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 "Gao, Chen" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    A tool wear condition monitoring approach for end milling based on numerical simulation
    Autorzy:
    Zhu, Qinsong
    Sun, Weifang
    Zhou, Yuqing
    Gao, Chen
    Powiązania:
    https://bibliotekanauki.pl/articles/1841690.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    tool wear
    sample missing
    sample insufficiency
    numerical simulation
    cutting force
    Opis:
    As an important research area of modern manufacturing, tool condition monitoring (TCM) has attracted much attention, especially artificial intelligence (AI)- based TCM method. However, the training samples obtained in practical experiments have the problem of sample missing and sample insufficiency. A numerical simulation- based TCM method is proposed to solve the above problem. First, a numerical model based on Johnson-Cook model is established, and the model parameters are optimized through orthogonal experiment technology, in which the KL divergence and cosine similarity are used as the evaluation indexes. Second, samples under various tool wear categories are obtained by the optimized numerical model above to provide missing samples not present in the practical experiments and expand sample size. The effectiveness of the proposed method is verified by its application in end milling TCM experiments. The results indicate the classification accuracies of four classifiers (SVM, RF, DT, and GRNN) can be improved significantly by the proposed TCM method.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 2; 371-380
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions
    Autorzy:
    Zheng, Guoxiao
    Sun, Weifang
    Zhang, Hao
    Zhou, Yuqing
    Gao, Chen
    Powiązania:
    https://bibliotekanauki.pl/articles/2038054.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    tool wear condition monitoring
    empirical mode decomposition
    variational mode decomposition
    fourier synchro squeezed transform
    neighborhood component analysis
    long short-term memory network
    Opis:
    Tool wear condition monitoring (TCM) is essential for milling process to ensure the machining quality, and the long short-term memory network (LSTM) is a good choice for predicting tool wear value. However, the robustness of LSTM- based method is poor when cutting condition changes. A novel method based on data fusion enhanced LSTM is proposed to estimate tool wear value under different cutting conditions. Firstly, vibration time series signal collected from milling process are transformed to feature space through empirical mode decomposition, variational mode decomposition and fourier synchro squeezed transform. And then few feature series are selected by neighborhood component analysis to reduce dimension of the signal features. Finally, these selected feature series are input to train the bidirectional LSTM network and estimate tool wear value. Applications of the proposed method to milling TCM experiments demonstrate it outperforms significantly SVR- based and RNN- based methods under different cutting conditions.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 4; 612-618
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Optimal resource allocation for safety in distributed complex electromechanical systems
    Optymalna alokacja zasobów zapewniająca bezpieczeństwo w złożonych rozproszonych systemach elektromechanicznych
    Autorzy:
    Han, Z.
    Gao, J.
    Xing, L.
    Chen, F.
    Powiązania:
    https://bibliotekanauki.pl/articles/301020.pdf
    Data publikacji:
    2011
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    straty z tytułu awarii
    prawdopodobieństwo awarii
    sieć złożona
    system złożony
    programowanie dynamiczne
    optymalna alokacja zasobów
    hierarchia bezpieczeństwa
    bezpieczeństwo systemu
    accident loss
    accident probability
    complex network
    complex system
    dynamic programming
    optimal resource allocation
    safety importance
    system safety
    Opis:
    Existing optimal resource allocation for system safety mainly concentrates on series/parallel systems or systems that can be converted into series/parallel models. However, for some distributed complex electromechanical systems, it is very difficult or even impossible to refine them into a series/parallel model; in addition, the safety of some system units is immeasurable because of the coupling relationship complexity in the system composition structure. In this paper, a novel method based on complex networks and path set-based dynamic programming is proposed for the optimal resource allocation for maximal safety of distributed complex electromechanical systems with non-series-parallel structures. As a measurement of the system safety, safety importance is defined, which is a function of two safety feature parameters - accident loss and accident probability. A practical system is taken as an example to illustrate and verify the feasibility and applicability of the proposed method.
    Istniejące strategie optymalnej alokacji zasobów służące zapewnieniu bezpieczeństwa systemów skupiają się głównie na systemach szeregowo-równoległych lub na systemach, które można przekształcić w modele szeregowo-równoległe. Jednakże, w przypadku niektórych złożonych rozproszonych systemów elektromechanicznych, przetworzenie na model szeregowo-równoległy może być bardzo trudne lub wręcz niemożliwe. Dodatkowo, z powodu złożoności relacji sprzężeń w fizycznej strukturze tego rodzaju systemów, bezpieczeństwo niektórych jednostek systemowych jest niemierzalne. W niniejszym artykule przedstawiono nową metodę optymalnej alokacji zasobów gwarantującą maksymalne bezpieczeństwo złożonych rozproszonych systemów elektromechanicznych o strukturze innej niż szeregowo-równoległa. Metoda ta oparta jest na sieciach złożonych i wykorzystuje dynamiczne programowanie bazujące na zbiorach ścieżek. Jako miarę bezpieczeństwa systemu zastosowano pojęcie hierarchii bezpieczeństwa, zdefiniowane jako funkcja dwóch parametrów bezpieczeństwa: strat z tytułu awarii oraz prawdopodobieństwa awarii. Dla zilustrowania proponowanej metody i weryfikacji jej przydatności i możliwości zastosowania, przedstawiono przykład rzeczywistego systemu.
    Źródło:
    Eksploatacja i Niezawodność; 2011, 2; 4-12
    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
      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