臺灣博碩士論文加值系統

我國陸軍攻擊直升機主要擔負各作戰區灘岸攻擊與反登陸作戰任務，扮演極重要角色。飛行過程中，若飛機上重要零組件發生非預期性故障時，勢必放棄作戰任務而返場檢修；因此，若能對零組件建置故障時間預測系統，並於故障前即採取適當措施，可有效降低非預期性故障發生，提高任務成功率。
本研究是以我國陸軍某型攻擊直升機安裝使用T700-GE-401發動機的電子控制單元為例，首先採用修正式德菲法製作第一次專家問卷進行調查，蒐集影響電子控制單元故障時間的關鍵因素，再製作李克特量表發出第二次專家問卷進行評分，並根據專家一致性指標評選出7項重要關鍵因素，分別為裝機使用時數與熱電偶總成、液壓機械控制單元線性可變位移傳感器、動力渦輪轉速感應器、扭力及超速感應器、超速漏放瓣電磁閥、液壓機械控制單元扭力馬達等電阻值，該7項係影響電子控制單元檢測後距故障時數的主要關鍵因素。再以我國陸軍航空部隊修護部門2011年至2013年的電子控制單元檢測數據為樣本，載入倒傳遞類神經網路軟體Alyuda NeuroIntelligence測試輸入與輸出之間的關係，用以建立預測模式，測試所得的設定參數：隱藏層神經元數為12、學習速率為0.2、學習循環次數為2,000，做為倒傳遞類神經網路預測的條件，藉以預測電子控制單元之故障時間。
研究結果顯示，經由Alyuda NeuroIntelligence學習訓練後，關聯性(Correlation)與模式配適度(R-squared)分別達到0.999及0.997，預測準確度達92.45%，其高預測準確度有實務上的應用價值，而研究結果也印證倒傳遞類神經網路可做為飛機零組件之故障時間預測能力的標準。
本研究利用倒傳遞類神經網路的預測能力，除了可做為我國陸軍各型直升機零組件預防性修護管理的一項參考，更能擴大應用到國內軍、民用飛機各項零組件上，有效維持飛機零組件的妥善，並降低發生非預期性故障的飛安風險。

The attack helicopters of Taiwan Army play an extremely important role in all anti-landing and littoral assaults operation, when unexpected malfunctions of critical components during operations occurred, to aboard mission and return for further repairs will become inevitable, therefore, to establish the time-to-failure predicting system against components, also apply appropriate actions prior to failures, operational readiness rate will be enhanced and unexpected malfunctions will be effectively reduced.
This study was focused on the Electrical Control Unit which installed on the T700-GE-401 engine of a random Taiwan Army attack helicopter. The Modified Delphi Method was applied when conducting initial questionnaires to collect critical influencing factors of Electrical Control Unit time-to-failure, secondary questionnaires were sent out along with establishing Likert Scale and total 7 critical factors were identified：Individual to Time Since New and ohmic resistance of Thermocouple Assembly, Hydromechanical Control Unit Linear Variable Displacement Transducer, Power Turbine Rotor Speed Sensor, Torque and Overspeed Sensor, Overspeed and Drain Valve Solenoid and Hydromechanical Control Unit Torque Motor, the abovementioned patterns are key influential factors of post-examine time to failure of Electronic Control Unit. Testing data of Electronic Control Unit between 2011 to 2013 were collected, then loaded with Back-Propagation Neural Network software Alyuda NeuroIntelligence to test the interactions between input and output, to establish the prediction mode and to assess with the parameters and conditions generated：1 hidden layer with 12 neurons, learning rate at 0.2 and iteration at 2,000, to effectively predict time-to-failure of Electronic Control Unit using Back-Propagation Neural Network.
The result of the study revealed that the Correlation and R-squared reached 0.999 and 0.997 respectively with Alyuda NeuroIntelligence educational training applied, the accuracy of prediction was 92.45% and the high precision accuracy proves its value of implementation, the study result also shown that Back-Propagation Neural Network can be an standardization of predicting time-to-failure against aircraft critical components.
With the predicting capability of Back-Propagation Neural Network being applied, the preventative maintenance management for Taiwan Army can be optimized; also introducing this method to other components of domestic military and civilian aircrafts is also beneficial to the operational readiness of components and parts, and lower the aviation safety risks caused by unpredicted malfunctions.

誌謝 i
摘要 ii
ABSTRACT iii
目次 iv
表次 vi
圖次 vii
第壹章 緒論 1
第一節 研究背景 1
第二節 研究動機 2
第三節 研究目的 2
第四節 研究範圍 2
第五節 研究架構 3
第貳章 文獻探討 5
第一節 T700-GE-401發動機 (T700-GE-401 Engine) 5
第二節 德菲法 (Delphi Method) 12
第三節 倒傳遞類神經網路 (Back-Propagation Neural Network) 14
第參章 研究方法 25
第一節 修正式德菲法開放式問卷 25
第二節 李克特量表評分問卷 26
第三節 專家一致性指標 26
第四節 使用Alyuda NeuroIntelligence軟體建立預測模式 27
第肆章 結果討論 28
第一節 修正式德菲法開放式問卷調查結果 28
第二節 李克特量表問卷評分結果 29
第三節 重要關鍵因素資料蒐集 30
第四節 建立導傳遞類神經網路預測模式 33
第五節 預測準確度驗證 42
第六節 重要關鍵因素直接影響故障時間之驗證 44
第伍章 結論展望 48
第一節 研究結論 48
第二節 未來展望 49
參考文獻 50
附 錄 52
附錄一：專家開放式問卷調查表 52
附錄二：專家評分問卷調查表 54
附錄三：本研究應用軟體Alyuda NeuroIntelligence介紹 55

[1] 維基百科(2015)，「中華民國陸軍」，http://zh.wikipedia.org/wiki/%E4%B8%AD%E8%8F%AF%E6%B0%91%E5%9C%8B%E9%99%B8%E8%BB%8D
[2] TVBS新聞(2008)，「軍機墜毀／〈快訊〉二飛官送醫搶救　家屬哭倒急診室」，http://news.tvbs.com.tw/entry/175331
[3] GE Aviation, (2013), “GEK 117491-1” Volume 1, WP 004 00, 3-10.
[4] GE Aviation, (2013), “GEK 117491-1” Volume 1, WP 04 00, 20.
[5] 朝陽科技大學數位學習系統(2015)，「社會工作研究法-Delphi」， http://www.cyut.edu.tw/lms_history/982/course_opendb76.html?courseID=11638&f=open_doc&cid=487448&from=%2F%3Fnav%3Dopen_doc%26termID%3D7%26mode%3D1%26page%3D3
[6] 黃鴻順(2015)，「習慣領域線上書籍：1-1-2-1 德爾菲法 (Delphi Method)」，http://ken.hd.org.tw/modules/tad_book3/page.php?tbdsn=71
[7] MBA智庫百科(2015)，「德爾菲法/得爾飛法(Delphi Method)」，http://wiki.mbalib.com/zh-tw/%E5%BE%B7%E5%B0%94%E8%8F%B2%E6%B3%95
[8] 謝邦昌(2000)，「類神經網路概述及實例」，bidm.stat.fju.edu.tw/school/DOWNLOAD/neural.doc
[9] 蘇木春、張孝德(2004)，《機械學習：類神經網路、模糊系統以及基因演算法則(修訂二版)》，全華圖書股份有限公司。
[10] Murry J. W. & Hammons, J. O. (1995),“Delphi: A versatile methodology for conductingqualitative research. ” The Review of Higher Education, 18(4), 423-436.
[11] Rumelhart, D.E., Hinton, G.E., & Williams, R.J. (1986) , “Learning Internal Representation by Error Propagation.” Parallel Distributed Processing, 1, 318-362.
[12] B. Widrow, M. E. Hoff, Jr. (1960), “Adaptive Switchang Circuits.” IRE WESCON Convention Record, 96-104.
[13] 藍天雄、陳品璋、藍俊雄、莊凱棋(2012)，「倒傳遞類神經網路於薄膜濺鍍製程材料下銷售預測之研究」，2012年全國商管學術暨實務研討會會議論文。
[14] 巫沛倉(2015)，「類神經網路簡介」，http://www.docin.com/p-74994123.html
[15] 莊凱棋(2012)，「應用系統動力學於需求預測下之人資策略研究」，私立育達商業科技大學資訊管理研究所碩士論文。
[16] Research Methods Knowledge Base (2015), http://www.socialresearchmethods.net/kb/scallik.php
[17] 王光明、吳和堂、吳明隆(2008)，「高雄市立國民小學學校評鑑指標再建構之研究」，教育行政與評鑑學刊，第五期，第84頁。
[18] 維基百科(2015)，「標準差」，http://zh.wikipedia.org/wiki/%E6%A8%99%E6%BA%96%E5%B7%AE
[19] Christina S. Doyle, “Development of a Model of Information Literacy Outcome Measures within National Education Goals of 1990.” Ph. D. Theses, Northern Arizona University, 1992, 55.
[20] 陳品璋、羅智耀、張鴻騰(2011)，「發展智慧型交通流量預測模型之研究」，2011年資訊管理及應用研討會會議論文。
[21] 藍天雄、邱誌偉、賴育民(2014)，「建立飛機環控系統重要組件維修策略」，管理資訊計算，2014 年第4 卷第1 期，第234-251頁。
[22] 孫瑛霙、王明庸、藍天雄(2014)，「應用倒傳遞神經網路於負載啟斷開關接觸電阻預測之研究」，管理資訊計算，2014 年第4 卷第1 期，第142-149頁。
[23] 陳鴻智(2006)，「GPS 監測站高程估測模式之運用分析」，私立逢甲大學土木及水利工程研究所博士論文。
[24] 王魯湘(2005)，「以類神經網路建立消耗性零件之壽命預測模式-以晶圓測 試探針卡為例」，私立中原大學工業工程學所碩士論文。
[25] 黃惠隆、翁忠川、黃月貞(2004)，「以車輛偵測器推估旅行時間之研究—以北二高為例」，中華技術季刊，第63期。