chassis number中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

應用深度學習之類神經網路於電動車輛傳動系統狀態監控之研究

為了解決chassis number中文的問題，作者龔柏璋 這樣論述：

隨著車輛能源技術的飛速發展，車輛動力系統逐漸由內燃機轉變為電動車輛。雖然車輛的動力系統改變了，但傳動系統、懸吊系統和底盤系統仍然存在，甚至共享底盤系統也是一種趨勢。而如何有一個穩定可得知實時狀態的底盤系統在此趨勢上是相當重要的。傳統上，傳動系統的故障診斷方法仰賴於技術人員過去的維修經驗，但技術人員過去的經驗可能會誤判某些故障。本研究將預測監控系統的概念應用於車輛傳動系統。研究分為振動信號處理和深度類神經網絡演算法兩部分，實現車輛傳動系統狀態監測。信號分析方面，透過利用快速傅立葉變換、小波分析技術、短時傅立葉變換和階次分析技術來提取當前系統故障時的信號特徵。在深度類神經網絡演算法方面，透過三種

不同類型的演算法：多層神經感知器、自動編碼器和卷積類神經網絡等不同的深度神經網絡模型比較其分類性能。結合上述兩部分，對傳動系統運轉時可能出現的故障進行監測和診斷，該系統可以有效檢測低技術人員在維修過程中的誤判，提高維修效率。

以自強隧道實驗研究台灣本土移動源粒徑分佈特徵及相關排放係數

為了解決chassis number中文的問題，作者鄭宇軒 這樣論述：

本研究於臺北市自強隧道進行超細懸浮微粒(Ultra-fine particles, UFP)之採樣分析，分析粒狀狀污染其粒徑分布，以實驗架構設計可區分成為固定點採樣分析、移動式推車採樣分析。本實驗以移動距離與交通時段作為操作變因分析多種污染物，包含一氧化碳、二氧化碳、超細懸浮微粒(PM1.0)、細懸浮微粒(PM2.5)，並結合簡易空氣品質量測儀量測隧道內不同距離下之各污染物濃度。本研究主要著重隧道交通產生之污染物排放特徵，量測微粒數目濃度和粒徑分佈，並紀錄環境溫、濕度變化，作為建立本土排放數據之依據。並進一步配合車流計數資料，以多元回歸方式求取各不同車種之排放係數。同時討論在行駛狀態下，車流

排放係數在各距離下的增減變化之原因。 根據簡易空氣品質量測儀之粒徑分佈範圍，顯示0.3~0.5 µm的區間約占總微粒數目約90 %，而較大粒徑之0.5~1.0 µm、1.0~2.5 µm區間分別只占8 %、1 %，顯示大部分微粒都集中於小微粒部分。平日、假日各粒徑的數目比率，同時主要以不同時間段(7:00~9:00、11:00~13:00)作為區分，能發現各時段工作日及假日距離變化差異不明顯。雖粒徑大小與比率隨距離有所差異，但在整體不同時間上表現出大微粒變化較少，各時段平日及假日比率落在1~1.4之間，而隨粒徑越小其平日、假日的污染物濃度比率越高。由此比率顯示，交通源平日及假日的交通量差

異造成的影響主要在小微粒的累積。 最後各車輛依其種類可區分為汽油車(Light-duty vehicles, LDVs) 、機車(Motorcycle, MC)及柴油車(Heavy-duty vehicles, HDVs)等種類。汽油車、機車、柴油車之超細懸浮微粒排放係數峰值分別出現於23.3 nm、25.9 nm、25.9 nm，其排放係數值分別為0.26±0.1、0.21±0.08、1.49±0.61 1015#/kg-fuel。由結果反應汽油車、機車行駛所造成的排放係數相當接近，而在柴油車之排放係數上，為汽油車輛5.7倍，為一大貢獻來源。因此即便柴油車輛組成佔比較低，依舊不可忽略柴油

車輛所造成之污染影響。