Informacja

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

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Feature Extraction" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Hybrid methodology of degradation feature extraction for bearing prognostics
    Metodyka hybrydowa ekstrakcji cech degradacji do zastosowań w prognozowaniu czasu życia łożysk
    Autorzy:
    Gu, H.
    Zhao, J.
    Zhang, X.
    Powiązania:
    https://bibliotekanauki.pl/articles/302055.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    ekstrakcja cech
    degradacja
    sygnał
    łożysko
    feature extraction
    degradation
    signal
    bearing
    Opis:
    Hybrid methodology of degradation feature extraction was presented which may enable prediction of remaining useful life of a product. In this methodology, firstly, the signal was de-noised by wavelet analysis. Then the autoregressive model was used to remove the discrete frequencies from de-noised signal. Further, the residual signal which mainly contained impulsive fault signal was enhanced by minimum entropy deconvolution filter. The kurtosis was extracted which was taken as the feature for prognostics. At last, the empirical mode decomposition was used to reduce fluctuation of feature value and to extract the trend content. A case study was presented to verify the effectiveness of the proposed method.
    Przedstawiono hybrydową metodę ekstrakcji cech degradacji, która umożliwia przewidywanie pozostałego okresu użytkowania produktu. W tej metodyce, sygnał został najpierw odfiltrowany z wykorzystaniem analizy falkowej. Następnie, za pomocą modelu autoregresyjnego usunięto z pozbawionego szumów sygnału częstotliwości dyskretne. W dalszej kolejności, sygnał resztkowy, który zawierał głównie impulsowy sygnał uszkodzenia został wzmocniony z zastosowaniem filtru dekonwolucji minimum entropii. Obliczono kurtozę, którą przyjęto jako cechę w procesie prognozowania. Na koniec, zastosowano empiryczną dekompozycję sygnału (EMD) w celu zmniejszenia wahań wartości cechy oraz w celu ekstrakcji trendu. Studium przypadku demonstruje efektywność proponowanej metody.
    Źródło:
    Eksploatacja i Niezawodność; 2013, 15, 2; 195-201
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Recognition of acoustic signals of induction motor using fft, smofs-10 and ISVM
    Rozpoznawanie sygnałów akustycznich silnika indukcyjnego z zastosowaniem fft, smofs-10 i ISVM
    Autorzy:
    Głowacz, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/1365918.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    acoustic signal
    induction motor
    feature extraction
    classification
    sygnał akustyczny
    silnik indukcyjny
    ekstrakcja cech
    klasyfikacja
    Opis:
    A correct diagnosis of electrical circuits is very essential in industrial plants. An article deals with a recognition method of early fault detection of induction motor. The described approach is based on patterns recognition. Acoustic signals of specific induction motor are analyzed patterns. Acoustic signals include information about motor state. The analysis of the patterns was conducted for three states of induction motor using Fast Fourier Transform (FFT), shortened method of frequencies selection (SMoFS-10) and Linear Support Vector Machine (LSVM). The results of calculations suggest that the method is efficient and can be also used for diagnostic purposes.
    Prawidłowa diagnostyka obwodów elektrycznych jest bardzo istotna w zakładach przemysłowych. Artykuł zajmuje się metodą rozpoznawania stanów przedawaryjnych silnika indukcyjnego. Opisane podejście jest oparte na rozpoznawaniu wzorców. Sygnały akustyczne określonego silnika indukcyjnego są badanymi wzorcami. Sygnały akustyczne zawierają informację o stanie silnika. Analiza wzorców została przeprowadzona dla trzech stanów silnika indukcyjnego używając FFT, skróconej metody wyboru częstotliwości (SMoFS-10) i liniowej maszyny wektorów wspierających (LSVM). Wyniki obliczeń sugerują, że metoda jest skuteczna i może być również zastosowana dla celów diagnostycznych.
    Źródło:
    Eksploatacja i Niezawodność; 2015, 17, 4; 569-574
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Research on bispectrum analysis of secondary feature for vehicle exterior noise based on nonnegative tucker3 decomposition
    Badania nad analizą bispektrum cech drugorzędnych hałasu zewnętrznego pojazdów w oparciu o nieujemną dekompozycję Tuckera3
    Autorzy:
    Wang, H.
    Deng, G.
    Li, Q.
    Kang, Q.
    Powiązania:
    https://bibliotekanauki.pl/articles/301586.pdf
    Data publikacji:
    2016
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    feature extraction
    vehicle exterior noise
    NTD
    updating algorithm
    ekstrakcja cech
    hałas zewnętrzny pojazdu
    algorytm aktualizacyjny
    Opis:
    Nowadays, analysis of external vehicle noise has become more and more difficult for NVH (noise vibration and harshness) engineer to find out the fault among the exhaust system when some significant features are masked by the jamming signals, especially in the case of the vibration noise associating to the bodywork. New method is necessary to be explored and applied to decompose a high-order tensor and extract the useful features (also known as secondary features in this paper). Nonnegative Tucker3 decomposition (NTD) is proposed and applied into secondary feature extraction for its high efficiency of decomposition and well property of physical architecture, which serves as fault diagnosis of exhaust system for an automobile car. Furthermore, updating algorithm conjugating with Newton-Gaussian gradient decent is utilized to solve the problem of overfitting, which occurs abnormally on traditional iterative method of NTD. Extensive experimen results show the bispectrum of secondary features can not only exceedingly interpret the state of vehicle exterior noise, but also be benefit to observe the abnormal frequency of some important features masked before. Meanwhile, the overwhelming performance of NTD algorithm is verified more effective under the same condition, comparing with other traditional methods both at the deviation of successive relative error and the computation time.
    Obecnie inżynierowie NVH (zajmujący się problematyką hałasu, drgań i uciążliwości akustycznych) napotykają na coraz większe trudności przy analizie hałasu zewnętrznego pojazdów wynikające z faktu, że istotne cechy związane z nieprawidłowościami układu wydechowego są maskowane przez sygnały zakłócające, szczególnie hałas wibracyjny związany z pracą nadwozia. Niezbędna jest zatem nowa metoda, która pozwoli rozkładać tensory wysokiego rzędu i wyodrębniać przydatne cechy (zwane w tym artykule także cechami drugorzędnymi). Do ekstrakcji cech drugorzędnych wykorzystano w prezentowanej pracy metodę nieujemnej faktoryzacji tensorów znaną także jako nieujemna dekompozycja Tuckera 3 (NTD) , która cechuje się wysoką efektywnością dekompozycji i może być wykorzystywana w diagnostyce uszkodzeń układu wydechowego samochodów. Problem nadmiernego dopasowania, który występuje w tradycyjnej metodzie iteracyjnej NTD rozwiązano przy pomocy algorytmu aktualizacyjnego sprzężonego z gradientem prostym Newtona-Gaussa. Wyniki doświadczeń pokazują, że bispektrum cech drugorzędnych nie tylko pozwala doskonale interpretować stan hałasu zewnętrznego pojazdu, ale również umożliwia wykrywanie wcześniej maskowanych nieprawidłowych częstotliwości odpowiadających niektórym ważnym cechom. Badania potwierdzają, że algorytmu NTD jest bardziej efektywny, w tych samych warunkach, w porównaniu z innymi tradycyjnymi metodami zarówno w zakresie odchyleń błędu względnego jak i czasu obliczeń.
    Źródło:
    Eksploatacja i Niezawodność; 2016, 18, 2; 291-298
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Decision trees and the effects of feature extraction parameters for robust sensor network design
    Wykorzystanie drzew decyzyjnych oraz wpływu parametrów ekstrakcji cech do projektowania odpornych sieci czujników
    Autorzy:
    Gerdes, M.
    Galar, D.
    Scholz, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/301345.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    decision trees
    feature extraction
    sensor optimization
    sensor fusion
    sensor selection
    drzewa decyzyjne
    ekstrakcja cech
    optymalizacja czujników
    fuzja czujników
    dobór czujników
    Opis:
    Reliable sensors and information are required for reliable condition monitoring. Complex systems are commonly monitored by many sensors for health assessment and operation purposes. When one of the sensors fails, the current state of the system cannot be calculated in same reliable way or the information about the current state will not be complete. Condition monitoring can still be used with an incomplete state, but the results may not represent the true condition of the system. This is especially true if the failed sensor monitors an important system parameter. There are two possibilities to handle sensor failure. One is to make the monitoring more complex by enabling it to work better with incomplete data; the other is to introduce hard or software redundancy. Sensor reliability is a critical part of a system. Not all sensors can be made redundant because of space, cost or environmental constraints. Sensors delivering significant information about the system state need to be redundant, but an error of less important sensors is acceptable. This paper shows how to calculate the significance of the information that a sensor gives about a system by using signal processing and decision trees. It also shows how signal processing parameters influence the classification rate of a decision tree and, thus, the information. Decision trees are used to calculate and order the features based on the information gain of each feature. During the method validation, they are used for failure classification to show the influence of different features on the classification performance. The paper concludes by analysing the results of experiments showing how the method can classify different errors with a 75% probability and how different feature extraction options influence the information gain.
    Niezawodne monitorowanie stanu wymaga niezawodności czujników i pochodzących z nich informacji. Systemy złożone są zazwyczaj monitorowane przez wiele czujników, co pozwala na ocenę stanu technicznego oraz aspektów eksploatacyjnych. Gdy jeden z czujników ulega uszkodzeniu, uniemożliwia to obliczenie bieżącego stanu systemu z dotychczasową niezawodnością lub uzyskanie kompletnych informacji o bieżącym stanie. Stan można co prawda monitorować nawet przy niekompletnych danych, ale wyniki takiego monitorowania mogą nie odpowiadać rzeczywistemu stanowi systemu. Sytuacja taka ma miejsce w szczególności, gdy uszkodzony czujnik jest odpowiedzialny za monitorowanie istotnego parametru systemu. Problem uszkodzenia czujnika można rozwiązywać na dwa sposoby. Pierwszy polega na zwiększeniu złożoności systemu, co umożliwia jego sprawniejsze działanie w sytuacji, gdy dane są niekompletne. Drugim sposobem jest wprowadzenie nadmiarowego sprzętu (hardware'u) lub oprogramowania. Niezawodność czujników stanowi krytyczny aspekt systemu. Oczywiście, ze względu na ograniczenia przestrzenne, ekonomiczne i środowiskowe nie wszystkie czujniki w systemie mogą być nadmiarowe. Redundancja powinna dotyczyć wszystkich czujników, które dostarczają istotnych informacji na temat stanu systemu, natomiast dopuszczalne są błędy mniej ważnych czujników. W niniejszej pracy pokazano jak obliczać istotność informacji o systemie dostarczanych przez poszczególne czujniki z wykorzystaniem metod przetwarzania sygnałów oraz drzew decyzyjnych. Zademonstrowano również w jaki sposób parametry przetwarzania sygnałów wpływają na poprawność klasyfikacji metodą drzewa decyzyjnego, a tym samym na poprawność dostarczanych informacji. Drzew decyzyjnych używa się do obliczania i porządkowania cech w oparciu o przyrost informacji charakteryzujący poszczególne cechy. Podczas weryfikacji zastosowanej metody, drzewa decyzyjne wykorzystano do klasyfikacji uszkodzeń celem przedstawienia wpływu różnych cech na dokładność klasyfikacji. Pracę kończy analiza wyników eksperymentów pokazujących w jaki sposób zastosowana metoda pozwala na klasyfikację różnych błędów z 75-procentowym prawdopodobieństwem oraz jak różne opcje ekstrakcji cech wpływają na przyrost informacji.
    Źródło:
    Eksploatacja i Niezawodność; 2017, 19, 1; 31-42
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      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