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”

Hidden Markov Models for Analysis of Defective Industrial Machine Parts

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24210%2F14%3A%230006613" target="_blank" >RIV/46747885:24210/14:#0006613 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://thescipub.com/pdf/10.3844/jmssp.2014.322.330" target="_blank" >http://thescipub.com/pdf/10.3844/jmssp.2014.322.330</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3844/jmssp.2014.322.330" target="_blank" >10.3844/jmssp.2014.322.330</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Hidden Markov Models for Analysis of Defective Industrial Machine Parts

  • Popis výsledku v původním jazyce

    Monthly counts of industrial machine part errors are modeled using a two-state Hidden Markov Model (HMM) in order to describe the effect of machine part error correction and the amount of time spent on the error correction on the likelihood of the machine part to be in a "defective" or "non-defective" state. The number of machine parts errors were collected from a thermo plastic injection molding machine in a car bumper auto parts manufacturer in Liberec city, Czech Republic from January 2012 to November 2012. A Bayesian method is used for parameter estimation. The results of this study indicate that the machine part error correction and the amount of time spent on the error correction do not improve the machine part status of the individual part, butthere is a very strong month-to-month dependence of the machine part states. Using the Mean Absolute Error (MAE) criterion, the performance of the proposed model (MAE = 1.62) and the HMM including machine part error correction only (MAE =

  • Název v anglickém jazyce

    Hidden Markov Models for Analysis of Defective Industrial Machine Parts

  • Popis výsledku anglicky

    Monthly counts of industrial machine part errors are modeled using a two-state Hidden Markov Model (HMM) in order to describe the effect of machine part error correction and the amount of time spent on the error correction on the likelihood of the machine part to be in a "defective" or "non-defective" state. The number of machine parts errors were collected from a thermo plastic injection molding machine in a car bumper auto parts manufacturer in Liberec city, Czech Republic from January 2012 to November 2012. A Bayesian method is used for parameter estimation. The results of this study indicate that the machine part error correction and the amount of time spent on the error correction do not improve the machine part status of the individual part, butthere is a very strong month-to-month dependence of the machine part states. Using the Mean Absolute Error (MAE) criterion, the performance of the proposed model (MAE = 1.62) and the HMM including machine part error correction only (MAE =

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    JR - Ostatní strojírenství

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2014

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Journal of Mathematics and Statistics

  • ISSN

    1549-3644

  • e-ISSN

  • Svazek periodika

    10

  • Číslo periodika v rámci svazku

    3

  • Stát vydavatele periodika

    NL - Nizozemsko

  • Počet stran výsledku

    9

  • Strana od-do

    322-330

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus