臺灣博碩士論文加值系統

在這個科學高度發展的年代，人們對主觀性的判斷都希望有個科學化的解釋，就算是機器運作的品質也不例外，本研究以整合訊號分析的方法，提出一套能夠處理滾珠螺桿振動訊號，並進行電腦化分類學習的分析系統。本研究主要分為三個部份，第一部份是透過加速規錄製不同型號的滾珠螺桿在不同環境下的滾珠振動訊號，主要是以半無響室與實際滾珠螺桿生產的檢測室做比較，結合第二部份的訊號分析，將兩個環境錄製的振動訊號進行希爾伯特黃轉換，取得可以進行判斷分析的時間頻率圖，第三部份則是對時間頻率圖進行影像識別並分類學習，透過加速穩健特徵法，將時間頻率圖化為電腦較容易接受的特徵向量，接著使用K平均法與支持向量機演算法，將這些特徵向量分類並作為範本來歸類新的特徵向量，整個第三部份稱之為視覺詞袋法。本系統可以提供科學化的滾珠螺桿分類分析給使用者，避免掉不穩定的主觀意識判斷，可以有效降低滾珠螺桿檢測的時間與成本。

第一章 緒論 1
1-1研究背景與目的 1
1-2文獻回顧 2
1-2.1滾珠螺桿 2
1-2.2希爾伯特黃轉換 4
1-2.3影像識別 6
1-3論文架構 9
第二章 理論分析與方法 10
2-1希爾伯特黃轉換(Hilbert Huang Transform, HHT) 10
2-1.1總體經驗模態分解法 (EEMD) 11
2-1.2希爾伯特轉換 16
2-2影像識別 16
2-2.1視覺詞袋法(Bag of visual words method, BOW) 17
2-2.2加速穩健特徵法(Speeded up robust Features, SURF) 18
2-2.3 K 平均法(K-mean method) 20
2-2.4支持向量機（Support Vector Machine, SVM） 22
第三章 量測方法與量測儀器 33
3-1儀器使用及量測方法 33
3-1.1儀器量測前裝配流程 34
3-1.2半無響室 36
3-1.3產線檢測場地 36
3-2訊號擷取方式及儀器 36
3-2.1單軸加速規 37
3-2.2單軸加速規與麥克風 37
3-2.3雙單軸加速規 37
3-2.4三單軸加速規 38
3-2.5三軸加速規 38
3-2.6雙三軸加速規 39
3-3整體評估與討論 39
第四章 量測結果與時間頻率圖分析 47
4-1訊號處理流程 47
4-2訊號分析過程 48
4-3時間頻率圖結果 50
4-3.1時間頻率圖分類 51
4-3.2時間頻率圖結果展示 52
4-4雙向分析 53
4-5影像識別分析 53
4-5.1半無響室 54
4-5.2產線檢測場地 54
4-5.3影像識別分析結果及分類標準選擇 55
第五章 結論與未來展望 71
5-1結論 71
5-2未來研究與發展 73
參考文獻 74

[1]Robert E. Krebs & Carolyn A. Krebs. (2003). Groundbreaking
scientific experiments - inventions and discoveries of the ancient
world. Greenwood Publishing Group. 114
[2]Berthold Laufer. (1915). The Eskimo screw as a cultural-historical
problem. American anthropologist, Volume 17( 1), 396-402.
[3]Cardwell D. S. (2001). Wheels, clocks, and rockets: a history of
technology. W. W. Norton & Company. 85–89
[4]K. Erkorkmaz & A. Kamalzadeh. (2007). High Bandwidth Control of
Ball Screw Drives. CIRP Annals - Manufacturing Technology,
Volume 55(1), 393-398.
[5]Dan J. Gordon & Kaan Erkorkmaz. (2012). Accurate control of ball
screw drives using pole-placement vibration damping and a novel
trajectory prefilter. Precision Engineering, Volume 37(2), 308–322.
[6]Guenter Pritschow & Niko Croon. (2013). Ball screw drives with
enhanced bandwidth by modification of the axial bearing. CIRP
Annals - Manufacturing Technology, Volume 62(1), 383-386.
[7]林仁輝. (1999). 滾珠螺桿磨潤性能試驗機之建立以及磨潤行為
之測試分析. 成功大學.
[8]魏進忠. (2003). 單螺帽雙圈滾珠螺桿在預負荷及潤滑作用條件
下運動機制與機械性能的理論分析及實驗印證. 成功大學.
[9]錢乃岩. (2005). 滾珠螺桿使用的問題分析. 模具製造(9),
70-71.
[10]蘇栢賢. (2005). 滾珠導螺桿振動噪音之研究. 清華大學.
[11]陳穎宏. (2007). 線性滑軌與滾珠導螺桿之振動噪音特性研究.
清華大學.
[12]陳彧士, 黃宜正. (2012). 利用振動量測訊號對中空滾珠導螺桿
之預拉特性的診斷分析. 中華民國振動與噪音工程學會論文集,
15-22.
[13]胡守仁(譯). (2002). 希爾伯特的23個數學問題(The Hilbert
Challenge)(原作者：Gray J.Jeremy). 天下遠見. 152-155.
[14]J. N. Pandey. (1996). The Hilbert transform of Schwartz distributions
and applications. Wiley-Interscience. 258-265
[15]Norden E. Huang, Zheng Shen, Steven R. Long, Manli
C. Wu, Hsing H. Shih, Quanan Zheng, Nai-Chyuan Yen, Chi
Chao Tung, Henry H. Liu. (1998). The empirical mode
decomposition and the Hilbert spectrum for nonlinear and
non-stationary time series analysis. Proceedings of the Royal Society
A: Mathematical, Physical & Engineering Sciences, 454, 903-995.
[16] Z. Zhao & Y. Wang . (2007). A New Method for Processing
End Effect in Empirical Mode Decomposition. IEEE International
Conference on Circuits and Systems for Communications ICCSC
2007, 841-845.
[17]J. Cheng, D. Yu & Y. Yang. (2006). Research on the Intrinsic Mode
Function (IMF) Criterion in EMD Method. Mechanical Systems and
Signal Processing, 20(4), 817-824.
[18]陳韋佑. (2007). 以希爾伯特-黃轉換法為GPS接收機抑制調頻
干擾. 台灣大學.
[19]Jian-Jiun Ding. (2009). Time frequency analysis and wavelet
transform class ppt. National Taiwan University.
[20] Ryan Deering & James F. Kaiser. (2005). The Use Of a Masking
Signal To Improve Empirical Mode Decomposition. Proc. IEEE
Conf. Acoust. Speech and Sig. Processing (ICASSP), Volume 4,
485-488.
[21] Zhaohua Wu & Norden E. Huang. (2009). Ensemble Empirical
Mode Decomposition: A Noise-Assisted Data Analysis Method.
Advances in Adaptive Data Analysis, Volume 1(1), 1-41.
[22]楊鎧綸. (2010). 希爾伯特-黃轉換法之拍頻分析於結構損傷鑑
定上的應用. 高雄大學.
[23]李俊耀, 林鴻奇與陳昱維. (2010). 應用希爾伯特-黃轉換於風
力發電機軸承偏移檢測. 崑山科技大學.
[24]林鴻奇. (2010). 直流馬達之異常振動訊號檢測及辨識. 中原大
學.
[25]C. E. Shannon. (1948). A Mathematical Theory of Communication.
The Bell System Technical Journal, Volume 27, 379–423, 623–
656.
[26]黃亞勤. (2011). 基於視線跟蹤技術的眼控滑鼠研究與實作.西
華大學.
[27]Herbert Bay , Andreas Ess, Tinne Tuytelaars, Luc Van Gool. (2008).
SURF: Speeded Up Robust Features. Computer Vision and Image
Understanding (CVIU), Volume 110(3), 346-359.
[28]H. Steinhaus. (1957). The division of physical body parts. Bulletin
Polonaise Des Sciences, Volume 4(12), 801–804.
[29]S. P. Lloyd. (1957). Least square quantization in PCM. Bell
Telephone Laboratories Paper.
[30]E.W. Forgy. (1965). Cluster analysis of multivariate data: efficiency
versus interpretability of classifications. Biometrics, Volume 21,
768–769.
[31] J. A. Hartigan, M. A. Wong. (1979). Algorithm AS 136: A k-Means
Clustering Algorithm. Journal of the Royal Statistical Society：Series
C, Volume 28(1), 100–108.
[32]V. N. Vapnik, I. M. Guyon, and B. E. Boser. (1992). A training
algorithm for optimal margin classifiers. 5th Annual ACM Workshop
on Conference on Learning Theory, 144-152.
[33] Corinna Cortes & V. N. Vapnik. (1995). Support-Vector Networks.
Machine Learning, Volume 20(3), 273-297.
[34] Jiaqi Wang, Xindong Wu, Chengqi Zhang. (2005). Support vector
machines based on K-means clustering for real-time business
intelligence systems. International Journal of Business Intelligence
and Data Mining, Volume 1(1), 52-56.
[35]林宗勳. (2006). Support Vector Machine簡介. 台灣大學.
[36]曾定章. (2015). 影像處理講義第13 版. 中央大學資訊工程研
究所.檢自http://ip.csie.ncu.edu.tw/course/course.htm
[37]謝志敏. (2007). 希爾伯特黃轉換簡介(Hilbert Huang
Transform). 高雄海洋大學.
[38]林彥宇. (2015). 知識天地-淺談電腦視覺與影像特徵點比對.
中央研究院週報, 第1532期, 1-5.
[39]陳振雄(2010), 應用希爾伯特-黃轉換之訊號濾波研究, 科學
與工程技術期刊, 第六卷(1), 75-84.
[40]Goldstein Herbert, Charles P. Poole Jr & John L. Safko. (1980).
Classical Mechanics (3rd Edition). Addison Wesley, 46–47.
[41]Mordecai Avriel. (2003). Nonlinear Programming: Analysis and
Methods. Dover Publications, 34-41.