دانلود مقاله انگلیسی رایگان:گروه نظارت پراکنده برای تشخیص خطا در تولید هوشمند ، مدل نظارت پراکنده - 2020
دانلود بهترین مقالات isi همراه با ترجمه فارسی

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

دانلود مقاله انگلیسی شبکه های نورونی رایگان
  • Ensemble sparse supervised model for bearing fault diagnosis in smart manufacturing Ensemble sparse supervised model for bearing fault diagnosis in smart manufacturing
    Ensemble sparse supervised model for bearing fault diagnosis in smart manufacturing

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Ensemble sparse supervised model for bearing fault diagnosis in smart manufacturing


    ترجمه فارسی عنوان مقاله:

    گروه نظارت پراکنده برای تشخیص خطا در تولید هوشمند ، مدل نظارت پراکنده


    منبع:

    Sciencedirect - Elsevier - Robotics and Computer Integrated Manufacturing, 65 (2020) 101920. doi:10.1016/j.rcim.2019.101920


    نویسنده:

    Fengli Zhanga,⁎, Jianxing Yana, Peilun Fua, Jinjiang Wanga,⁎, Robert X. Gaob


    چکیده انگلیسی:

    Machinery fault diagnosis is of great significance to improve the reliability of smart manufacturing. Deep learning based fault diagnosis methods have achieved great success. However, the features extracted by different models may vary resulting in ambiguous representation of the data, and even wasted time with manually selecting the optimal hyperparameters. To solve the problems, this paper proposes a new framework named Ensemble Sparse Supervised Model (ESSM), in which a typical deep learning model is treated as two phases of feature learning and model learning. In the feature learning phase, the original data is represented to be a feature matrix as non-redundant as possible by applying sparse filtering. Then, the feature matrix is fed into the model learning phase. Regularization, dropout and rectified linear unit (ReLU) are used in the models neurons and layers to build a sparse deep neural network. Finally, the output of the sparse deep neural network provides feedback to the first phase to obtain better sparse features. In the proposed method, hyperparameters need to be pre-specified and a python library of talos is employed to finish the process automatically. The proposed method is verified using the bearing data provided by Case Western Reserve University. The result demonstrates that the proposed method can capture the effective pattern of data with the help of sparse constraints and simultaneously provide convenience for the operators with assuring performance.
    Keywords: Sparse representation | Deep learning | Fault diagnosis


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 11
    حجم فایل: 2386 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi