Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Ye-Ye" wg kryterium: Autor


Wyświetlanie 1-5 z 5
Tytuł:
Structural reliability analysis based on fuzzy random uncertainty
Analiza niezawodności strukturalnej w oparciu o rozmytą niepewność losową
Autorzy:
You, Lingfei
Zhang, Jianguo
Li, Qiao
Ye, Nan
Powiązania:
https://bibliotekanauki.pl/articles/301548.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
fuzzy random uncertainty
approximation method
envelope distribution
structure
cut level
rozmyta niepewność losowa
metoda aproksymacji
rozkład obwiedni
struktura
poziom cięcia
Opis:
To address the fuzzy random uncertainty in structural reliability analysis, a novel method for obtaining the membership function of fuzzy reliability is proposed on the two orders four central moments (TOFM) method based on envelope distribution. At each cut level, the envelope distribution is first constructed, which is a new expression to describe the bound of the fuzzy random variable distribution. The central moments of the bound distribution are determined by generating samples from the envelope distribution, and they are used to calculate the central moments of the limit state function based on the first two orders of the Taylor expansion. Thereafter, the modern approximation method is used to approximate the polynomial expression for the limit state function probability density function (PDF) by considering the central moments as constraint conditions. Thus, the reliability boundaries can be calculated under the considered cut level, and the membership function of the fuzzy reliability is subsequently obtained. Three examples are evaluated to demonstrate the efficiency and accuracy of the proposed method. Moreover, a comparison is made between the proposed method, Monte Carlo simulation (MCS) method, and fuzzy first-order reliability method (FFORM). The results show the superiority of the proposed method, which is feasible for the analysis of structural reliability with fuzzy randomness.
W pracy przedstawiono metodę, która pozwala na uwzględnienie rozmytej niepewności losowej w strukturalnej analizie niezawodności. Zaproponowana metoda określania funkcji przynależności niezawodności rozmytej wykorzystuje cztery momenty centralne dwóch rzędów czy czwarte momenty centralne drugiego rzędu obliczane w oparciu o rozkład obwiedni. Dla każdego poziomu cięcia, najpierw konstruuje się rozkład prawdopodobieństwa obwiedni, za pomocą którego opisuje się granice rozkładu rozmytych zmiennych losowych, a momenty centralne rozkładu ograniczonego wyznacza się poprzez generowanie prób z rozkładu obwiedni. Następnie, stosując nowoczesną metodę optymalnej aproksymacji, otrzymuje się aproksymowane wyrażenie wielomianowe funkcji gęstości prawdopodobieństwa rozkładu obwiedni, gdzie momenty centralne stanowią warunki ograniczające, które pozwalają aproksymować niezawodność za pomocą rozwinięcia Taylora drugiego rzędu funkcji stanu granicznego. W ten sposób granice niezawodności oblicza się na rozważanym poziomie cięcia, a następnie otrzymuje się funkcję przynależności niezawodności rozmytej. W artykule przeanalizowano trzy przykłady, na podstawie których wykazano skuteczność i trafność proponowanej metody. Przeprowadzono także porównanie z metodą symulacji Monte Carlo oraz metodą analizy rozmytej niezawodności pierwszego rzędu. Wyniki wskazują na wyższość omawianej metody, która pozwala analizować niezawodność strukturalną w warunkach losowości rozmytej.
Źródło:
Eksploatacja i Niezawodność; 2019, 21, 4; 599-609
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Comprehensive importance analysis for repairable system components based on the GO method
Autorzy:
Jiang, Xiuhong
Wang, Yuying
Li, Jiaxin
Ye, Linlin
Powiązania:
https://bibliotekanauki.pl/articles/2200937.pdf
Data publikacji:
2022
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
component importance
electric aircraft
GO method
reliability analysis
permanent magnet
synchronous motor
Opis:
In order to effectively improve the reliability level of the permanent magnet synchronous motor (PMSM) drive system of electric aircraft, a component importance analysis based on the GO method for the repairable systems is proposed. Firstly, the system reliability model GO diagram is established according to the hardware schematic diagram of the PMSM drive system. Secondly, the steady-state availability and failure importance of the components are calculated. In addition, the criteria importance through intercriteria correlation (CRITIC) is adopted to determine the objective weights of steady-state availability and failure importance. The combined weighting is employed to obtain the importance of key components. Meanwhile, a system redundancy design based on the importance of components is proposed to provide data support for the design of the system. Finally, the feasibility and effectiveness of the proposed method are evaluated by an example of an electric aircraft PMSM drive system. This method provides a supporting basis for the optimization design of the entire system.
Źródło:
Eksploatacja i Niezawodność; 2022, 24, 4; 785--794
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes
Autorzy:
Sun, Shuang
Przystupa, Krzysztof
Wei, Ming
Yu, Han
Ye, Zhiwei
Kochan, Orest
Powiązania:
https://bibliotekanauki.pl/articles/1841936.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
malfunction diagnostics
naive Bayes
moth-flame optimization algorithm
ensemble empirical mode decomposition
Opis:
Fault diagnosis is part of the maintenance system, which can reduce maintenance costs, increase productivity, and ensure the reliability of the machine system. In the fault diagnosis system, the analysis and extraction of fault signal characteristics are very important, which directly affects the accuracy of fault diagnosis. In the paper, a fast bearing fault diagnosis method based on the ensemble empirical mode decomposition (EEMD), the moth-flame optimization algorithm based on Lévy flight (LMFO) and the naive Bayes (NB) is proposed, which combines traditional pattern recognition methods meta-heuristic search can overcome the difficulty of selecting classifier parameters while solving small sample classification under reasonable time cost. The article uses a typical rolling bearing system to test the actual performance of the method. Meanwhile, in comparison with the known algorithms and methods was also displayed in detail. The results manifest the efficiency and accuracy of signal sparse representation and fault type classification has been enhanced.
Źródło:
Eksploatacja i Niezawodność; 2020, 22, 4; 730-740
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Forecasting short-term electric load using extreme learning machine with improved tree seed algorithm based on Lévy flight
Autorzy:
Chen, Xuan
Przystupa, Krzysztof
Ye, Zhiwei
Chen, Feng
Wang, Chunzhi
Liu, Jinhang
Gao, Rong
Wei, Ming
Kochan, Orest
Powiązania:
https://bibliotekanauki.pl/articles/2087016.pdf
Data publikacji:
2022
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
short-term electric load forecast
extreme learning machine
Lévy flight
tree-seed algorithm
Kernel principal component analysis
Opis:
In recent years, forecasting has received increasing attention since it provides an important basis for the effective operation of power systems. In this paper, a hybrid method, composed of kernel principal component analysis (KPCA), tree seed algorithm based on Lévy flight (LTSA) and extreme learning machine (ELM), is proposed for short-term load forecasting. Specifically, the randomly generated weights and biases of ELM have a significant impact on the stability of prediction results. Therefore, in order to solve this problem, LTSA is utilized to obtain the optimal parameters before the prediction process is executed by ELM, which is called LTSA-ELM. Meanwhile, the input data is extracted by KPCA considering the sparseness of the electric load data and used as the input of LTSA-ELM model. The proposed method is tested on the data from European network on intelligent technologies (EUNITE) and experimental results demonstrate the superiority of the proposed approaches compared to the other methods involved in the paper.
Źródło:
Eksploatacja i Niezawodność; 2022, 24, 2; 153--162
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Time-frequency Representation -enhanced Transfer Learning for Tool Condition Monitoring during milling of Inconel 718
Autorzy:
Zhou, Yuqing
Sun, Wei
Ye, Canyang
Peng, Bihui
Fang, Xu
Lin, Canyu
Wang, Gonghai
Kumar, Anil
Sun, Weifang
Powiązania:
https://bibliotekanauki.pl/articles/24200823.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
tool condition monitoring
time-frequency analysis
Markov Transition Field
transfer learning
Opis:
Accurate tool condition monitoring (TCM) is important for the development and upgrading of the manufacturing industry. Recently, machine-learning (ML) models have been widely used in the field of TCM with many favorable results. Nevertheless, in the actual industrial scenario, only a few samples are available for model training due to the cost of experiments, which significantly affects the performance of ML models. A time-series dimension expansion and transfer learning (TL) method is developed to boost the performance of TCM for small samples. First, a time-frequency Markov transition field (TFMTF) is proposed to encode the cutting force signal in the cutting process to two-dimensional images. Then, a modified TL network is established to learn and classify tool conditions under small samples. The performance of the proposed TFMTF-TL method is demonstrated by the benchmark PHM 2010 TCM dataset. The results show the proposed method effectively obtains superior classification accuracies for small samples and outperforms other four benchmark methods.
Źródło:
Eksploatacja i Niezawodność; 2023, 25, 2; art. no. 165926
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-5 z 5

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies