為什麼一台「會自己停下來」的電梯，比馬達本身難做？

為什麼一台「會自己停下來」的電梯，比馬達本身難做？

想像你站在電梯裡，按下了七樓。馬達轉動把轎廂往上拉，這部分其實是十九世紀就成熟的技術。真正困難的是：電梯怎麼知道自己「快到七樓了」？它如何在距離樓層還有幾公分時，把速度從每秒一公尺平滑地降到零，讓你感覺不到任何頓挫？又如何在門口有人時，立刻判斷並停止關門？

讓馬達轉動只需要「動力」（power），但讓電梯「聰明地」停在正確位置、對環境做出反應，需要的是感測（sensing）、決策（computation）與致動（actuation）三者的緊密耦合。這種把機械、電子、控制與資訊整合在一起的工程學科，就是機電整合（Mechatronics）。它不是機械加上電路那麼簡單，而是一種「讓物理系統具備感知與智慧」的設計思維。

機電整合（Mechatronics）這個詞由日本安川電機（Yaskawa）的工程師森哲郎於 1969 年提出，是 Mechanics 與 Electronics 的合成。今天，從你手機裡的光學防手震、汽車的 ABS 防鎖死煞車、到工廠的協作機器人，背後都是同一套思維：用感測器把物理世界數位化，用嵌入式運算做出決策，再用致動器把決策變回物理動作。 本文就帶你走過這個「感測—運算—致動」的閉環。

感測：把物理量變成可運算的數字

機電系統與外界互動的第一步，是「測量」。感測器（sensor）的本質是一個轉換器（transducer）：把某個物理量（位置、溫度、力、加速度）轉換成電壓或電流，再經由類比數位轉換器（ADC, Analog-to-Digital Converter）變成電腦能處理的數字。

以最常見的電位計（potentiometer）位置感測為例。它是一個可變電阻，滑臂位置 $x$ 對應一個分壓輸出：

$$ V_{out} = V_{cc} \cdot \frac{x}{L} $$

其中 $L$ 是電位計全長，$V_{cc}$ 是供應電壓。若 $V_{cc} = 5\,\text{V}$、$L = 100\,\text{mm}$，當滑臂在 $x = 30\,\text{mm}$ 時，$V_{out} = 5 \times 0.3 = 1.5\,\text{V}$。

但這個類比電壓還要經過 ADC 才能進入微控制器。ADC 的解析度（resolution）由位元數 $n$ 決定。一個 $n$ 位元的 ADC 把參考電壓 $V_{ref}$ 切成 $2^n$ 個階。每一階對應的電壓量稱為最小有效位元（LSB, Least Significant Bit）：

$$ \Delta V = \frac{V_{ref}}{2^n} $$

對應到位置的解析度為：

$$ \Delta x = \frac{L}{2^n} = \frac{V_{ref}}{2^n} \cdot \frac{L}{V_{cc}} $$

舉例：$V_{ref} = 5\,\text{V}$，$n = 10$ 位元（許多 Arduino 的預設），則 $2^{10} = 1024$ 階，

$$ \Delta V = \frac{5}{1024} \approx 4.88\,\text{mV}, \qquad \Delta x = \frac{100\,\text{mm}}{1024} \approx 0.098\,\text{mm} $$

也就是說，這套系統最細只能分辨約 0.1 mm 的位移。若你需要 0.01 mm 的精度，10 位元 ADC 就不夠，得換 14 位元（$2^{14}=16384$ 階，$\Delta x \approx 0.006\,\text{mm}$）或改用更高解析度的感測原理（如光學編碼器）。這就是機電設計的核心權衡：感測精度、運算成本與機械需求必須一起考量，不能各自為政。

取樣定理與雜訊

感測不是「測一次就好」，而是以固定取樣頻率（sampling frequency） $f_s$ 連續測量。奈奎斯特–夏農取樣定理（Nyquist–Shannon sampling theorem） 告訴我們：要忠實還原一個最高頻率為 $f_{max}$ 的訊號，取樣頻率必須滿足

$$ f_s > 2 f_{max} $$

若取樣太慢，高頻成分會被「折疊」成低頻假訊號，這稱為混疊（aliasing）。例如要量測一個含 50 Hz 振動的訊號，$f_s$ 至少要大於 100 Hz，實務上常取 5–10 倍餘裕，設成 500 Hz。

此外，真實感測器都有雜訊。一個常見處理是移動平均濾波（moving average filter），對最近 $N$ 筆讀數取平均：

$$ y[k] = \frac{1}{N} \sum_{i=0}^{N-1} x[k-i] $$

平均能讓隨機雜訊的標準差降為原本的 $1/\sqrt{N}$，但代價是引入延遲（lag），讓系統反應變慢。$N$ 越大越平滑、卻也越遲鈍——又是一個工程權衡。

致動：把電能變成精確的機械動作

光會「感知」還不夠，機電系統必須能「動作」。致動器（actuator）把電能轉換為機械能。最普遍的是直流馬達（DC motor），它的數學模型清楚地連結了電學與力學，是機電整合最美的範例之一。

直流馬達有兩條核心方程式。第一條描述電的世界——電樞電路的電壓平衡：

$$ V = R i + L \frac{di}{dt} + K_e \omega $$

其中 $V$ 是輸入電壓、$i$ 是電樞電流、$R$ 與 $L$ 是電樞電阻與電感、$\omega$ 是轉速，而 $K_e \omega$ 是馬達轉動時產生的反電動勢（back-EMF），$K_e$ 為反電動勢常數。

第二條描述力學的世界——轉子的牛頓第二定律（旋轉版本）：

$$ J \frac{d\omega}{dt} = K_t i - b\omega - \tau_{load} $$

其中 $J$ 是轉動慣量、$b$ 是黏滯阻尼係數、$\tau_{load}$ 是負載扭矩，而 $K_t i$ 是馬達產生的電磁扭矩（electromagnetic torque），$K_t$ 為扭矩常數。

值得注意的是，在 SI 單位制下，扭矩常數與反電動勢常數數值相等：$K_t = K_e \equiv K$。這不是巧合，而是能量守恆的必然結果——馬達把多少電功率轉成機械功率，這個轉換比例對「電生力」與「動生電」兩個方向是同一個常數。

在穩態（steady state）下，$di/dt = 0$ 且 $d\omega/dt = 0$，我們可以推導出馬達最重要的特性：扭矩–轉速關係。由第一式（穩態）得 $i = \dfrac{V - K\omega}{R}$，代入第二式（穩態、忽略黏滯）得：

$$ \tau = K i = \frac{K V}{R} - \frac{K^2}{R}\omega $$

這是一條負斜率直線：轉速越高，可輸出的扭矩越小。兩個端點特別有意義：

• 失速扭矩（stall torque），$\omega = 0$ 時：$\tau_{stall} = \dfrac{KV}{R}$
• 空載轉速（no-load speed），$\tau = 0$ 時：$\omega_{NL} = \dfrac{V}{K}$

舉個具體例子：某直流馬達 $K = 0.05\,\text{N·m/A}$，$R = 2\,\Omega$，施加 $V = 12\,\text{V}$。

失速扭矩：

$$ \tau_{stall} = \frac{0.05 \times 12}{2} = 0.3\,\text{N·m} $$

空載轉速：

$$ \omega_{NL} = \frac{12}{0.05} = 240\,\text{rad/s} \approx 2292\,\text{rpm} $$

這告訴設計者：這顆馬達啟動瞬間最多推 0.3 N·m，但全速時幾乎沒力。若你的應用需要在高速時仍有大扭矩，就得加減速齒輪箱（gearbox）——它用犧牲轉速的方式換取扭矩放大。

PWM：用「開關」控制連續的力量

我們怎麼控制施加在馬達上的「等效電壓」？直接用可變電阻調壓會浪費大量熱能。現代做法是脈寬調變（PWM, Pulse Width Modulation）：以高頻率（如 20 kHz）快速開關電源，用「開的時間佔比」來決定平均電壓。這個佔比稱為占空比（duty cycle） $D$：

$$ V_{avg} = D \cdot V_{supply}, \qquad D = \frac{t_{on}}{t_{on} + t_{off}} $$

若 $V_{supply} = 12\,\text{V}$、$D = 0.6$，則馬達感受到的等效平均電壓為 $7.2\,\text{V}$。因為開關元件（MOSFET）要嘛全開（壓降近零）、要嘛全關（電流近零），功率損耗極小，效率遠高於線性調壓。PWM 是數位世界（只有 0 和 1）控制類比物理量（連續電壓）的橋樑，這正是嵌入式控制的精髓。

嵌入式運算：感測與致動之間的大腦

把感測與致動連起來的，是嵌入式系統（embedded system）——通常是一顆微控制器（MCU, Microcontroller Unit），如 ARM Cortex-M 或 ESP32。它週期性地執行一個控制迴圈（control loop）：讀感測器 → 計算誤差 → 算出控制量 → 輸出 PWM → 等待下一週期。

這個迴圈以固定取樣週期（sampling period） $T_s$ 執行，例如 $T_s = 1\,\text{ms}$（即控制頻率 1 kHz）。最廣泛使用的控制律是 PID 控制器（Proportional-Integral-Derivative controller）。連續時間形式為：

$$ u(t) = K_p\, e(t) + K_i \int_0^t e(\tau)\, d\tau + K_d \frac{de(t)}{dt} $$

其中 $e(t) = r(t) - y(t)$ 是「目標值」減「實際值」的誤差。三項各有分工：

• 比例項（P）：誤差越大，施力越大——快速反應，但單獨使用會有殘餘穩態誤差。
• 積分項（I）：累積過去誤差——消除穩態誤差，但過強會造成超調與震盪。
• 微分項（D）：看誤差變化趨勢——提供「煞車」效果，抑制超調，但會放大雜訊。

但 MCU 是數位的，無法做連續積分與微分，必須離散化（discretization）。用矩形近似積分、用向後差分近似微分：

$$ u[k] = K_p\, e[k] + K_i T_s \sum_{j=0}^{k} e[j] + \frac{K_d}{T_s}\big(e[k] - e[k-1]\big) $$

實作時，積分項通常用一個累加變數 $I[k] = I[k-1] + e[k]$ 遞迴更新，避免每次重算整個總和。這短短幾行算式，就是無數機電產品（從 3D 印表機的溫控、無人機的姿態穩定、到 CNC 工具機的進給控制）的共同心臟。

值得提醒：離散化引入了取樣延遲，且 $T_s$ 太大時系統可能不穩定。一般經驗法則是控制頻率至少要是系統頻寬的 10–20 倍，這又回到了前面的取樣定理。感測、運算、致動三者的時序，必須整體設計，這是機電整合與「純機械」或「純電子」最根本的差異。

看一個例子

讓我們把三個環節串起來，設計一個轉檯角度定位系統：用直流馬達驅動一個轉檯，要它精確轉到並停在 $90.0°$。

感測：用 12 位元絕對式編碼器（encoder）量測角度，$2^{12} = 4096$ 階對應 $360°$，解析度為

$$ \Delta\theta = \frac{360°}{4096} \approx 0.088° $$

足夠精確。

運算：MCU 以 $T_s = 1\,\text{ms}$ 執行 PID。假設此刻讀到實際角度 $\theta = 85.0°$，目標 $r = 90.0°$，誤差 $e[k] = 5.0°$。設 $K_p = 0.8$、$K_i = 0.05$、$K_d = 0.02$，前一誤差 $e[k-1] = 5.4°$，累積積分 $\sum e = 120°$。

比例項：$0.8 \times 5.0 = 4.0$ 積分項：$0.05 \times 0.001 \times 120 = 0.006$ 微分項：$\dfrac{0.02}{0.001} \times (5.0 - 5.4) = 20 \times (-0.4) = -8.0$

控制輸出：

$$ u[k] = 4.0 + 0.006 - 8.0 = -3.994 $$

微分項是負的，因為誤差正在縮小（5.4° → 5.0°），系統提前「踩煞車」防止衝過頭——這正是 D 項的價值。

致動：把 $u[k]$ 映射成 PWM 占空比並限幅（saturation）在 $[-1, 1]$（負代表反轉）。這裡 $u = -3.994$ 超出範圍，限幅為 $-1.0$，即馬達以全功率反向修正。實務上還會加上抗積分飽和（anti-windup）機制：當輸出飽和時凍結積分累加，避免積分項累積過頭導致大幅超調。

整個迴圈每毫秒重複一次。隨著 $\theta$ 逐漸逼近 $90°$，誤差變小、輸出變小，馬達平滑減速，最終穩穩停在目標。這就是電梯能精準停層、無人機能懸停、機械手臂能精準抓取的共同原理。

重點回顧

• 機電整合的本質是「感測—運算—致動」的閉環，而非機械與電子的簡單疊加；其關鍵在於三者的時序與精度必須整體設計。
• 感測把物理量經 ADC 數位化，解析度 $\Delta x = L / 2^n$ 受位元數限制；取樣頻率須滿足奈奎斯特定理 $f_s > 2 f_{max}$ 以避免混疊。
• 直流馬達的兩條方程式串起電與力學，扭矩–轉速為負斜率直線，端點是失速扭矩 $\tau_{stall}=KV/R$ 與空載轉速 $\omega_{NL}=V/K$；SI 制下 $K_t = K_e$ 是能量守恆的必然。
• PWM 用占空比 $D$ 控制等效電壓 $V_{avg}=D\,V_{supply}$，以高效率的開關方式讓數位訊號操控連續力量。
• 嵌入式 PID 是機電系統的大腦，離散化後在固定 $T_s$ 下執行；P 快、I 除穩態誤差、D 抑超調，並需 anti-windup 防積分飽和。

深入探討（研究所視角）

本文用「分項設計」的方式介紹各環節，但研究所層級的機電整合會把整個系統視為一個耦合的動態系統，並用更嚴謹的工具分析。

狀態空間與可控性。 PID 適合單輸入單輸出（SISO）系統，但多軸機器人、雙足平衡等是多輸入多輸出（MIMO）問題。此時改用狀態空間表示（state-space representation） $\dot{\mathbf{x}} = A\mathbf{x} + B\mathbf{u}$、$\mathbf{y} = C\mathbf{x}$。以前述馬達為例，取狀態 $\mathbf{x} = [\,i, \omega\,]^T$，可寫出 $2\times 2$ 的 $A$ 矩陣。系統是否「能被控制到任意狀態」由可控性矩陣（controllability matrix） $\mathcal{C} = [\,B, AB, A^2B, \dots\,]$ 的秩是否滿秩決定，這是設計狀態回授（state feedback） $\mathbf{u} = -K\mathbf{x}$ 與極點配置（pole placement）的前提。

最佳控制與估測。 當有多個性能指標要權衡（如能耗 vs. 速度），可用線性二次調節器（LQR, Linear Quadratic Regulator），最小化代價函數 $J = \int (\mathbf{x}^T Q \mathbf{x} + \mathbf{u}^T R \mathbf{u})\, dt$，其中 $Q$、$R$ 是設計者選定的權重矩陣，反映「狀態偏差」與「控制能量」孰輕孰重。而當感測器有雜訊、且部分狀態無法直接量測時，卡爾曼濾波器（Kalman filter） 結合系統模型與量測，遞迴地給出狀態的最佳估計——這在無人機姿態估測（融合陀螺儀與加速度計）中無所不在。

離散控制的穩定性邊界。 連續系統的穩定性看極點是否在 s 平面左半部；但數位實作後，要把系統轉到 z 域，穩定的條件變成所有極點落在單位圓內 $|z| < 1$。取樣週期 $T_s$ 直接影響極點位置——$T_s$ 越大，原本穩定的控制器可能跨出單位圓而失穩。這從理論上解釋了為何「控制頻率不能太低」，也是嵌入式工程師選 MCU 算力與排程時序的根本依據。

前沿方向。 近年機電整合與機器學習交會：用強化學習（reinforcement learning）直接學出控制策略以處理難以建模的非線性、用模型預測控制（MPC, Model Predictive Control）在每個時步求解一個帶約束的最佳化問題（已廣泛用於自駕車軌跡規劃）。但無論演算法多先進，最底層仍是本文的鐵律：感測決定你能看見什麼、致動決定你能改變什麼、而運算的時序決定這一切能否即時閉環。 理解這三者的物理極限與權衡，永遠是機電工程師最core的素養。