機架式 機櫃的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

機架伺服器基座凸包幾何輪廓設計

為了解決機架式 機櫃的問題，作者陳亦宣 這樣論述：

摘要伺服器(Server)，它是隨著網際網路的發明而被發展出來的軟、硬體裝置。從硬體角度來看，伺服器主要分為刀鋒伺服器、機架式伺服器以及立式伺服器(塔式伺服器)三種。然而伺服器是全年都在運作的硬體設備，因此伺服器的可靠度相當重要，機架式伺服器會被放置於 42U/32U 機櫃裡，因此機架式伺服器的下沉量(Sag Data)過大時，會影響伺服器在抽拉出機架時，造成下層機架式伺服器無法順利被抽出而造成維護上的問題。本論文的研究目的主要針對機架伺服器的基座凸包幾何輪廓之下沉量進行分析研究，論文一共分成八組模擬條件進行模擬分析，本研究主要是透過 Pro/Engineering Creo 建置凸包幾何輪

廓的 3D 模型並利用 ANSYS分析軟體進行凸包幾何輪廓之下沉量模擬分析，從第一組模擬分析針對 6種凸包幾何輪廓進行模擬。結果得知 Type1 的凸包幾何輪廓之下沉量最小。由第二組模擬條件利用 Type1 的凸包幾何輪廓以不同凸包寬度尺寸分別為 10mm/20mm/30mm 進行模擬分析，由模擬分析結果得知在 20mm凸包寬度尺寸之所得到的下沉量最小。第三組模擬條件是利用 Type1 凸包幾何輪廓，由凸包設計間距分別為 25mm/35mm/45mm 的條件下，以相同 20mm 凸包寬度及相同負載 47N的條件下進行模擬分析，由分析結果得知凸包設計間距在 35mm，所得到的下沉量最小。III第

四組模擬分析條件採用 Type1 凸包幾何輪廓;凸包寬度為 20mm;設計間距 35mm;凸包高度為 1.0mm/1.2mm/1.6mm 的條件下進行模擬分析，由分析結果得知凸包高度在 1.6mm 所得到的下沉量最小。第五組模擬分析條件採用 Type 6 凸包幾何輪廓;凸包寬度為 20mm;設計間距 35mm;凸包高度為 1.0mm/1.2mm/1.6mm 的條件下，由模擬分析結果得知凸包高度在 1.6mm 所得到的下沉量最小。由此分析結果得知凸包高度越高機殼下沉量越小。第六組模擬分析條件是比較 1.2mm 機殼厚度加凸包及 1.6mm 機殼無凸包的下沉量模擬分析，分析結果得知 1.6mm 機

殼無凸包的下沉量最小。第七組模擬分析主要針對跨角角度中心分別為粗、中、細的條件下進行 Type1~Type6 的下沉量模擬分析，結果得知在跨角角度中心分別為粗、中、細的條件下所得的下沉量是一致的。最後由第一組到七組分析模擬的結果，進行第八組的整機下沉量分析，結果得知由 Type1 凸包幾何輪廓的下沉量最小。本論文之研究結果可以替伺服器設計者提供在設計前期規劃時，在進行凸包設計時，選擇下沉量最小的凸包幾何輪廓進行設計，避免因下沉量過大造成機架伺服器無法順利被抽出機架而造成下層的機架式伺服器無法進行維護…等問題。

以深度學習進行銅箔表面瑕疵分類系統的整合與開發

為了解決機架式 機櫃的問題，作者陳立耀 這樣論述：

銅箔是製作印刷電路板（Printed circuit board, PCB）的重要的材料，是一種陰質性電解材料，沉澱在電路板基底層上的一層薄薄的金屬箔。作為PCB的導電體，具備非常容易黏合在絕緣層上的特性，經過腐蝕後形成電路圖樣。在電子信息產業被視為電子產品信號與電力傳輸、溝通的神經網路。在許多產業中，自動化光學檢測（Automated Optical Inspection, AOI）的技術已經越來越普及，而在工廠的自動化產線，AOI設備檢測更是不可或缺。許多原本靠人力檢測的工作，已逐步被自動化設備取代，以達到避免人工疲勞而產生的錯誤，以及快速準確檢測的效果。AOI在傳統的處理方法上，需要花

費工程師大量的時間來開發演算法以及定義特徵。傳統的方式對於樣品的特徵很敏感，假如換了另一批樣品或是另一種製程，就必須重新定義新的特徵以及演算法。如果能以深度學習的方法代替傳統方法，將能省去這些大量被浪費的人力與時間。因此，本研究將銅箔作為研究對象，使用了深度學習的方法，利用卷積神經網路（Convolutional Neural Network, CNN）作為檢測後的分類系統。並且，設計了一套完善的使用者介面（User Interface, UI）來即時監控生產品質與顯示檢測到的瑕疵，使檢測的資訊能夠一目瞭然。最後，將兩邊系統整合，把人機介面的機台與瑕疵檢測的機台透過通訊協定來交流，達到系統整合

之效果。