機械工業網 - 機械產業的入口網站

:::

歷史雜誌

依專輯名稱關鍵字搜尋或依年份搜尋，年份輸入範例202406

作者:楊凱智、吳鴻材GAI內裂瑕疵音頻生成技術

本研究為解決金屬零組件內裂瑕疵品音頻資料取得不易問題，開發內裂瑕疵音頻資料生成技術。

研究之音頻資料取樣頻率128kHz，取樣長度32,768 個資料點。生成式演算法選用SAGAN（Self-Attention Generative Adversarial Networks）進行稀缺資料生成，藉其自注意力機制的全局資訊關聯生成音頻資料。

資料合理性驗證採用多維KS 檢定法(Kolmogorov-Smirnov Test），生成資料總體相似率達95%。將生成的1,000 筆虛擬資料與真實資料混合訓練，使AI（Artificial Intelligence）檢測模型之測試準確率從87% 提升至93%。

作者:偕睿仁、楊凱智、吳鴻材工業用冷卻水塔智慧節能技術

隨著全球工業化程度的不斷提高，對冷卻水塔的需求也在不斷增加，在COVID-19後改變的商務環境中，全球冷卻水塔市場在2022年已達37億美元，預計在2030年前達到54億美元的規模，並將以4.9%的年複合成長比率增加，而半導體廠務用電(冷卻水塔、冰機、空調箱及空壓系統)占半導體產業用電47%，其中冷卻水塔又占了11.1%的廠務用電。在全球節能減碳的趨勢下，本文的三大功能包含，冷卻水塔健康狀態的監測、風扇傳動預兆診斷系統及智慧節能最佳化預測，有助於降低能源成本，並減少產業的碳排放。

作者:楊凱智、徐家瑋、吳鴻材、王俊傑AI音頻非破壞檢測技術

本研究開發了一種適用於金屬零組件的環保且非破壞式檢測方法，目標在改進如X光、超音波、磁粉等檢驗技術。研究的主要目標是建立一個基於智慧製造的人工智能系統，用於檢測金屬零組件的內部與外部損傷。首先使用衝擊錘、力感測器與麥克風感測器進行音頻數據的觸發與蒐集，接著利用自編碼器（Auto Encoder, AE）壓縮特徵，隨後通過群集分析挑選代表性樣本進行破壞性檢測以取得標籤，最後整合音頻特徵提取技術和卷積神經網絡（Convolutional Neural Network, CNN），辨識出金屬零組件的良/不良品之音頻特徵，在識別特定類型的金屬零組件產品時達到了99.60%的準確率。

作者:楊凱智、徐家瑋、吳鴻材、王俊傑AI音頻非破壞檢測技術

本研究開發了一種適用於金屬零組件的環保且非破壞式檢測方法，目標在改進如X光、超音波、磁粉等檢驗技術。研究的主要目標是建立一個基於智慧製造的人工智能系統，用於檢測金屬零組件的內部與外部損傷。首先使用衝擊錘、力感測器與麥克風感測器進行音頻數據的觸發與蒐集，接著利用自編碼器(Auto Encoder, AE)壓縮特徵，隨後通過群集分析挑選代表性樣本進行破壞性檢測以取得標籤，最後整合音頻特徵提取技術和卷積神經網絡(Convolutional Neural Network, CNN)，辨識出金屬零組件的良/不良品之音頻特徵，在識別特定類型的金屬零組件產品時達到了99.60%的準確率。