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 "autoencoder" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    A fault detection method based on stacking the SAE-SRBM for nonstationary and stationary hybrid processes
    Autorzy:
    Huang, Lei
    Ren, Hao
    Chai, Yi
    Qu, Jianfeng
    Powiązania:
    https://bibliotekanauki.pl/articles/1838177.pdf
    Data publikacji:
    2021
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    fault detection
    sparse autoencoder
    sparse restricted Boltzmann machine
    hybrid industrial processes
    detekcja błędów
    autoenkoder
    proces przemysłowy
    Opis:
    This paper proposes a fault detection method by extracting nonlinear features for nonstationary and stationary hybrid industrial processes. The method is mainly built on the basis of a sparse auto-encoder and a sparse restricted Boltzmann machine (SAE-SRBM), so as to take advantages of their adaptive extraction and fusion on strong nonlinear symptoms. In the present work, SAEs are employed to reconstruct inputs and accomplish feature extraction by unsupervised mode, and their outputs present a knotty problem of an unknown probability distribution. In order to solve it, SRBMs are naturally used to fuse these unknown probability distribution features by transforming them into energy characteristics. The contribution of this method is the capability of further mining and learning of nonlinear features without considering the nonstationary problem. Also, this paper introduces a method of constructing labeled and unlabeled training samples while maintaining time series features. Unlabeled samples can be adopted to train the part for feature extraction and fusion, while labeled samples can be used to train the classification part. Finally, a simulation on the Tennessee Eastman process is carried out to demonstrate the effectiveness and excellent performance on fault detection for nonstationary and stationary hybrid industrial processes.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2021, 31, 1; 29-43
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A fault detection method based on stacking the SAE-SRBM for nonstationary and stationary hybrid processes
    Autorzy:
    Huang, Lei
    Ren, Hao
    Chai, Yi
    Qu, Jianfeng
    Powiązania:
    https://bibliotekanauki.pl/articles/1838184.pdf
    Data publikacji:
    2021
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    fault detection
    sparse autoencoder
    sparse restricted Boltzmann machine
    hybrid industrial processes
    detekcja błędu
    autoenkoder
    proces przemysłowy
    Opis:
    This paper proposes a fault detection method by extracting nonlinear features for nonstationary and stationary hybrid industrial processes. The method is mainly built on the basis of a sparse auto-encoder and a sparse restricted Boltzmann machine (SAE-SRBM), so as to take advantages of their adaptive extraction and fusion on strong nonlinear symptoms. In the present work, SAEs are employed to reconstruct inputs and accomplish feature extraction by unsupervised mode, and their outputs present a knotty problem of an unknown probability distribution. In order to solve it, SRBMs are naturally used to fuse these unknown probability distribution features by transforming them into energy characteristics. The contribution of this method is the capability of further mining and learning of nonlinear features without considering the nonstationary problem. Also, this paper introduces a method of constructing labeled and unlabeled training samples while maintaining time series features. Unlabeled samples can be adopted to train the part for feature extraction and fusion, while labeled samples can be used to train the classification part. Finally, a simulation on the Tennessee Eastman process is carried out to demonstrate the effectiveness and excellent performance on fault detection for nonstationary and stationary hybrid industrial processes.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2021, 31, 1; 29-43
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A nested autoencoder approach to automated defect inspection on textured surfaces
    Autorzy:
    Oz, Muhammed Ali Nur
    Kaymakci, Ozgur Turay
    Mercimek, Muharrem
    Powiązania:
    https://bibliotekanauki.pl/articles/2055170.pdf
    Data publikacji:
    2021
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    autoencoder
    defect detection
    automatic visual inspection
    deep learning
    autoenkoder
    wykrywanie defektów
    inspekcja wizyjna
    inspekcja automatyczna
    uczenie głębokie
    Opis:
    In recent years, there has been a highly competitive pressure on industrial production. To keep ahead of the competition, emerging technologies must be developed and incorporated. Automated visual inspection systems, which improve the overall mass production quantity and quality in lines, are crucial. The modifications of the inspection system involve excessive time and money costs. Therefore, these systems should be flexible in terms of fulfilling the changing requirements of high capacity production support. A coherent defect detection model as a primary application to be used in a real-time intelligent visual surface inspection system is proposed in this paper. The method utilizes a new approach consisting of nested autoencoders trained with defect-free and defect injected samples to detect defects. Making use of two nested autoencoders, the proposed approach shows great performance in eliminating defects. The first autoencoder is used essentially for feature extraction and reconstructing the image from these features. The second one is employed to identify and fix defects in the feature code. Defects are detected by thresholding the difference between decoded feature code outputs of the first and the second autoencoder. The proposed model has a 96% detection rate and a relatively good segmentation performance while being able to inspect fabrics driven at high speeds.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2021, 31, 3; 515--523
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
    Diagnostyka pittingu kół zębatych na podstawie surowego sygnału emisji akustycznej w oparciu o głębokie uczenie maszynowe
    Autorzy:
    Li, Xueyi
    Li, Jialin
    He, David
    Qu, Yongzhi
    Powiązania:
    https://bibliotekanauki.pl/articles/301093.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    gear pitting fault diagnosis
    autoencoder
    one-dimensional convolutional neural network
    acoustic emission signal
    diagnostyka pittingu kół zębatych
    autoenkoder
    jednowymiarowa splotowa sieć neuronowa
    sygnał emisji akustycznej
    Opis:
    Gear pitting fault is one of the most common faults in mechanical transmission. Acoustic emission (AE) signals have been effective for gear fault detection because they are less affected by ambient noise than traditional vibration signals. To overcome the problem of low gear pitting fault recognition rate using AE signals and convolutional neural networks, this paper proposes a new method named augmented convolution sparse autoencoder (ACSAE) for gear pitting fault diagnosis using raw AE signals. First, the proposed method combines sparse autoencoder and one-dimensional convolutional neural networks for unsupervised learning and then uses the reinforcement theory to enhance the adaptability and robustness of the network. The ACSAE method can automatically extract fault features directly from the original AE signals without time and frequency domain conversion of the AE signals. AE signals collected from gear test experiments are used to validate the ACSAE method. The analysis result of the gear pitting fault test shows that the proposed method can effectively performing recognition of the gear pitting faults, and the recognition rate reaches above 98%. The comparative analysis shows that in comparison with fully-connected neural networks, convolutional neural networks, and recurrent neural networks, the ACSAE method has achieved a better diagnostic accuracy for gear fitting faults.
    Pitting kół zębatych stanowi jedno z najczęstszych uszkodzeń przekładni mechanicznych. Do wykrywania takich uszkodzeń stosuje się sygnały emisji akustycznej (AE), które, ze względu na niższą wrażliwość na hałas otoczenia, stanowią skuteczniejsze narzędzie diagnostyczne niż tradycyjne sygnały wibracyjne. Wykrywalność zużycia guzełkowatego (pittingu) kół zębatych przy użyciu sygnałów AE i splotowych sieci neuronowych jest jednak niska. Aby rozwiązać ten problem, w niniejszym artykule zaproponowano nową metodę diagnozowania uszkodzeń kół zębatych za pomocą surowych sygnałów AE, którą nazwano augmented convolution sparse autoencoder (konwolucją rozszerzoną z wykorzystaniem autoenkodera rzadkiego, ACSAE). Jest to metoda samouczenia jednowymiarowych splotowych sieci neuronowych realizowanego za pomocą autoenkodera rzadkiego. Metoda ta wykorzystuje teorię wzmocnienia do zwiększania adaptacyjności i odporności sieci. Metoda ACSAE pozwala na automatyczne wyodrębnianie cech degradacji bezpośrednio z oryginalnych sygnałów AE bez konieczności ich konwersji do domeny czasu i częstotliwości. Walidację metody przeprowadzono na podstawie sygnałów AE otrzymanych w badaniach kół zębatych. Analiza wyników badań pittingu kół zębatych wskazuje, że proponowana metoda pozwala na skuteczną detekcję tego typu uszkodzeń, przy wskaźniku wykrywalności powyżej 98%. Analiza porównawcza pokazuje, że metoda ACSAE cechuje się większą trafnością diagnostyczną w wykrywaniu błędów montażowych kół zębatych w porównaniu z sieciami neuronowymi w pełni połączonymi, splotowymi i rekurencyjnymi.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 3; 403-410
    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