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:黃光瑤雷射超音波於管件瑕疵檢測應用

以脈衝雷射激發物體產生超音波之超音波檢測技術，藉由超音波訊號作為檢測物體內部資訊的方法，可以在不破壞物體的情況下獲得非透明材質表面底下的資訊。以雷射作為超音波之激發源可以配合使用掃描模組，達成快速掃描的優點，同時可以配合雷射參數的調整，使產生不同特性的超音波，使用上功能性將更具彈性。而全光學的架構可以達成非接觸式的優點，可應用於輸油鋼管高溫製造時之即時缺陷監控。

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: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。