軸承固定方式的問題,我們搜遍了碩博士論文和台灣出版的書籍,推薦門田和雄寫的 【新裝版】3小時讀通 基礎機械製圖 和吳偉國的 工業機器人系統設計(上冊)都 可以從中找到所需的評價。
這兩本書分別來自世茂 和崧燁文化所出版 。
南臺科技大學 機械工程系 沈毓泰所指導 鄭星語的 應用於物聯網系統之變轉速軸承損壞診斷深度學習研究 (2021),提出軸承固定方式關鍵因素是什麼,來自於人工智慧、物聯網、變轉速軸承、線上損壞診斷系統、深度學習。
而第二篇論文中原大學 機械工程學系 范憶華所指導 鄭睿閎的 基於多輸出時間卷積神經網路之齒輪箱振動缺陷分析系統研究 (2021),提出因為有 時序振動資料、齒輪缺陷檢測、時間卷積網路、壓縮及激勵網路、自動編碼器的重點而找出了 軸承固定方式的解答。
【新裝版】3小時讀通 基礎機械製圖
為了解決軸承固定方式 的問題,作者門田和雄 這樣論述:
榮獲日本全國學校圖書館協議會選定圖書! 臺灣大學機械工程學系副教授 蘇偉儁 審訂 想依照設計圖製作物件,關鍵就在正確製圖! 從基礎開始學3D CAD,機械製圖的關鍵! 機械製圖是在機械工程領域使用的製圖, 要實現構想中的機械,就必須要以機械設計→機械製圖→機械製造的順序進行作業。 所以,不論是機械系、機械工程系還是電機系,要想成為一名優秀的工程師,就要先搞懂機械製圖! 了解基礎的紋裡方向符號,是畫圖、看懂製圖的第一步! =→加工的刀痕方向與標記符號圖的投影面平行。例:牛頭刨削面 ⊥→加工的刀痕方向與標記符號圖的投影面垂直。例:牛頭刨削
面(側面觀看) X→加工的刀痕方向與標記符號圖的投影面傾斜成兩個方向交叉。例:搪磨加工面。 Μ→加工的刀痕方向或者無固定方向交叉。例:研光加工面、超級精磨加工面、橫送正面銑削面或者端銑削面。 R→加工的刀痕方向與標記符號圖的中心大致成放射狀。 機械製圖並非單純地繪製圖形,而是須要結合機械設計、機械製造等廣泛知識與技術的高階作業。 今後,利用3D CAD做為製圖工具,將會愈漸普及,本書目的之一就是幫助讀者熟悉這個工具,以能夠做出原創作品。 因此,本書不僅將著墨於3D列印,也會詳盡說明有助實際製圖的基礎知識, 並實際演練如何繪製螺絲、齒輪、彈簧與軸承,幫助讀者瞭解
實際的繪製方法。 本書以全彩、豐富的插圖進行解說,不用死記硬背各種知識,內容簡單易懂,讀完馬上就能上手活用! 設計圖畫得好,後續作業才能事半功倍!
應用於物聯網系統之變轉速軸承損壞診斷深度學習研究
為了解決軸承固定方式 的問題,作者鄭星語 這樣論述:
本研究結合AI人工智慧與IoT物聯網技術,利用加速規與霍爾感測器訊號研發出變轉速軸承損壞診斷方法,並使用單晶片搭配Wi-Fi擷取卡建立線上損壞診斷系統,以期滿足未來智慧化生產對於機械系統的自動監測需求。以往軸承損壞診斷的人工智慧研究中,探討的範圍侷限在轉速固定和單一種損壞的情況,然實務上多為變轉速和多重損壞環境,實際應用時會有一定難度。為了能夠在變轉速與多重損壞的運作情況下進行診斷,本研究以同步取樣方式擷取振動訊號與霍爾訊號,透過霍爾訊號分析出轉速,以轉動8圈為單位對振動訊號求取包絡訊號後,進行快速傅立葉轉換獲得包絡頻譜,在此頻譜上可明顯觀察到軸承損壞特徵,且相同的損壞情況即使轉速不同也會對
應出相同的損壞特徵頻率,以此方式作為訊號預處理後,輸入至訓練完成的類神經網路即可進行損壞診斷。本研究的探討範圍涵蓋了定轉速與變轉速,並設計了8種損壞情況,經由多次的性能評估與參數調校後,辨識定轉速訊號正確率可達100%,辨識變轉速訊號正確率可達96.8%,應用於實務上具有一定的可靠度,而為了更貼近實務上低成本與線上操作等使用需求,選用了單晶片與Wi-Fi擷取卡建立出監測系統,可遠端接收感測器訊號並立即進行診斷,且全程操作皆可透過人機介面完成。
工業機器人系統設計(上冊)
為了解決軸承固定方式 的問題,作者吳偉國 這樣論述:
本書分上下兩冊,從工程設計角度出發,上冊詳細梳理和論述了操作與移動兩大主題概念下的現代工業機器人系統總論,工業機器人操作臂系統設計基礎、工業機器人操作臂機械系統機構設計與結構設計;下冊詳細梳理和論述了工業機器人操作臂系統設計的數學與力學原理、工業機器人操作臂機械本體參數識别原理與實驗設計、工業機器人操作臂驅動與控制系統設計及控制方法、工業機器人用移動平臺設計、工業機器人末端操作器與及其換接裝置設計、工業機器人系統設計的模擬方法、面向操作與移動作業的工業機器人系統設計與應用實例、現代工業機器人系統設計總論與展望等內容。 本書為上冊內容。 本書適合於機器人相關研
究方向的大學高年級生、碩士研究生、博士研究生以及從事機器人創新設計與研發的研究人員、高級工程技術人員閱讀。
基於多輸出時間卷積神經網路之齒輪箱振動缺陷分析系統研究
為了解決軸承固定方式 的問題,作者鄭睿閎 這樣論述:
迴轉機械透過齒輪箱將動力傳送至生產設備在各類的機械設備中已被廣泛的使用,但是因為經常性的碰撞及振動導致零件的損耗破壞,進而導致整個機械設備出現故障,影響生產效率的機會提高。因此本研究利用深度學習方式,以直接通過時序振動資料來開發一套齒輪缺陷檢測系統用於機械故障的診斷,希望能透過振動訊號持續監測,提前發現故障訊號並進行故障判斷以提供使用者進行預防保養。 本文首先利用更改後的時間卷積網路(TCN)架構結合改良後的異常檢測算法(TCN-AE)並使用無監督學習的方式進行缺陷檢測,以檢測時序齒輪振動資料中的異常值來確認目前機械系統是否正常。接著以更改的時間卷積網路架構,在其後添加壓縮及激
勵網路(SE-Net)再加上自動編碼器的架構完成本研究之SE-TCN-AE網路模型結構。最後分別將SE-TCN-AE網路模型結合分類損失函數交叉熵(Cross-Entropy)進行故障分類;結合模型回歸損失函數中的均方誤差(MSE)函數進行磨耗程度判斷。 實驗結果顯示使用無監督學習的異常檢測算法及使用SE-TCN-AE網路模型結合交叉熵進行故障分類之系統均能在有限樣本條件下就達到100%的準確度;使用SE-TCN-AE網路模型結合均方誤差函數進行磨耗程度判斷在三種磨耗程度訓練後之判斷MSE值約為 1.4×10^(-7),若以輕重兩種磨耗程度訓練後去判斷中度磨耗齒輪組,其MSE為9.8×1
0^(-6)。證明了此方法在齒輪缺陷異常診斷以及缺陷分類上使用時序資料有著優異的結果。