khk齒輪技術資料的問題，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

應用機器學習方法以振動信號診斷螺旋傘齒輪裝配誤差

為了解決khk齒輪技術資料的問題，作者陳冠達 這樣論述：

對於螺旋傘齒輪的製造，已有高端的加工設備及量測設備來確保傘齒輪能具有良好的品質及準確的接觸齒印，但往往因不當的齒輪箱組裝過程，使得螺旋傘齒輪組的接觸齒印不能符合預期標準，造成齒輪箱產生不良噪音或振動而降低齒輪箱的壽命與品質。另一方面，由於不同規格的齒輪模數及齒數運轉時會產生不同的振動頻率與能量，而裝配後各齒輪件的組成亦會產生其他諧振成分，導致在解析振動分析時難以辨別振動發生的主要因素。現今機械學習方法對於各種的訓練資料及物理特徵，能夠有很強的辨識診斷能力，尤其對學習機械振動訊號，文獻上已有相關的成功案例。 有基於此，本研究提出一種利用齒輪箱成品的振動訊號，並使用機械學習模式來學

習檢測齒輪箱內部螺旋傘齒輪，此方法可以代替傳統的目視齒印判讀方法，並不需拆卸組裝後的成品便可進行內部齒輪零件的裝配品質檢測。 在學習數據方面，本研究對不同模數及齒數的齒輪組，分析出裝配的位置誤差，並為車銑複合機用的BMT55及BMT65之2種不同規格的動力刀座，建立一螺旋傘齒輪資料庫用於模型學習訓練。為能夠找出符合所收集資料的最佳學習演算法，本研究測試了5種機械學習模型，分別為決策樹(Decision)，LDA線性區別分析( Linear Discriminant Analysis) 、SVM向量、KNN近鄰演算法(k-Nearest Neighbor)及神經網路( Neural Net

work)。並以其各種準確度指標，挑選最合適的演算法。 測試結果以LDA線性區別分析的模型驗證的準確度100%及效能衡量指標F1 Score的分數100%，其測試結果最佳，也證實機械學習在螺旋傘齒輪的裝配誤差的診斷中具有很高的實用性。 本文實驗成果可以提供現場人員組裝時的墊片尺寸調整參考，能夠減少人工反覆拆裝測試的工時、提升整體組裝效率也確保組裝後成品良率，並且能夠運用於不同的種類齒輪組裝運用，為業界提供一套方便的組裝品質測試系統。

ZN型雙包絡蝸桿與螺旋齒輪接觸分析

為了解決khk齒輪技術資料的問題，作者賴柏翰 這樣論述：

　　蝸桿蝸輪組是屬於空間交錯軸(crossed-axis)傳動機構，具有高傳動減速比，體積較小、噪音低、結構緊湊以及承載能力大等特點，而雙包絡蝸桿蝸輪組可以比蝸桿蝸輪組更高的接觸比(Contact Ratio)，定位精度及負載的傳遞也較好。　　本研究針對ZN型雙包絡蝸桿及螺旋齒輪的搭配，從設計、模擬及分析進行一系列之研究，並有系統的建立ZN型雙包絡蝸桿及螺旋齒輪的研究流程。首先根據齒輪原理(Theory of Gearing)，採用軌跡法利用齒輪型車刀推導出ZN型雙包絡蝸桿齒面數學模式，再利用齒條刀與嚙合方程式推導出具轉位修整之螺旋齒輪齒面數學模式。根據推導出之ZN型雙包絡蝸桿與螺旋齒輪先進

行干涉檢查，透過蝸桿包絡半徑參數修整再進行齒面接觸分析(Tooth Contact Analysis, TCA)，探討不同包絡半徑下的傳動誤差與接觸軌跡。最後根據齒面接觸分析的結果找出最佳的參數，進行有限元素法應力分析，並計算螺旋齒輪各齒間負載分布及嚙合效率。