已經跟呼吸一樣重要的網路和手機論文書籍站
國立成功大學 機械工程學系 林仁輝所指導 魏新偉的 運用雲端深度學習智慧化診斷系統分析鋸床鋸帶磨耗衰退性能之研究 （2020），提出AMADA 鋸床關鍵因素是什麼，來自於鋸帶磨耗衰退分析、深度學習、有序神經元長短期記憶網路、自編碼器、雲端智慧化診斷。
運用雲端深度學習智慧化診斷系統分析鋸床鋸帶磨耗衰退性能之研究
為了解決AMADA 鋸床 的問題，作者魏新偉 這樣論述：
在機械加工產業中，帶鋸床為金屬原料之前端設備，其將金屬原料切割成所需之形狀與大小以利後續加工。精密加工是機械產業的重要目標，若能夠在製程的前端掌握住加工之精度，除了能減少二次加工所需的時間與成本，也能確保最終產品品質。鋸帶的磨耗性能衰退是造成鋸床加工表面品質下降的主因，以往的檢測方法為等到機台發出明顯的振動或噪音時，才將機台停機進行加工品質檢查，但是此種方法通常發現得太晚。若能在機台出現輕微異常時就立即發出警報訊息，通知操作人員處理，不僅能確保產品品質，也能提高生產效率。基於上述，本研究利用深度學習(Deep learning)方法分析帶鋸床運作之振動訊號與加工表面影像，並將結果整合至雲端，
建立一個雲端智慧化診斷系統，目的在於不再仰賴人為的判讀而是透過建立智慧化的診斷流程來提高生產效率與品質。本研究使用帶鋸床切削S45C圓棒，總共切削1000片工件。接著分別使用有序神經元長短期記憶編碼器(ON-LSTM-ED)與自編碼器(Autoencoder)分析振動訊號與加工表面影像，得到振動訊號健康指數與加工表面健康指數。發現鋸帶的磨耗衰退行為主要會反應在側向振動(Lateral vibration)上，側向振動增大使得鋸帶無法完整的將材料從工件表面移除，因而開始有材料殘留在工件表面，使加工品質下降。分析結果顯示振動訊號健康指數對於有殘留材料在工件表面之情形可以即時反應出來，而加工表面健康
指數則等到殘留材料有一定的量後才有明顯下降趨勢。因此，本研究將振動訊號健康指數之分析結果整合至雲端智慧化診斷系統，利用方程式對振動訊號健康指數作曲線擬合，並透過擬合之係數與振動訊號健康指數之變化趨勢作對應。在振動訊號健康指數有明顯下降趨勢時，擬合之係數會跟著劇烈上升，透過此特性作為智慧化診斷系統是否要發出警報的判斷依據。結果顯示本研究之雲端智慧化診斷系統可以在鋸帶有輕微異常時，即時的發出警報，將來能應用於真實的加工情況中。