本論文研究發展數據訊號收集、監控以及異常狀況預測的實施方案與關鍵技術。實務上，藉由關鍵數據收集分析，並進一步進行監控，可以偵測生產設備異常狀況；而人工智慧技術之引入，更能有效預測異常狀況之發生，提前警示，提供系統救援之關鍵緩衝時間。本論文分析監控感測訊號，並應用長短程記憶類神經網路(LSTM)，學習分析訊號趨勢，進行異常預測，經由實務問題驗證，所提方案可以有效預測產線設備之異常狀況。

研究動機:
隨著近年虛擬實境、擴增實境設備的不斷進步，未來發展備受大眾期待，其中音效又是帶來體驗的一大關鍵。為了實現更加真實的聲音，必須探討頭部相關轉移函數，也就是當聲音從不同方向傳來時，經過人頭、肩膀、外耳不同角度的反射和吸收產生的各種頻率響應，根據每個人的生理差異也會有所不同。顯然要重現與真實世界完全一樣的聲音，個人化的頭部相關轉移函數是不可或缺的，但目前市面上常見的方法為使用通用型的演算法替代，因為以往要得到個人化的頻率響應曲線必須請受測者在無響室內使用多個喇叭和麥克風進行測量，過程相當不易。本研究提出以卷積類神經網路取代量測，使用者只需要提供耳部照片，即可產生個人的頻響曲線，透過數位訊號處理套用這樣的參數便能獲得最接近真實的聽感。

研究方法:
為了訓練類神經網路模型，需要預先量測多個受測者的頻率響應，以一般監聽喇叭作為聲源和入耳式微型麥克風收音即可測得。而這些頻率響應又可以先訓練自動編碼器模型，經過編碼後可以保留頻率響應的重要特徵，分析不同方向角度造成的差異，排除影響不大的參數，減少後續的訓練成本。再來加入從人側面拍下正對耳朵的照片，訓練出個人化頭部相關轉移函數模型，目標即是輸入照片以產生對應之頻率響應。

關鍵詞：頭部相關轉移函數；空間音訊；卷積類神經網路；自動編碼器

根據經濟部技術處所發表之文章中提到，智慧製造之核心技術發展理念，係將運算能力結合感測器與通訊網路，建立於生產設備及生產管理系統。作為關鍵技術之一，感測器的規格、靈敏度以及連網能力，將成為智慧製造極為重要的一部份。然而，專業感測器所需花費的成本相對較高，除了其單價較高外，專業感測器需搭配相應的資料讀取裝置，才能有最佳的數據結果，增加了整體感測設備的花費。再者，專業感測器搭配相應硬體設備，其安裝手續較為複雜，使用上需有一定的技術門檻。綜合上述幾點，專業感測器要普及於生產設備及生產管理系統仍有一定的挑戰。
近年來，有越來越多低單價的通用型感測器推出，例如M5Stack所推出的感測模組—M5Stick-C，除了基本的感測功能之外，此類型的感測器通常會附加連網的功能，倘若這些低單價感測器所收集到的數據，在一定的程度上可以比擬專業感測器，其應用將不再只是應用於玩家開發與設計，而是能夠成為智慧感測推進與普及化的一大利器。訊號採集的精準度是評斷量測數據可信度的重要指標，本研究將使用專業感測器與M5Stick-C進行振動數據的採集，並將數據進行處理與分析，藉由分析結果比較不同感測器之間的差異，進而評估低單價感測器，是否具有足夠的可信度，可以投入智慧感測的應用之中。除此之外，本研究亦利用低單價感測器內建之網路連線功能，來實踐感測裝置與資料庫及應用程式介面(API)之串流，讓使用者能夠利用裝置來啟動量測，並獲得當次量測之分析結果。本實驗將感測裝置設置於CNC工具機刀座上，並將空轉轉速設置為2000 rpm，採集其振動訊號。透過Matlab將振動數據進行頻譜分析，其結果顯示，M5Stick-C在頻譜的趨勢上，與專業感測器基本相符，但在頻率軸上有偏移的情況，工具機2000 rpm之基頻應為33 Hz，而M5Stick-C所量測到的基頻偏移至32 Hz，高頻部分所量測到的訊號亦向低頻偏移，其偏移量隨著頻率增加而增加。
通用型振動感測器結合了感測、連網以及程式控制等多項技術，可應用於生產設備及生產管理系統，監測和記錄設備狀態。搭配AI技術的導入，在未來有極大的潛力實現異常訊號之判讀，並針對生產設備及生產管理系統落實故障預測與健康管理。

近年來許多高準確率的卷積神經網路模型被提出，如AlexNet、Vgg、GoogleNet等，其皆以辨識眾多種類為目標，但部份應用領域所需的辨識類別較少，如水果種類或其品級分類。以台灣愛文芒果品級分類為例，目前多以人工篩選進行三種品級分類(A級、B級、C級)，不僅容易造成篩選誤差，亦需耗費大量人力，若透過卷積神經網路技術進行自動分類辨識，則有望降低篩選誤差與節省人力成本，若進一步對網路模型進行輕量化，更能降低硬體計算負擔與成本。
本文以Fruit 360資料集與芒果品級資料集為辨識對象，由於需要辨識的目標種類較少，故以主流網路架構AlexNet與VGG-16為基礎進行網路輕量化研究。首先調降卷積神經網路模型輸出層的兩層全連接層，再依據特徵圖由淺層往深層傳遞的原理，由第一層卷積層開始逐層調降卷積遮罩數量，並以原始網路架構辨識準確率做基準，以實驗方式逐層調整卷積遮罩數量，建立準確率不低於原始架構的輕量化網路模型，最後透過記錄各實驗組卷積層的遮罩平均餘弦相似度，討論辨識準確率與各卷積層遮罩平均餘弦相似度變化的關聯性。
實驗結果顯示，網路架構能夠透過減少卷積層遮罩數量的方式，在不損失準確率的情況下，達到網路輕量化的效果，其中在Fruit 360資料集中，AlexNet與VGG-16的參數量在不損失準確率的情況下，分別下降92.4% (參數量從23,645,649降為1,797,745)與99.27% (從50,706,321降為369,625)。在芒果品級資料集中，參數量則分別下降97.1% (參數量從56,880,515降為1,655,043)與99.4% (參數量從134,272,835降為736,315)。實驗過程亦發現，減少特定卷積層遮罩數量，將使後方卷積層遮罩平均相似度有所提升，其或可作為卷積遮罩削減數量多寡之參考。

先進陶瓷、玻璃以及鑽石膜等非導電硬脆材料因其優異的性能，在朝向微小化、高頻化的高科技產業受到大量的採用，ECDM加工技術受限於加工精度與幾何形狀尚待克服，未能在產業界中展現出廣大成果。因此本研究為開發出一個ECDM加工監控APP之人機介面，設計智慧參數監控系統以針對不同加工材料進行即時檢知，以快速調整出對該材料最佳的加工參數。
本研究之智慧參數監控系統主要包含以下三個部分:
數值資料庫系統: 擷取量測數據輸入至數據分析資料庫，依所需分析類別進行初步彙整動作。

數值有效前置處理: 設定條件進行過濾，剔除不適數值、選取具穩定趨勢之有效數值，將該資料轉換成其他數值，以進行有意義的分析。

製程參數分析: 透過製程參數分析出各製程參數影響品質結果的關係程度比重。

本研究將使用ECDM加工石英玻璃，並透過監控APP分析加工效果的好壞，且對不同加工參數進行分析與探討出該材料進行ECDM加工之最佳參數。結果經測試發現，此系統可以即時偵測加工狀態，並判斷加工過程中是否有出現異常，以及評斷整個加工過程能否達到最佳效益。希望此監控系統將來可以有效增加ECDM加工效益，在加工過程中出現異常時可以進行即時回饋以及參數調整。

旋轉機械的故障診斷，對於機械的安全性與可靠度非常重要。近幾年來，大量基於深度學習的演算法被應用於旋轉機械的故障診斷，其中一維卷積神經網路(one dimension convolutional neural network)套用在原始振動訊號上表現優異。在這些方法中，有使用原始振動訊號或頻譜圖作為人工智慧模型的訓練資料。其中，原始的振動訊號通常非常複雜，難以直接解讀，有些重要的訊息可能隱藏在不同的子頻帶中。例如軸承的振動特徵集中在較低的頻帶；齒輪的振動特徵會在較高的頻帶。為了提高一維卷積神經網路模型辨識能力，本研究提出結合小波封包(wavelet packet)與一維卷積神經網路的方法，提高故障診斷模型的準確率。首先，為了提取不同頻帶的資訊，將訊號分解成不同頻帶的小波係數，接著，為了使小波係數能相容一維卷積神經網路，我們設計了基於小波包分解之多通道一維卷積神經網路模型，該模型為淺層的類神經網路，並以公開資料集的軸承故障資料進行實驗。實驗結果顯示，本研究提出結合離散小波頻帶分解的一維卷積神經網路架構之效能比傳統的一維卷積神經網路的準確率改善不少。