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 "Komorska, iwona" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    Detekcja uszkodzenia uszczelki głowicy silnika on-line na podstawie sygnału drgań z wykorzystaniem analizy składowych głównych
    On-line detection of the engine head gasket defects on the basis of vibration signal with principal components analysis
    Autorzy:
    Komorska, Iwona
    Powiązania:
    https://bibliotekanauki.pl/articles/249794.pdf
    Data publikacji:
    2015
    Wydawca:
    Instytut Naukowo-Wydawniczy TTS
    Tematy:
    diagnostyka on-line
    silnik spalinowy
    głowica
    awaria
    drgania
    on-line diagnostics
    engine
    head
    accident
    vibrations
    Opis:
    W artykule rozważano możliwość diagnozowania on-line uszkodzenia uszczelki głowicy silnika spalinowego. W systemach diagnozowania on-line wciąż poszukuje się prostszych metod, które umożliwiłyby rozróżnienie stanów dobry – zły oraz identyfikację uszkodzenia. Po zarejestrowaniu sygnału drgań można utworzyć na jego podstawie wiele parametrów diagnostycznych. Część z nich jest użyteczna i niesie informacje o stanie obiektu, część jest skorelowana z innymi, a część zakłóca proces diagnozowania i jest wręcz szkodliwa. Aby wybrać tylko te nośne informacyjnie parametry zastosowano w pracy metodę analizy składowych głównych (Principal Component Analysis) tworząc model empiryczny pozwalający na automatyczną klasyfikację uszkodzeń uszczelki głowicy silnika na podstawie sygnału drgań.
    Paper discussed the possibility of on-line diagnosis the defect of the head gasket of the combustion engine. In systems of on-line diagnostics the simpler methods - which would allow to differentiate good and faulty states as well as the defects identification - are constantly searched for. When the vibration signal is recorded several diagnostic parameters can be created on its bases. A part of them is useful and provides information of the object state, a part is correlated with other data, however there is also a part which disturbs the diagnostic process. In order to select parameters carrying information the method of the Principal Component Analysis (PCA) was applied forming the empirical model allowing for an automatic classification of defects of the engine head gasket on the bases of the vibration signal.
    Źródło:
    TTS Technika Transportu Szynowego; 2015, 12; 1956-1959, CD
    1232-3829
    2543-5728
    Pojawia się w:
    TTS Technika Transportu Szynowego
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Driving style analysis and driver classification using OBD data of a hybrid electric vehicle
    Autorzy:
    Puchalski, Andrzej
    Komorska, Iwona
    Powiązania:
    https://bibliotekanauki.pl/articles/1841236.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
    Tematy:
    hybrid electric vehicle
    driving style
    eco-driving
    cluster analysis
    pojazd z napędem elektrycznym
    styl jazdy
    ekojazda
    analiza klastrów
    Opis:
    Ensuring the effectiveness of adaptive algorithms for advanced driver assistance systems (ADAS) requires online recognition of driving styles. The article discusses studies carried out during real driving cycles based on the GPS parameters and OBD system data of a hybrid vehicle. The work focuses on the search for measures of the speed and acceleration signals of the car and the measures determined on their basis that best describe the driving style responsible for the vehicle traffic safety and ecological safety. Relations between the type of driver, driving dynamics, and fuel consumption were studied. The driver's categorization was based on a statistical analysis of input signals and mean tractive force (MTF) by clustering.
    Źródło:
    Transport Problems; 2020, 15, 4, cz. 1; 83-94
    1896-0596
    2300-861X
    Pojawia się w:
    Transport Problems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Stochastic simulation and validation of Markov models of real driving cycles
    Symulacje stochastyczne i walidacja modeli Markowa rzeczywistych cykli jezdnych pojazdów
    Autorzy:
    Puchalski, Andrzej
    Komorska, Iwona
    Powiązania:
    https://bibliotekanauki.pl/articles/328125.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    modeling
    simulation
    signal analysis
    driving cycles equivalence
    modelowanie
    symulacja
    analiza sygnałów
    równoważność cykli jezdnych
    Opis:
    The driving cycle is a time series of the vehicle speed reflecting its movement in real road conditions. The WLTC (Worlwide harmonized Light duty Test Cycle) valid from August 2017 is based on real driving profiles derived from research and statistical analysis of road traffic in Europe, the USA and Asia. In addition to certification and comparative research, driving cycles are used in the process of virtual design of drive systems and embedded control algorithms, traffic management or intelligent road transport. Regardless of the intended use, the standard test does not guarantee the correctness of the results obtained. There is a need to generate many different driving cycles that meet the established equivalence conditions. The article discusses the methods of stochastic simulation and assessment of equivalence of obtained traffic models. The Monte Carlo method of Markov chains was used in the research. The comparative criteria are defined using the statistical parameters of the vehicle speed time series and the corresponding multifractal spectra. The synthesis was carried out at predetermined length of time series. The experiment carried out involved the study of traffic in real road conditions of urban driving and extra-urban large agglomerations during working days.
    Cykl jezdny to szereg czasowy prędkości pojazdu odzwierciedlający jego ruch w rzeczywistych warunkach drogowych. Obowiązujący od sierpnia 2017 roku test WLTC (Worlwide harmonized Light duty Test Cycle) bazuje na rzeczywistych profilach jazdy pochodzących z badań i analiz statystycznych ruchu drogowego w Europie, USA i Azji. Poza certyfikacją i badaniami porównawczymi cykle jezdne wykorzystywane są w procesie wirtualnego projektowania układów napędowych i wbudowanych algorytmów sterowania, zarządzania ruchem ulicznym lub inteligentnym transportem samochodowym. Niezależnie od przeznaczenia posługiwanie się standardowym testem nie gwarantuje poprawności uzyskanych wyników. Istnieje konieczność generacji wielu różniących się cykli jezdnych, spełniających ustalone warunki równoważności. W artykule omówiono metody symulacji stochastycznych i oceny równoważności uzyskanych modeli ruchu drogowego. W badaniach wykorzystano metodę Monte Carlo łańcuchów Markowa. Kryteria porównawcze zdefiniowano za pomocą parametrów statystycznych szeregów czasowych prędkości pojazdu oraz odpowiadających im widm multifraktalnych. Syntezę prowadzono przy założonej długości szeregów czasowych. Zrealizowany eksperyment obejmował badania ruchu w rzeczywistych warunkach drogowych jazdy miejskiej i pozamiejskiej dużej aglomeracji w czasie dni roboczych.
    Źródło:
    Diagnostyka; 2019, 20, 3; 31-36
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of the wavelet multifractal analysis of vibration signal for rotating machinery diagnosis
    Autorzy:
    Puchalski, Andrzej
    Komorska, Iwona
    Powiązania:
    https://bibliotekanauki.pl/articles/128185.pdf
    Data publikacji:
    2019
    Wydawca:
    Politechnika Poznańska. Instytut Mechaniki Stosowanej
    Tematy:
    rotating machines
    multifractal analysis of vibration signal
    maszyny wirujące
    analiza multifraktalna sygnału drganiowego
    Opis:
    The paper proposes the WLMF (Wavelet Leaders Multifractal Formalism) method enabling the adoption of multifractal parameters mapped by vibration signal log-cumulants as diagnostic features, in the procedure of automatic classification of assembly errors and wear of demonstration gearbox. In the analysis of vibration time signals, initially, a multifractal formalism was used based on the study of time series local regularity, which is measured by Holder exponents. The presented test results relate to time-frequency multifractal analysis, the starting point of which was a continuous wavelet transform. Discrete wavelet transform allowed for much better grounded multifractal formalism and more accurate estimation of multifractal parameters using wavelet leaders, which are determined based on wavelet coefficients and are representatives of Holder exponents.
    Źródło:
    Vibrations in Physical Systems; 2019, 30, 2; 1-8
    0860-6897
    Pojawia się w:
    Vibrations in Physical Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Applications of generative models with a latent observation subspace in vibrodiagnostics
    Autorzy:
    Puchalski, Andrzej
    Komorska, Iwona
    Powiązania:
    https://bibliotekanauki.pl/articles/27313835.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    vibration signal
    deep neural network
    generative adversarial network
    GAN model
    synthetic subspace
    sygnał wibracyjny
    głęboka sieć neuronowa
    GAN
    wibrodiagnostyka
    Opis:
    The vibration signal is one of the most essential diagnostic signals, the analysis of which allows for determining the dynamic state of the monitored machine set. In the era of cyber-physical industrial systems, making diagnostic decisions involves the study of large databases from previous registers and data downloaded from machines in real-time. However, the recorded signals mainly concern the operational status of the monitored object. Insufficient training data regarding failure states hinders the operation of classification algorithms. Progress in machine learning has created a new avenue for the advancement of diagnostic methods based on models. These methods now have the capability to produce signals through random sampling from a hidden space or generate fresh instances of input data from noise. The article suggests the use of a Generative Adversarial Network (GAN) model as a tool to create synthetic measurement observations for vibration monitoring. The effectiveness of the synthetic data generation algorithm was verified on the example of the vibration signal recorded during tests of the drive system of a motor vehicle.
    Źródło:
    Diagnostyka; 2023, 24, 4; art. no. 2023413
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Generative modelling of vibration signals in machine maintenance
    Autorzy:
    Puchalski, Andrzej Adam
    Komorska, Iwona
    Powiązania:
    https://bibliotekanauki.pl/articles/28086927.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    time-frequency analysis
    condition monitoring
    anomalies detection
    deep generative models
    variational autoencoder
    data distribution
    Opis:
    The exponential development of technologies for the acquisition, collection, and processing of data from real-world objects is creating new perspectives in the field of machine maintenance. The Industrial Internet of Things is the source of a huge collection of measurement data. The performance of classification or regression algorithms needs to take into account the random nature of the process being modelled and any incomplete observability, especially in terms of failure states. The article highlights the practical possibilities of using generative artificial intelligence and deep machine learning systems to create synthetic measurement observations in monitoring the vibrations of rotating machinery to improve unbalanced databases. Variational AutoencoderVAE generative models with latent variables in the form of high-level input features of time-frequency spectra were studied. The mapping and generation algorithm was optimised and its effectiveness was tested in the practical solution of the task of diagnosing the three operating states of a demonstration gearbox.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 4; art. no. 173488
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Diagnosis of sensor faults in a combustion engine control system with the artificial neural network
    Diagnozowanie uszkodzeń czujników w systemie sterowania silnika spalinowego z wykorzystaniem sztucznej sieci neuronowej
    Autorzy:
    Komorska, iwona
    Wołczyński, Zbigniew
    Borczuch, Artur
    Powiązania:
    https://bibliotekanauki.pl/articles/329450.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    combustion engine
    sensor fault diagnosis
    artificial neural network
    silnik spalinowy
    diagnozowanie uszkodzeń
    czujnik
    sztuczna sieć neuronowa
    Opis:
    The work presents the investigations carried out on a spark-ignition internal combustion engine with gasoline direct injection. The tests were carried out under conditions of simulated damage to the air temperature sensor, engine coolant temperature sensor, fuel pressure sensor, air pressure sensor, intake manifold leakage, and air flow disturbances. The on-board diagnostic system did not detect any damage because the sensor indications were within acceptable limits. The engine control system in each case changed its settings according to the adaptive algorithm. Signal values in cycles from all available sensors in the engine control system and data available in the on-board diagnostic system of the car were recorded. A large amount of measurement data was obtained. They were used to create a statistical function that classifies sensor faults using an artificial neural network. A set of training data has been prepared accordingly. During learning the neural network, a hit rate of over 99% was achieved.
    W pracy przedstawiono badania przeprowadzone na silniku spalinowym o zapłonie iskrowym z bezpośrednim wtryskiem paliwa. Testy wykonano w warunkach symulowanych uszkodzeń czujników temperatury powietrza, temperatury cieczy chłodzącej silnik, ciśnienia paliwa, ciśnienia powietrza, nieszczelności w kolektorze dolotowym, zaburzenia przepływu powietrza. System diagnostyki pokładowej nie wykrył żadnego uszkodzenia, ponieważ wskazania czujników mieściły się w granicach tolerancji. System sterowania silnika w każdym przypadku zmieniał swoje ustawienia według adaptacyjnego algorytmu. Rejestrowano cyklowe wartości sygnałów ze wszystkich dostępnych czujników w systemie sterowania silnika oraz dane dostępne w systemie diagnostyki pokładowej samochodu. Otrzymano dużą ilość danych pomiarowych. Wykorzystano je do utworzenia statystycznej funkcji klasyfikującej uszkodzenia przy pomocy sztucznej sieci neuronowej. Odpowiednio przygotowano zbiór danych uczących. W trakcie uczenia sieci neuronowej osiągnięto współczynnik trafień powyżej 99%.
    Źródło:
    Diagnostyka; 2019, 20, 4; 19-25
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Synthesis of naturalistic vehicle driving cycles using the Markov Chain Monte Carlo method
    Synteza eksploatacyjnych cykli jezdnych samochodów przy wykorzystaniu metody Monte Carlo z zastosowaniem łańcuchów Markowa
    Autorzy:
    Puchalski, Andrzej
    Komorska, Iwona
    Ślęzak, Marcin
    Niewczas, Andrzej
    Powiązania:
    https://bibliotekanauki.pl/articles/1365182.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    naturalistic vehicle driving cycles
    synthesis of driving cycles
    Markov models
    Monte Carlo simulation
    eksploatacyjne cykle jezdne samochodu
    synteza cykli jezdnych
    modele Markowa
    symulacja Monte Carlo
    Opis:
    Simulation methods commonly used throughout the design and verification process of various types of motor vehicles require development of naturalistic driving cycles. Optimization of parameters, testing and gradual increase in the degree of autonomy of vehicles is not possible based on standard driving cycles. Ensuring representativeness of synthesized time series based on collected databases requires algorithms using techniques based on stochastic and statistical models. A synthesis technique combining the MCMC method and multifractal analysis has been proposed and verified. The method allows simple determination of the speed profile compared to classic frequency analysis.
    Metody symulacyjne powszechnie stosowane w całym procesie projektowania i weryfikacji różnych typów pojazdów mechanicznych wymagają opracowania eksploatacyjnych cykli jezdnych. Optymalizacja parametrów, testowanie i stopniowe zwiększanie stopnia autonomiczności pojazdów nie jest możliwe na bazie standardowych cykli jezdnych. Zapewnienie reprezentatywności syntezowanych szeregów czasowych na podstawie zgromadzonych baz danych wymaga algorytmów wykorzystujących techniki bazujące na modelach stochastycznych i statystycznych. Zaproponowano i zweryfikowano technikę syntezy łączącą metodę Monte Carlo wykorzystującą łańcuch Markowa (MCMC) oraz analizę multifraktalną. Metoda umożliwia proste wyznaczenie profilu prędkości jazdy w porównaniu do klasycznej analizy częstotliwościowej.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 2; 316-322
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      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