機械產業一直以來都是工業發展的重要指標之一，主軸軸承系統之運轉效率更是工具機相關領域中不可忽視的重要環節，主軸系統宛如一台機器的心臟，一旦機器發生故障，不僅會影響到整個機械加工過程之效率、精度，甚至可能會危害到操作人員的安全。
了解主軸軸承系統中軸承數與自然頻率關係之特性為本研究的目的，主要透過機器學習中的非監督式學習，以K-means分群演算法探討主軸軸承系統的自然頻率之特性，當主軸系統需要維修時，可以透過自然頻率得知軸承系統之軸承數，以降低維修的耗時。

The machinery industry has always been one of the important indicators of industrial development. The operating efficiency of the spindle bearing system is an important link that cannot be ignored in the field of machine tools. The spindle system is like the heart of a machine. Once the machine fails, it will not only affect The efficiency and accuracy of the entire machining process may even endanger the safety of operators.
Understanding the characteristics of the relationship between the natural frequency and the number of bearings in the spindle bearing system is the purpose of this research. It mainly uses unsupervised learning in machine learning to explore the characteristics of the natural frequency of the spindle bearing system using the K-means Clustering. When repairs are needed, the number of bearings in the bearing system can be known through natural frequencies to reduce the time-consuming repairs.

目 錄

誌 謝 I
摘 要 II
Abstract III
目 錄 IV
圖目錄 VI
表目錄 VII
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 2
1.3論文架構 3
第二章 文獻探討 4
2.1主軸軸承系統 4
2.2人工智慧 5
2.3 機器學習 5
2.4 非監督式學習 6
2.4.1 分群演算法 7
2.5 K-means分群演算法 7
2.5.1K-means演算過程 8
2.5.2 K-means優缺點 9
第三章 研究方法 10
3.1研究架構 10
3.2研究流程 11
3.2.1確定目標問題 11
3.2.2主軸軸承系統FEM動態模型 11
3.3 K-means分群法分類 12
3.3.1 K-means實驗概念 13
3.4實驗步驟 13
3.4.1設計K-means執行步驟 14
3.4.2進行實驗 14
第四章 結果分析 16
4.1實驗過程 16
4.1.1K-means分群實驗結果 16
4.2最優分群結果分析 17
4.2.1集群與質心距離 17
4.2.2 質心位置 18
4.2.3集群百分比 19
4.2.4實驗結果小結 20
4.3Logistic Regression分類 21
第五章 結論與建議 22
5.1結論 22
5.2未來建議 22
參考文獻 23
附錄1 25

[1]台灣國際專利法律事務所，台灣工業競爭力 全球第11，2012。
[2]曲建仲，機器是如何學習與進步？人工智慧的核心技術與未來，2018。
[3]吳佩珊，磨床主軸軸承磨耗檢測方法探討，2016。
[4]呂國禎，商業週刊第1226期-大肚山下的黃金縱谷影響全世界的60公里，2011。
[5]汪博、孫偉、文邦椿，高速主軸系統切削穩定性預測及影響因素分析，2013。
[6]林軒田，擷取自Coursera課程-機器學習，2014。
[7]林棋瑋，建構主軸軸承系統自然頻率類神經網路系統與最佳化設計之研究，2019。
[8]施威宏，結合分群法和關聯性法則之資料探勘-以104家教網為例，2009。
[9]陳品文，K-means集群演算法初使化之新方法，2007。
[10]黃淯晴，基於向量分群的多篇景點評論摘要方法，嘉義大學資訊工程學系碩士論文，2019。
[11]楊德華，機械資訊592期-台灣工具機產業的回顧與展望，2006。
[12]羅作國，切削顫振辨識及主動抑制策略的研究，2007。
[13]羅康銘，人工智慧科技法律議題與規範研究-以人工智慧醫療為核心，高雄科技大學科技法律研究所碩士論文，2020。
[14]A.K. Jain, Pattern Recognition Letters., vol31 pp. 654-666, 2010.
[15]C.-W. Lin, "Design parameter sensitivity analysis of high-speed motorized spindle systems considering high-speed effects," in Mechatronics and Automation. ICMA 2007. International Conference on, 2007, pp. 2087-2092, 2007.
[16]C.-S. Huang, 什麼是人工智慧、機器學習和深度學習, 2018.
[17]C.-W. Lin, Y.-K. Lin, and C.-H. Chu, “Dynamic models and design of spindle-bearing systems of machine tools: A review,” Int. J. Precis. Eng. Manuf., vol. 14, no. 3, pp. 513-521, 2013.
[18]Inc- Gardner Business Media, “The 2017 world machine tool survey” ,2018.
[19]J. B. MacQueen, “Some Methods for classification and Analysis of Multivariate Observations, “ Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability., vol. 1, pp. 281-297, 1967.
[20]J. Jam, Hierarchical Clustering 階層式分群 | Clustering 資料分群 | R 統計, 2018.
[21]K. J. H. Al-Shareef and J. A. Brandon, “On the effects of variations in the design parameters on the dynamic performance of machine tool spindle-bearing systems,” Int. J. Mach. Tools Manuf., vol. 30, no. 3, pp. 431-445, 1990.
[22]M. Weber, M. Welling, P. Perona, Unsupervised learning of models for recognition, pp. 18-32, 2000.
[23]NVIDIA- Design Thinking團隊，三大類機器學習：監督式、強化式、非監督式, 2018.
[24]P.-N. Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining- Chapter8 Cluster Analysis: Basic Concepts and Algorithms, pp. 126-149, 2008.
[25]Y.-T. Tsai, C.-C. Chen, Z.-X. Liao, A study of performance degradation predictions and fault diagnoses for mechanical systems, Journal of Technology, Vol. 27, No. 3, pp. 121-129, 2012.