加速度感測系統應用於衝床模具損耗之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：73

、訪客IP：3.139.80.43

姓名

吳柏翰(PO-HAN WU) 查詢紙本館藏

畢業系所

照明與顯示科技研究所

論文名稱

加速度感測系統應用於衝床模具損耗之研究
(Research of Acceleration Sensing System Applied to Wear of Punch Molds)

相關論文

★ 以化學製程製備奈米級二氧化鈦並研究其親水性及測試其除霧效果	★ 複合陣列微透鏡對LED整體出光效率優化設計之研究
★ 光學三角量測系統量測透鏡曲率與3D曲面之研究	★ 非接觸式自動化光學檢測系統應用於工業磨片缺陷檢測
★ 影像處理應用於非均勻材料之熱傳導分析	★ 類神經網路暨圖形辨識之腦波判讀系統
★ 高階自由曲面面鏡之設計	★ 腦電波傅利葉特徵頻譜之研究
★ 光電星雲生物晶片之製作	★ 電場控制器光學應用
★ 手機照相鏡頭設計	★ 氣功靜坐法對於人體生理現象影響之研究
★ 針刺及止痛在大鼠模型的痛覺量測系統	★ 新光學三角量測系統與應用
★ 離軸式光學變焦設計	★ 腦電波量測與應用

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

衝床的工作原理是利用模具對材料施加壓力，讓材料依據模具的形狀產生型變，達到加工製造的目的，然而隨著使用次數的增加，模具會逐漸損耗造成加工品的良率降低，為了避免模具的損耗影響到加工品良率，工廠會針對衝壓出來的加工品做隨機抽樣檢查，藉由量測加工品的尺寸外觀是否在標準差之內來判斷模具的損耗情況，由於人工抽樣費時費人力，且會因為量測人員不同而有誤差，因此本論文提出利用以下方法來改善這點。
當衝床在運作時，機台本身會產生大量的振動訊號，振動訊號會根據機台的狀況、生產情形、生產環境等因素而有所不同，本論文嘗試利用多顆加速度感測器來收集這些訊號，並以Google 的開源API–Teachable Machine來訓練所收集到的資料，學習的結果與工廠實際量測到的數值做迴歸分析比較，比較結果顯示，振動訊號會隨著模具使用次數的增加而產生變化，並且此變化是具有趨示性的，且該趨勢性與工廠量測結果相符合。

摘要(英)

The working principle of the punching machine is to use the mold to apply pres-sure to the material, so that the material can be deformed according to the shape of the mold, and the purpose of processing and manufacturing is achieved. However, as the number of uses increases, the mold will gradually wear out and the yield of the pro-cessed product will decrease. In order to avoid the loss of the mold and affect the yield of the processed product, the factory will perform random sampling inspection on the stamped processed product by measuring processing. Whether the size of the product is within the standard deviation to judge the loss of the mold.
When the punching machine is in operation, the machine itself will generate a large number of vibration signals, and the vibration signal will vary according to the condition of the machine, the production situation, the production environment and oth-er factors. This paper attempts to collect these signals using multiple accelerometers and train the data with Google′s open source API, the Teachable Machine.
The results of the study are compared with the actual measured values of the fac-tory for regression analysis. The comparison results show that the vibration signal will change as the number of times the mold is used increases, and this change is directional, and this trend is consistent with factory measurements.

關鍵字(中)

★ 衝床模具損耗
★ 機器學習
★ 加速度感測計

關鍵字(英)

論文目次

中文摘要 i
ABSTRACT ii
誌謝 iii
目錄 iv
圖目錄 vi
表目錄 viii
一、緒論 1
1-1 研究背景 1
1-2 研究動機 1
1-3 研究目的 2
1-4 研究貢獻 2
1-5 研究架構 2
二、研究方法 4
2-1 研究理論 4
2-1-1 文獻探討 4
2-1-2 迴歸分析 5
2-1-3 機器學習概論 8
2-2 研究設備 10
2-2-1 高速衝床 10
2-2-2 加速度感測器 11
2-2-3 I2C擴充模組 14
2-2-4 分析軟體(Teachable Machine) 15
2-2-5 硬體架構 16
2-3 實驗流程 18
2-4 實驗結果與分析 20
2-4-1 桌面敲擊實驗 20
2-4-2 模具安裝前後振動訊號量測 25
2-4-3 抽樣振動訊號量測 29
2-4-4 連續振動訊號量測 33
2-5 實驗結論 36
三、研究結論 37
四、未來展望 38
參考文獻 39

參考文獻

[1]. 吳宗倫，「基於衝壓聲音的衝床生命週期偵測與其嵌入式系統實現」，國立中正大學，碩士論文，民國106年。
[2]. 鄭允睿，「應用時頻轉換振動訊號分析於軸承異常監視之研究」，國立中興大學，碩士論文，民國104年。
[3]. 網路資料 online resources : 每天一點數據分析——迴歸分析。2017年04月05日，取自 : https://kknews.cc/education/6n6685m.html。
[4]. 蕭文龍，多變量分析最佳入門實用書，第8章 : 迴歸分析，2009/06/06。
[5]. 網路資料 online resources : 翻轉人類未來的 AI 科技：機器學習與深度學習。2017年10月05日，取自 : http://technews.tw/2017/10/05/ai-machine-learning-and-deep-learning/。
[6]. 網路資料 online resources : 金豐(中國)工業有限公司 : C型雙曲軸衝床。取自 https://reurl.cc/pVGmr。
[7]. 網路資料 online resources : 深圳機械展 : 快速衝床衝壓速度有多快。2017年12月15日，取自https://reurl.cc/KvGxR。
[8]. 網路資料 online resources : 何謂加速度感測器。取自https://www.rohm.com.tw/electronics-basics/sensors/sensor_what5。
[9]. 網路資料 online resources：賴盈霖： GPS 技術再升級，重力感測器實現航位推算。新通訊，2007 年 9 月號 79 期，取自 https://reurl.cc/3pNoj。
[10]. 劉景浩，「類神經網路暨圖形辨識之腦波判讀系統」，國立中央大學，碩士論文，民國107年。
[11]. Forrest N. Iandola , Song Han , Matthew W. Moskewicz , Khalid Ashraf , William J. Dal-ly , Kurt Keutzer,(2017) "SQUEEZENET: ALEXNET-LEVEL ACCURACY WITH 50X FEWER PARAMETERS AND < 0.5MB MODEL SIZE ".
[12]. 網路資料 online resources：deeplearn，取自 : https://www.npmjs.com/package/deeplearn。
[13]. Clive Granger, (1981) "Some Properties of Time Series Data and Their Use in Economet-ric Model Specification",Journal of Econometrics 16: 121-130.
[14]. 黃立恩，「軟性電路板感測器應用於光電產業製成之改進」，國立中央大學，碩士論文，民國107年。
[15]. Allan Alves Pinheiro, Iago Modesto Brandao and Cesar da Costa,” Vibration Analysis of Rotary Machines Using Machine Learning Techniques”, EJERS, European Journal of Engineering Research and Science Vol. 4, No. 2, February 2019.
[16]. B. Luo, H. Wang, H. Liu, B. Li, F. Peng. “Early Fault Detection of Machine Tools Based on Deep Learning and Dynamic Identification. IEEE Transactions on Industrial Elec-tronics, V. 66, Issue 1, p.509-518, 2018.
[17]. D. Moldovan, T. Ciora, I. Anghel, I. Salomie, “Machine learning for sensor-based manu-facturing process”. 2017 13 th IEEE International Conference on Intelligent Computer Communication and Processing (ICCP), Sept. 2017.

指導教授

張榮森

審核日期

2019-7-11

推文