Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Utilization of Machine Learning in Vibrodiagnostics

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26210%2F18%3APU128776" target="_blank" >RIV/00216305:26210/18:PU128776 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/chapter/10.1007%2F978-3-319-97888-8_24" target="_blank" >https://link.springer.com/chapter/10.1007%2F978-3-319-97888-8_24</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-319-97888-8_24" target="_blank" >10.1007/978-3-319-97888-8_24</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Utilization of Machine Learning in Vibrodiagnostics

  • Popis výsledku v původním jazyce

    The article deals with possibilities of use machine learning in vibrodiagnostics to determine a fault type of the rotary machine. Sample data are simulated according to the expected vibration velocity waveform signal at a specific fault. Then the data are pre-processed and reduced for using Matlab Classification Learner which creates a model for identifying faults in the new data samples. The model is finally tested on a new sample data. The article serves to verify the possibility of this method for later use on a real machine. In this phase is tested data preprocessing and a suitable classification method.

  • Název v anglickém jazyce

    Utilization of Machine Learning in Vibrodiagnostics

  • Popis výsledku anglicky

    The article deals with possibilities of use machine learning in vibrodiagnostics to determine a fault type of the rotary machine. Sample data are simulated according to the expected vibration velocity waveform signal at a specific fault. Then the data are pre-processed and reduced for using Matlab Classification Learner which creates a model for identifying faults in the new data samples. The model is finally tested on a new sample data. The article serves to verify the possibility of this method for later use on a real machine. In this phase is tested data preprocessing and a suitable classification method.

Klasifikace

  • Druh

    J<sub>SC</sub> - Článek v periodiku v databázi SCOPUS

  • CEP obor

  • OECD FORD obor

    20301 - Mechanical engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2018

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Advances in Intelligent Systems and Computing

  • ISSN

    2194-5357

  • e-ISSN

  • Svazek periodika

    neuveden

  • Číslo periodika v rámci svazku

    2017

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    8

  • Strana od-do

    271-278

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus

    2-s2.0-85051756704