學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73894
Browse
2 results
Search Results
Item 希爾伯特黃轉換應用於單筆腦電波訊號(2009) 石曜嘉; Yao Chia Shih大腦人機介面為近幾年來很活躍的研究領域，然而腦電波包含著許多雜訊，並且具有非線性、非穩態等特性，所以腦電波的「特徵擷取」和「分類」為世界各國相關研究團隊共同努力的方向。本研究針對「特徵擷取」提供一套單筆腦電波分析法，可應用於大腦人機介面。此方法同時結合了獨立成份分析法和希爾伯特黃轉換來分析腦電波訊號。整個分析方法可以分為兩個階段：第一階段是利用獨立成份分析法的盲源分離特性把腦電波紀錄分解成具有時間、空間特性的成分；第二階段是利用一種時頻分析法，希爾伯特黃轉換將第一個階段所得到的成分做時頻分析。其中希爾伯特黃轉換的前半段架構被稱為經驗模態分解法，在本論文中用於訊號重建以及雜訊去除。當腦電波經過前面兩個階段的處理後，將可以同時保留腦電波的時間、頻率、空間特徵，建立時頻空間樣本。另外，本研究同時比較三種時頻分析法在處理腦電波訊號上的表現，分別為希爾伯特黃轉換、短時距傅立葉轉換、莫雷轉換。實驗結果為希爾伯特黃轉換在頻譜圖上不論高頻和低頻皆有較佳的解析度。 在研究流程的最後一個階段，選擇支持向量機分類四種想像動作(想像左手動、想像右手動、想像腳動、想像舌頭動)的腦電波資料，對於想像右手動可到達83.33%的辨識率，而整體四種想像動作的平均辨識率為54.17%。另外，本研究結合經驗模態分解與快速獨立成份分析法定位想像動作之訊號源，平均準確率可達到72.12%。Item 以多尺度分析為特徵之多轉速齒輪箱錯誤診斷之研究(2014) 鄭景逢工具機在工業的生產上是不可或缺的，而齒輪箱是工具機常用的零組件，若是齒輪箱故障可能會導致生產線不可預知的損失，因此過去幾年來已經有許多業界與學界的研究人員投入齒輪箱錯誤診斷的研究。一般而言，要建立錯誤診斷系統的數據資料庫有三個基本步驟：擷取振動數據，特徵抽取和錯誤狀態分類。在本論文中，討論四種多尺度分析算法，包括組合式多尺度熵（CMSE），組合式多尺度排列熵（CMPE），多頻帶頻譜熵（MBSE），和多尺度奇異值分解熵（MSVDE），用來抽取不同轉速以及不同錯誤的齒輪箱振動訊號的特徵。而支持向量機（SVM）和類神經網絡（NN）是作為分類器來區分齒輪箱的錯誤類型。本論文的實驗平台是由工業技術研究院（ITRI）提供。 實驗四種不同的條件，包括正常，不平衡，齒輪磨損和齒輪斷裂，收集不同的齒輪轉速從446 rpm開始，並以12 rpm為區間，一直到2121 rpm的齒輪振動訊號。 為了評估演算法在多轉速齒輪箱錯誤診斷的可行性，對振動數據進行分組辨識，每一組共取五個不同的齒輪轉速，本論文設計兩個實驗：（1）五個不同的轉速數據同時用來訓練分類器; （2）只用一個特定轉速的數據來訓練分類器。實驗結果表明，如果訓練數據來自各個不同的速度，所提出的錯誤診斷演算法預測精度非常的高（高達99.8％）。然而，如果訓練數據僅來自一個轉速，錯誤診斷演算法的預測準確率會大大降低。本論文希望這項研究可以提供一些貢獻在開發一個多轉速齒輪箱的錯誤診斷系統。