によりピーク高さの見え方は変わる。フラットトップ窓は主ローブが平らで線スペクトルのピーク読み取りに適しており、レベル確度を重視する場面で推奨される一方、分解能は犠牲になる。周波数分析の基礎解説では、窓ごとの補正係数やENBW（等価雑音帯域幅）を用いてパワーを密度（1Hz当たり）へ正規化する取扱いが説明されており、異なる窓・分解能間での公平な比較に有効である。実機のスペクトラムアナライザも、RBW（分解能帯域幅）やVBWの設定で雑音床やピークの見え方が変わるため、目標に沿って帯域を統一するのが望ましい。[7][12][3][4]
故障予知への読み方を具体化する。回転機では、回転数に相当する基本周波数とその高調波がスペクトルに並び、摩耗や緩みが進むと側帯域（基本周波数やメッシュ周波数の両側に等間隔のピーク列）が現れやすい。ピークテーブル（Top-Nの周波数とレベル）を自動抽出する機能は、こうした特徴の把握に便利で、FFT画面上に上位ピークを一覧化する実装例がある。側帯域や高調波の規則性は、軸受・歯車・アンバランスなど原因推定の糸口になり、時間波形では見落としがちな微小変化も周波数で見つけやすい。[8][9][2]
検出の堅牢性を高める実務上のコツを挙げる。- 窓長と分解能：近接ピークを分けたい場合は窓長を延ばしてΔfを細かくする（df=fs/N）。- 窓関数：分離重視ならハン/ハミング、レベル重視ならフラットトップ（ただし分離は低下）。- しきい値と最小間隔：ノイズ床基準のしきい値と、ピーク間の最小距離（Hz）を設定し、誤検出を抑制。- 補間：最大ビン前後3点の放物線補間でサブビン精度の周波数を推定。- 表示と校正：RBW/VBW、窓補正、ENBWを意識して比較の公平性を確保。- テーブル化：Top-Nピークを抽出して時系列に追跡し、トレンドや新規出現を監視。[12][9][3][10][5][1][6][7][4]
注意すべき落とし穴もある。ゼロパディングで見かけの刻みは細かくなるが、真の分解能は向上しないため、近接ピークが融合して見える状況は解決しない。また、窓なし（矩形）で整数周期に一致していない信号を解析するとリーケージが増え、弱いピークが裾に埋もれる。フラットトップ窓はピーク読み取りに強いが、隣接ピークの分離が落ちるため、用途により使い分けが必要である。しきい値を低くし過ぎるとノイズ山を多数拾い、逆に高すぎると初期兆候を見逃す。装置や環境に応じて、雑音床からの相対マージンを決め、運用しながら微調整するのが現実的だ。[3][10][5][1][7][4]
周波数精密化の現場知見として、測定ソフトや解析環境はビン補間やスプライン補間を用いてピーク周波数を推定するが、入力条件（窓長・窓種・S/N）で再現性が変わることに留意したい。実例では、ゼロパディングや補間により既知周波数に近づく一方、ベースラインが高い微小ピークは消えやすく、解析の目的に応じて設定を切り替えることが推奨されている。組込み向けの実装でも、局所最大と放物線補間、しきい値・最小間隔の導入によって複数ピークの安定検出が可能であると報告されている。[5][6]
最後に運用の指針をまとめる。1) 目的に合わせて分解能と窓を選ぶ（分離かレベル確度か）。2) ノイズ床基準のしきい値と最小間隔を設定し、偽ピークを抑制する。3) 放物線補間で周波数を精密化し、ゼロパディングは「読みやすさ向上」と割り切る。4) ENBWやRBWを意識してレベルを校正し、異なる条件間での比較を公平にする。5) Top-Nピークを表として保存し、基本周波数・高調波・側帯域の規則性と照合して原因推定に結び付ける。この手順を守れば、周波数領域のピーク検出は、異常の「いつ・どこ（周波数）・どれだけ」を定量的に示す、信頼性の高い特徴量抽出の柱となる。[9][2][10][1][6][7][8][4][5] [1] https://www.ni.com/ja/shop/data-acquisition/measurement-fundamentals/analog-fundamentals/understanding-ffts-and-windowing.html
[2] https://svmeas.rion.co.jp/support/p38veq0000000cmg-att/FFT_07881.pdf [3] https://edn.itmedia.co.jp/edn/articles/2007/14/news004.html [4] https://www.onosokki.co.jp/HP-WK/eMM_back/emm150.pdf [5] https://www.hulinks.co.jp/support/flexpro/dataanalysis/p_03.html [6] https://qiita.com/ricelectric/items/98a6d32b1bcfca598762 [7] https://www.texio.co.jp/uploads/gsp9330_m.pdf [8] https://www.te.com/ja/whitepapers/sensors/wide-bandwidth-accelerometers.html [9] https://www.nsk.com/content/dam/nsk/common/products/condition-monitoring/bd-2-support/BearingDoctor_BD-2_manual_ver.3.1.pdf [10] https://y-d.co.jp/jpdf2/gsp930_m.pdf [11] https://support.brck.co.jp/download_file/view/176/459 [12] https://dl.cdn-anritsu.com/ja-jp/test-measurement/files/Brochures-Datasheets-Catalogs/Catalog/2023emi-j-05-sa.pdf [13] https://www.wakayama-u.ac.jp/_files/00588218/JPB_0005275612.pdf [14] https://www.soumu.go.jp/main_content/001005134.pdf [15] https://www.jstage.jst.go.jp/article/kikaic/79/801/79_1786/_pdf/-char/ja [16] https://www.ntn.co.jp/japan/products/review/pdf/NTN_TechnicalReview_89.pdf [17] https://naist.repo.nii.ac.jp/record/6612/files/R001221.pdf [18] https://irid.or.jp/wp-content/uploads/2020/08/gensiryokuryakugosyuu202008.pdf [19] https://core.ac.uk/download/pdf/286937074.pdf [20] https://www.techeyesonline.com/article/tech-column/detail/Reference-FFTAnalyzer-02/※本ページは、AIの活用や研究に関連する原理・機器・デバイスについて学ぶために、個人的に整理・記述しているものです。内容には誤りや見落としが含まれている可能性もありますので、もしお気づきの点やご助言等ございましたら、ご連絡いただけますと幸いです。
※本ページの内容は、個人的な学習および情報整理を目的として提供しているものであり、その正確性、完全性、有用性等についていかなる保証も行いません。本ページの情報を利用したこと、または利用できなかったことによって発生した損害（直接的・間接的・特別・偶発的・結果的損害を含みますが、これらに限りません）について、当方は一切責任を負いません。ご利用は利用者ご自身の責任でお願いいたします。
