rotor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

應用機器學習於永磁同步馬達轉子溫度預測之研究

為了解決rotor中文的問題，作者儲玉瑄 這樣論述：

　　工業4.0自動化產業興盛，電動車產業為現代主要趨勢，則多數廠商配置永磁同步馬達（PMSM）作為汽車的核心驅動系統，當驅動馬達時會因轉子溫度變化而影響系統效能，如何有效控制溫度變化，實現馬達高效率控制策略，確保PMSM於安全運作與最大使用率的狀態，可降低內部零組件的壽命耗損和提升整體運轉效率。　　本研究使用Kaggle提供的PMSM溫度資料集的轉子溫度作為主要探討，因此欲透過傳統迴歸分析與機器學習方法之模型對轉子溫度進行預測，分別使用貝氏嶺迴歸、隨機森林、XGBoost及LightGBM模型，並將上述各預測方法比較之各模型績效。經由各預測方法比較之各模型績效後，得知最佳預測模型為XGBoo

st模型，以利未來將本研究提供於電動車產業配置PMSM的研發與技術，能施以預測性維護馬達溫度狀態，進而防止關鍵性設備故障與停機。

以時間卷積網路結合特徵工程分析牙科手機轉子筒夾之健康狀態

為了解決rotor中文的問題，作者陳柏辰 這樣論述：

隨著科技進步與工業技術的大躍進，高科技與工業技術涵蓋之機械精密度與系統的完整性日益漸增。為滿足設備元件於操作的可靠性與顧及工作人員的安全，需要對元件進行完整的監控，以提升安全性與降低維護成本。本研究將建立牙科手機的健康狀態診斷模型，以加速規擷取振動訊號，透過特徵工程的方式，取得三軸振動訊號中重要的特徵，以建立診斷系統的數據集，再透過深度學習中具有空洞因果卷積與殘差連接的時間卷積網路(Temporal Convolution Network)作為診斷分類模型之核心。研究顯示TCN於切削前三軸空轉訊號的訓練準確率為74.51%、95.99%、88.88%，較LSTM (68.97%、86.29%

、68.08%)與1DCNN(73.47%、92.03%、81.72%)表現優異，若以切削後X軸空轉訊號準確率上，以1DCNN的80.09%較佳，其餘仍以TCN在Y與Z軸的結果90.01%、90.82%最佳。測試準確率的部分，TCN於切削前三軸空轉訊號的準確率為70.78%、94.83%、87.94%，優於LSTM (69.00%、86.11%、68.28%)與1DCNN(70.44%、91.50%、79.28%)，若以切削後X軸空轉訊號準確率上，以1DCNN的77.61%較佳，其餘仍以TCN在Y與Z軸的結果89.00%、85.28%最佳。本研究以建立人工智慧的學習方式，即時偵測與診斷牙科手機

當前之使用狀態，可避免牙醫師使用異常的牙科器械，進而造成病患的不適與添上心理陰影。