走在汽車革命的路上論文書籍站
國立勤益科技大學 電機工程系 陳鴻誠所指導 管健志的 植基於模糊分析之氣壓缸故障預測維修系統建置 （2021），提出smc旋轉氣壓缸關鍵因素是什麼，來自於實驗室虛擬儀器工程平台、模糊分析、預測性維修、可程式邏輯控制器。
而第二篇論文國立虎尾科技大學 自動化工程系碩士班 陳俊仁所指導 蕭建良的 基於PLC與PC-based軸控之雙相機系統自動化排列機開發 （2016），提出因為有 機器視覺、雙相機、自動排列、影像辨識、PLC與PC-based差異的重點而找出了 smc旋轉氣壓缸的解答。
植基於模糊分析之氣壓缸故障預測維修系統建置
為了解決smc旋轉氣壓缸 的問題，作者管健志 這樣論述：
隨著現代工業生產設備發展日益精進，生產設備皆朝向精密化、自動化及複雜化趨近，而設備維修管理也成為重要的一環，如何做好設備故障預測，可即時預測設備故障時間點，利用並制定有效的設備預測性維修（Predictive Maintenance,PDM）計畫，又稱預測性維護或預知性維護，以提升設備有效利用率、稼動率、降低維修成本、有效備件管理靈活度及安排適當之維護維修排程時間。以無線胎壓監測系統(Tire-Pressure Monitoring System,TPMS)自動化組裝線為例，氣壓缸數量佔取動作元件之80%以上，本研究將氣壓缸故障為預測對象，建立一氣壓缸動作機構及控制系統，擷取氣壓缸在動作和靜
止時之相關數據，利用空氣流量計、壓力計、微壓計及洩漏測試等輔助儀器，以及偵測氣壓缸動作時間和氣室活塞洩漏值，先透過通訊、信號輸入及類比訊號方式將各項量測數據傳送至三菱Q系列之可程式邏輯控制器(PLC)，再藉由乙太網路之MC協定與實驗室虛擬儀器工程平台(LABVIEW)開發之人機介面進行資料交渥，將所收集資訊進行LABVIEW人機介面資料庫建立，接著以經驗法則建立模糊規則庫，最後經由LABVIEW內建之FUZZY解模糊化推論及模糊分析後，可判斷氣壓缸之劣化情況，而得知氣壓缸之故障預測，即可進行該氣壓缸之預測維修計畫。
基於PLC與PC-based軸控之雙相機系統自動化排列機開發
為了解決smc旋轉氣壓缸 的問題，作者蕭建良 這樣論述：
機器視覺檢測系統通常只使用一組工業攝影機，但如果檢測的樣品同時具備數量大、體積小、多種形狀和顏色的條件，則單一組工業攝影機所能夠拍攝的影像範圍和解析度是有限的。本研究提出一雙相機視覺檢測系統，架設兩組影像解析度都為0.162 mm的工業攝影機，分別拍攝一個面積為27.5×37 cm2檢測盤面的兩個區塊，檢測的樣品為4種形狀、6種顏色，總共24種面積都不大於1 cm2的壓克力，再搭配自行開發的自動化排列機，吸取樣品後進行樣品排列。本研究依據24種樣品不同的顏色、形狀及灰階值，使用影像學習建立資影像資料庫，並在第一次啟動人機介面時執行，執行時間約為22.434秒。影像辨識則根據影像資料庫，將檢測
的樣品定義為與數值最相近的種類，一個樣品的辨識時間約為0.024秒。龍門自動化排列機之X、Y軸的作動元件為導螺桿，Z軸為氣壓缸，A軸則為步進馬達。樣品的抓取是利用真空吸取辨識後的樣品，旋轉A軸以改變其放置角，再移動到指定位置。另外，本研究亦分別使用PLC與PC軸卡控制機台，比較兩者對排列速度的影響，結果PLC的平均單顆速度約為1.737秒，PC-based約為1.853秒。