科技與工程學院
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/5
沿革
科技與工程學院（原名為科技學院）於87學年度成立，其目標除致力於科技與工程教育師資培育外，亦積極培育與科技產業有關之工程及管理專業人才。學院成立之初在原有之工業教育學系、工業科技教育學系、圖文傳播學系等三系下，自91學年度增設「機電科技研究所」，該所於93學年度起設立學士班並更名為「機電科技學系」。本學院於93學年度亦增設「應用電子科技研究所」，並於96學年度合併工教系電機電子組成立「應用電子科技學系」。此外，「工業科技教育學系」於98學年度更名為「科技應用與人力資源發展學系」朝向培育科技產業之人力資源專才。之後，本院為配合本校轉型之規劃，增加學生於科技與工程產業職場的競爭，本院之「機電科技學系」與「應用電子科技學系」逐漸朝工程技術發展，兩系並於103學年度起分別更名為「機電工程學系」及「電機工程學系」。同年，本學院名稱亦由原「科技學院」更名為「科技與工程學院」。至此，本院發展之重點涵蓋教育（技職教育/科技教育/工程教育）、科技及工程等三大領域，並定位為以技術為本位之應用型學院。
107學年度，為配合本校轉型規劃，「光電科技研究所」由原隸屬於理學院改為隸屬本（科技與工程）學院，另增設2學程，分別為「車輛與能源工程學士學位學程」及「光電工程學士學位學程」。
News
Browse
6 results
Search Results
Item 以優勢約略集合、形式概念分析與流量圖探勘影響主機板維修成本之因素(2024) 陳翊誠; Chen, Yi-Cheng主機板為個人電腦系統之核心，近年來，全球個人電腦主機板產業已逐漸成熟，為因應全球市場成長趨緩、競爭激烈、且產品毛利率逐年下滑之趨勢，各廠商極力降低成本，以求提昇競爭力。雖然分析造成主機板故障原因，並且進一步提昇毛利，為重要議題，但相關研究甚少，為跨越研究缺口，本研究將探討影響售後維修成本之因素。為推衍影響維修成本之因素，本研究將導入優勢約略集合法 (Dominance-based rough set approach，DRSA) 進行資料探勘，並以全球前三大某主機板製造商過去十年之售後服務維修紀錄，歸納出造成主機板故障，並影響維修成本之決策規則，再使用形式概念分析 (Formal concepts analysis) 與流量圖 (Flow Graph)，討影響維修成本之因素，並加以視覺化。實證研究以產品設計、維修用料、維修結果、返修天數等因素為條件屬性，維修成本為決策屬性，推衍出影響維修費用之決策規則與因素，進而有訂定降低維修成本之策略。研究結果顯示，造成較高維修成本的主要因素，分別為使用後返修的天數、產品銷售價格、電路板材大小、最終修復成功率。當產品使用一定的時間，且主機板的價格與電路板材屬高階時，產品不良返修容易使整體維修成本提升。若最終無法順利修復，更造成產品報廢，必須賠償客戶新品，成本極高。本研究方法可作為電子業售後維修成本分析之用，並可分析設計或品質不良，降低維修成本之用，分析架構與研究結果亦可與其他產業提升產品品質之用。Item 大學生使用經驗學習環於影像辨識平台上學習人工智慧應用程式之學習成效(2021) 林羿婷; Lin, Yi-Ting本研究發展一個人工智慧影像辨識課程，適合無運算思維及人工智慧基礎之大學生，培養學生運算思維能力與認識人工智慧，使用準實驗研究方法，對於大學生使用經驗學習環進行人工智慧影像辨識課程之學習成效進行研究。研究結果顯示採用不同的教學方式皆可以增加學生的運算思維與人工智慧概念，經驗學習環較適合初始具有較低運算思維能力與較低自我效能的學生，因為經驗學習環具有反思、抽象化及主動驗證歷程，能夠讓學生產生討論、合作與直接操作的行為，這些行為的出現能夠提升初始運算思維能力與自我效能較低的學生運算思維能力與自我效能程度。而主題式導向學習較適合初始具有一定運算思維能力及高自我效能的學生，因為其過去的學習經驗已經習慣講述式的示範教學方法，延續習慣的且表現不錯的學習方法較能夠維持良好的運算思維感知程度。Item 桌上型中場核磁共振系統開發與組織檢測分析最佳化應用研究(2022) 劉威辰; Liu, Wei-Chen本研究使用自行開發之中場核磁共振系統以及ez-SQUID公司開發的中場核磁共振系統，進行肝臟切片生檢法與細針抽吸之組織重量模擬量測，量測20管的正常組織(Normal Tissue)與20管的腫瘤組織(Tumor Tissue)。測量肝臟切片生檢法檢體重量約0.075 g~0.125 g、細針抽吸檢體重量約0.009 g~0.012 g，不經任何組織染色處理直接測量，量測完訊號使用快速傅立葉轉換法(FFT頻譜)以及本研究提出的強度法(Power)來分析擬合出T1弛豫時間(Relaxation time)，並比較使用這兩種分析方法所測量正常組織與腫瘤組織之T1弛豫時間的差異。利用T1弛豫時間來驗證細針抽吸在微量的狀態下是否也能進行腫瘤分辨的可行性。最後測量結果發現使用強度法分析，穩定度以及準確度最好，也發現腫瘤組織的T1值大於正常組織，顯示確實能利用T1值來區分腫瘤組織。而在測量肝臟切片生檢法以及細針抽吸的靈敏度與特異度都相同，分別為85 %、100 %。說明了肝臟細針抽吸檢測上，能夠與肝臟切片生檢法有相同的檢測結果，因此證明本系統應用在細針抽吸也能清楚區分出腫瘤組織，可提供醫師們一個參考資訊。並利用AI機器學習邏輯回歸(Logistic Regression)模型將T1值用來分類並預測出正常與腫瘤組織可能的機率，提供一個區分腫瘤組織依據。關鍵字：中場核磁共振、肝臟切片生檢、細針抽吸、T1弛豫時間、靈敏度、特異度、機器學習、邏輯回歸Item 鐵電電晶體以等脈衝編程之神經網路與極化輔助脫陷阱(2021) 張劭華; Chang, Shao-Hua近幾年來半導體的領域中，鐵電材料與現今CMOS 製程相容，是非常熱門的研究主題，而鐵電氧化鉿鋯(HfZrO2, HZO)也已被廣泛的利用。本論文系統地研究了用於增強（Potentiation）/ 抑制（Depression）機器學習的等脈衝編程，以使用5nm厚的HZO鐵電電晶體實現非線性度（α_P= 1.25和α_D = -3.69）和高電導比率（> 103x）。顯示出電導比率和線性之間的權衡特性。記憶窗（memory window, MW）增強的較高剩餘極化（Pr）將導致電導比率增加，但會降低訓練曲線的線性度。對於HZO厚度從15nm到5nm的HZO，以50ns的脈衝寬度和較低的脈衝電壓執行等脈衝的優化學習條件。這些突出的優點為將來記憶體內計算（computing-in-memory, CIM）應用程序等新興應用提供了機會。 而記憶窗作為主要決定因子，我們也嘗試透過介電層（dielectric, DE）與鐵電層相對位置調變，由量測結果發現上層的DE與下層DE相比有較大的記憶窗，且2階的資料保存能力達103秒無衰退現象，可重複操作次數超過105個cycles。在確立了其元件的特性後，我們嘗試以不同的脈衝條件，令元件達成機器學習的效果。鐵電電晶體的學習曲線具有良好的線性與對稱性。 雙層鐵電電晶體（double-layer ferroelectric, DFE），以改善機器學習中權重更新的非線性。雙層非對稱之FeFET（HZO 5nm / Al2O3 0.5nm / HZO 10nm）具有2.3 V的記憶窗，可操作 >105的耐久性，並可保持 >104秒。FeFET新型極化輔助脫陷阱（polarization assisted de-trapping, PAD）方法，增強型學習曲線的非線性度（αp）可以降低到0.07。Item 以卷積神經網路為基礎之軸承故障診斷系統(2019) 郭柏賢; Guo, Bo-Xain軸承在所有機械設備中，是最重要的機械部件之一，而軸承運行時之健 康狀況，除了直接影響整台設備的機能性，亦係造成設備故障的主要因素; 因此，對於設備診斷、維護時能夠精確評估軸承的健康狀況極為重要。 傳統軸承故障診斷方式仍存在許多改進空間，例如:僅限於同轉速下才 可進行軸承故障診斷，為解決此問題，本研究針對高低不同轉速之軸承設計 軸承故障診斷系統。該系統以卷積神經網路為基礎，將不同轉速之資料作為 資料集以建置神經網路模型，透過深度學習神經網路實現一跨轉速之軸承故 障診斷系統，為證明該方法的可信度，本研究資料來自具公信力的 Case WesternReserve 大學軸承資料中心，該資料中心網站有提供之軸承振動故障 訊號，且利用該網站提供的軸承訊號驗證本研究提出的方法，證實本研究之 故障診斷系統功效卓越。 本研究達成高低不同轉速之軸承資料進行同時分類，及利用神經網路模 型，成功分類未參與建模的轉速資料，且正確率高達 99.66%。Item 以深度學習拆解與辨識中文書法字之筆畫(2018) 吳彥德; Wu, Yen-Te本論文針對中文書法字領域中較少人關注的部分─筆畫，以往對於文字方面的研究大多是文字辨識，例如：光學字元識別(Optical Character Recognition，OCR)，主要在於”辨識”出文字。本論文透過筆畫來理解文字並進行拆解、辨識以及重現，遂提出了基於深度學習之筆畫拆解與辨識及即時書寫系統，驗證平台是透過網路攝影機讀取文字影像再用並列式手臂(Delta Robot)做即時的書寫。基於深度學習之筆畫辨識系統採用近幾年急速發展的深度學習來進行物件辨識，深度學習已經在影像識別方面證明其強對大的能力，藉由大量數據集學習對應物件而產生理想的網路模型，以此模型辨識想尋找的物件。所以本論文採用深度學習並改良部分神經網路架構，以得到較好的筆畫辨識結果。本系統參考並沿用YOLO(You only look once)在即時(Real-time)偵測與定位上的優良檢測速度以及準確度，在得出辨識與定位結果後，利用辨識與定位出的物件資訊做進一步的物件分割，再採用影像前處理濾除干擾以及提取骨架，得到每個筆畫物件的座標點，最後交由並列式手臂進行書寫以及文字的重構。此外，由於訓練神經網路需要大量的運算，因此有關神經網路的執行以及訓練都使用GPU進行平行運算來加速。本論文將文字筆畫作為物件並使用深度學習進行辨識與定位，此方式能同時得到筆畫種類以及座標，並且基於YOLO網路架構針對筆畫辨識進行架構改良，進一步提升辨識、定位準確率，同時保持原有的辨識速度。