運用機器學習方法研究馬達初始參數設計問題(以R公司為例)

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：41

、訪客IP：13.59.217.167

姓名

洪珮瑜(Pei-Yu Hung) 查詢紙本館藏

畢業系所

工業管理研究所在職專班

論文名稱

運用機器學習方法研究馬達初始參數設計問題(以R公司為例)

相關論文

★ 以類神經網路探討晶圓測試良率預測與重測指標值之建立	★ 六標準突破性策略—企業管理議題
★ 限制驅導式在製罐產業生產管理之應用研究	★ 應用倒傳遞類神經網路於TFT-LCD G4.5代Cell廠不良問題與解決方法之研究
★ 限制驅導式生產排程在PCBA製程的運用	★ 平衡計分卡規劃與設計之研究-以海軍後勤支援指揮部修護工廠為例
★ 木製框式車身銷售數量之組合預測研究	★ 導入符合綠色產品RoHS之供應商管理-以光通訊產業L公司為例
★ 不同產品及供應商屬性對採購要求之相關性探討－以平面式觸控面板產業為例	★ 中長期產銷規劃之個案探討 -以抽絲產業為例
★ 消耗性部品存貨管理改善研究-以某邏輯測試公司之Socket Pin為例	★ 封裝廠之機台當機修復順序即時判別機制探討
★ 客戶危害限用物質規範研究-以TFT-LCD產業個案公司為例	★ PCB壓合代工業導入ISO/TS16949品質管理系統之研究-以K公司為例
★ 報價流程與價格議價之研究–以機殼產業為例	★ 產品量產前工程變更的分類機制與其可控制性探討-以某一手機產品家族為例

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

為改善現今變頻馬達開發的過程當中，新馬達參數設計模式，一直依賴開發人員的個人設計經驗進行參數設定，造成同樣的馬達可能會因為開發人員的想法不同而有不同的參數組合，並且不斷的微調馬達設計參數以達到最佳化設計，使馬達開發階段的設計參數與測試驗證組合變得相當繁雜，因而導致開發時程一再延宕。
本研究希望透過機器學習之資料探勘的方式，顛覆現今的設計模式，建立馬達參數設計評估的模型，藉由R公司的馬達產品於開發階段所彙整的參數資料，作為研究數據集，選取與參數設計相關的重要特徵，作為建立模型的訓練與測試用，分別使用隨機森林、多輸出(向量)、梯度提升、多層感知器等四種迴歸模型進行預測，再經由網格搜尋與交叉驗證演算法對迴歸模型進行自動調參，透過模型的準確率與迴歸評估指標進行模型選用，找出適合本研究使用的迴歸模型，藉由全因子實驗設計模型並採用歐幾里得距離量測的演算法的預測，在給定目標值後，找出與目標值最接近的馬達設計參數，以縮短馬達設計驗證時程，並可以提供馬達設計參考之方向。
藉由迴歸評估指標結果顯示，以網格搜尋(隨機森林) 迴歸模型所呈現的預測模型的準確率達91%以上，整體解釋力達91%以上，調整後的模型解釋力達90%，因此本研究選取自動調參的隨機森林迴歸模型進行參數選用，透過實驗設計模型並採用歐幾里得距離量測的演算法的預測，平均可減少2到4次的馬達設計驗證次數，換算下來約可省掉40%的工程天數。
另對於網格搜尋(隨機森林) 迴歸模型設定不熟悉的人員，在使用設定上較為簡易，可利用預測模型的評估，協助開發人員提升開發速度，縮短馬達設計與驗證測試時程，以期達成客戶要望。

摘要(英)

To improve the current inverter motor development process, the new motor parameter design mode has always relied on the developer’s personal design experience. As a result, the same motor may have different parameter combinations due to the different ideas of the developer, and constantly fine-tuning the motor design parameters to achieve the optimal design makes the combination of design parameters and test verification in the motor development phase quite complicated, which leads to repeated delays in the development schedule.
This research hopes to subvert the current design model through the data mining method of machine learning and establish a model of motor parameter design evaluation. The parameter data collected during the development stage of R company′s motor products are used as the research data, selection and parameters Design-related important features are used for model training and testing. Four regression models such as random forest, Multi-output, Gradient boosting, and Multi-layer perceptron are used to predict, and then the regression model is analyzed through Grid-search and Cross-validation algorithms. Carry out automatic parameter adjustment and select the model through the accuracy of the model and the regression evaluation index, then find the regression model suitable for this research, use the full factorial experimental design model and Euclidean distance measurement algorithm to predict, to find the motor design parameter that is closest to the target value after the target value is given. To shorten the motor design verification time and provide the direction of reference for the motor design.
The regression evaluation index results show that the accuracy of the prediction model presented by the Grid-search (random forest regression) model is more than 91%, the overall explanatory power is more than 91%, and the adjusted model explanatory power is 90%. Therefore, in this study, a random forest regression model with automatic parameter adjustment was selected for parameter selection. Through the experimental design model and the prediction using the Euclidean distance measurement algorithm, the number of motor design verifications can be reduced on average by 2 to 4times, and the conversion can save about 40% of the engineering days.
In addition, for those who are not familiar with the setting of the automatic tuning random forest regression model, it is easier to set the user setting. The evaluation of the predictive model can be used to help developers increase the development speed, shorten the motor design and verification test timeline, to achieve customer expectations.

關鍵字(中)

★ 機器學習
★ 資料探勘
★ 迴歸分析
★ 馬達設計

關鍵字(英)

★ Machine learning
★ Data mining
★ Regression analysis
★ Motor design

論文目次

摘要 i
Abstract ii
誌謝 iv
目錄 v
圖目錄 vii
表目錄 ix
第一章緒論 1
1.1 研究背景與動機 1
1.2 研究問題 3
1.3 研究目的 6
1.4 研究方法 7
第二章文獻探討 9
2.1 馬達優化對產業的重要性 9
2.2 機器學習與資料探勘 12
2.3 資料探勘與機器學習模型介紹 19
2.3.1 隨機森林迴歸 19
2.3.2 多輸出(向量)迴歸 22
2.3.3 梯度提升迴歸 23
2.3.4 多層感知器迴歸 26
2.3.5 網格搜尋演算法 28
第三章研究方法 30
3.1 數據分析對馬達參數設計評估的重要性 30
3.2 資料處理方式 31
3.2.1定義問題 33
3.2.2資料收集與準備 33
3.2.3資料清理與預處理 34
3.2.4資料分割 34
3.3 迴歸演算模型建立 35
3.4 全因子實驗設計模型 38
3.5 預測模型評估與選用 42
第四章個案研究 45
4.1 個案公司概況 45
4.2 模型建立 46
4.2.1.資料預處理 50
4.2.2資料切割與預測模型評估指標 51
4.3 預測模型演算法 52
4.3.1 迴歸模型 53
4.3.2 網格搜尋演算法迴歸模型 55
4.3.3 全因子實驗設計模型 59
4.4 預測模型適配度比較 62
4.5 迴歸模型評估 63
4.6 全因子實驗設計模型評估 65
第五章結論與建議方向 70
5.1結論 70
5.2建議方向與後續探討 71
參考文獻 72
附錄 76
中英術語對照 76
術語和定義 77

參考文獻

一、英文文獻
1. Demmelmayr, F., Troyer, M., Schroedl, M., November 2011, “Advantages of PM-machines compared to induction machines in terms of efficiency and sensorless control in traction applications”., IEEE Industrial Electronics Society, IECON 2011-37th Annual Conference, pp. 2762-2768
2. Maimon, O., Rokach, L., (2Eds), “Introduction to knowledge discovery and data mining, in Data mining and knowledge discovery handbook”., New York, 2009
3. Fayyad, U., Piatetsky Shapiro, G., Smyth, P.,1996, “From data mining to knowledge discovery in databases”., AI magazine, 17(3), pp. 37.
4. Breiman, L., October 2001, Random Forests. Machine Learning 45., pp. 5–32.
取自https://doi.org/10.1023/A:1010933404324
5. Diaz-Uriarte, R., & De Andres, S. A., 2006, “Gene selection and classification of microarray data using random forest”., BMC bioinformatics, 7(1), pp. 1-13.
取自https://doi.org/10.1186/1471-2105-7-3
6. Dogan, A., Birant, D., & Kut, A., September 2019, “Multi-target regression for quality prediction in a mining process”., IEEE 2019 4th international conference on computer science and engineering (UBMK), pp. 639-644.
7. Friedman, J. H., March 1999, “Stochastic Gradient Boosting: Computational Statistics and Data Analysis”., Vol38, pp. 367-378.
8. Zheng, C., Kasprowicz, C. G., & Saunders, C., 2017, “Customized Routing Optimization Based on Gradient Boost Regressor Model”., arXiv preprint arXiv:1710.11118.
9. Friedman, J. H., 2001, " Greedy function approximation: a gradient boosting machine"., Annals of statistics, pp. 1189-1232.
取自https://doi.org/10.1214/aos/1013203451
10. Keprate, A., & Ratnayake, R. C., December 2017, “Using gradient boosting regressor to predict stress intensity factor of a crack propagating in small bore piping”., In 2017 IEEE International Conference on Industrial Engineering and Engineering Management(IEEM), pp. 1331-1336.
11. Xingyan, Li., Weidong, Li., Yan, Xu., 2018, “Human age prediction based on DNA methylation using a gradient boosting regressor”., Genes, 9(9), pp. 424.
12. Kim, J., Rho, S.-J., Cho, Y. S., & Cho, E., 2018, “Development of Multilayer Perceptron Model for the Prediction of Alcohol Concentration of Makgeolli”., Journal of Biosystems Engineering, 43(3), pp. 229–236. 取自https://doi.org/10.5307/JBE.2018.43.3.229。
13. Feng, X., Ma, G., Su, S. F., Huang, C., Boswell, M. K., & Xue, P., 2020, “A multi-layer perceptron approach for accelerated wave forecasting in Lake Michigan”., Ocean Engineering, 211, 107526.
14. Nelli, F., 2018, Python data analytics, (2Eds.), Apress Media, California. pp. 360-361.
15. Shuai, Y., Zheng, Y., Huang, H., November 2018, “Hybrid Software Obsolescence Evaluation Model Based on PCA-SVM-GridSearchCV”., In 2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS), pp. 449-453.
16. Müller, A. C., & Guido, S，2016，Introduction to machine learning with Python: a guide for data scientists., O′Reilly Media, Inc, pp. 262-277.
17. Ranjan, G. S. K., Verma, A. K., Radhika, S., March 2019, “K-nearest neighbors and grid search cv based real time fault monitoring system for industries”., In 2019 IEEE 5th international conference for convergence in technology (I2CT) , pp. 1-5.
二、中文文獻
18. 翁慈宗,「資料探勘的發展與挑戰」, Featuer Report 專題報導資訊與生活科技, 科學發展, 442頁, 2009。
19. 李欣海,「隨機森林模型在分類與迴歸分析中的應用」, 應用昆蟲學報, 第50卷, 第4期, 2013。
20. 趙李英記, 「隨機森林運用於白血病基因分類」, KC 2013第九屆知識社群研討會論文集, 文化大學資管系會議論文, 112-122頁, 2013。
21. 沈哲緯、蕭震、辜炳寰、曹鼎志、鄭錦桐、羅文俊,「運用隨機森林探討莫拉克颱風災區土石流發生因子關連性」, 災害防救科技與管理學刊, 第3卷, 第1期, 41~67頁, 2014。
22. 夏曉雷、張通彤、周通、姜湖海、吳辉, 「基于隨機森林的復合導引頭跟蹤模式決策. 激光技術」, 中國知網, 2021。https://kns.cnki.net/kcms/detail/51.1125.TN.20210104.1444.002.html。
23. 贾富倉、李華, 「基于隨機森林的多譜磁共振圖像分割」, 計算機工程, 第31卷, 第10期, 226~229頁，2005。
24. 胡蓉,「多输出支持向量迴歸及其在股指預測中的應用」, 計算機技術與發展, 第17卷, 第10期, 159~161頁, 2007。
25. 胡根生、鄧飛其,「具有多分段損失函數的多輸出支持向量機迴歸」, 控制理論與應用, 第24卷, 第5期, 711~714頁, 2007。
26. 李俊宏、古濟仁, 「類神經網路與資料探勘技術在醫療診斷之應用研究」, 工程科技與教育學刊, 第7卷, 第1期, 154~169頁, 2010。
27. 周志華, 「機器學習與數據挖掘」,中國計算機學會通訊, 第3卷, 第12期, 35~44頁, 2007。
三、網際網路：
28.吳佳樺：2020馬達產業三大趨勢。2020年4月23日，取自https://ieknet.iek.org.tw/iekrpt/rpt_more.aspx?actiontype=rpt&rpt_idno=680947848。
27. 王運銘：有感節能的高效率馬達。2014年10月05日，取自https://energymagazine.itri.org.tw/Cont.aspx?CatID=20&ContID=2389。
28. 張心紜：高效率馬達聯盟，正式成軍。2014年12月05日，取自https://energymagazine.itri.org.tw/Cont.aspx?CatID=20&ContID=2428。
30. 台灣電力公司經營實績歷年用電統計資料，取自https://www.taipower.com.tw/tc/page.aspx?mid=43&cid=29&cchk=34db42ba-62b1-4684-9fc8-59881779ac23#b01。
31. 華人百科，數據挖掘，取自https://www.itsfun.com.tw/%E6%95%B8%E6%93%9A%E6%8C%96%E6%8E%98/wiki-0487533-3936813。
32. 機器學習：聊聊機器學習模型集成學習算法--Boosting，2017年10月19日，取自https://kknews.cc/code/8bjljke.html。
33. William Koehrsen：Random Forest Simple Explanation，2017年12月28日，取自https://williamkoehrsen.medium.com/random-forest-simple-explanation-377895a60d2d。
34. 深度學習（機器學習）知識總結，2020年8月9日，取自https://tw511.com/a/01/7140.html。
35. Francesca Lazzeri、olprod：Microsoft如何選取 Azure Machine Learning 的演算法，2020年5月7日，取自
https://docs.microsoft.com/zh-tw/azure/machine-learning/how-to-select-algorithms。
36. George Seif：那么多迴歸演算法，選哪個好呢？幫你克服選擇演算法選擇障礙，2019年10月14日，取自https://www.gushiciku.cn/pl/p2Jr/zh-tw。
37. 機器學習—各類演算法優缺點總結，2019年1月2日，取自 https://www.itread01.com/content/1546431330.html。

指導教授

沈國基

審核日期

2021-7-26

推文