diplomsko delo Visokošolskega strokovnega študijskega programa I. stopnje Strojništvo
Klemen Kubelj (Author), Janko Slavič (Mentor), Miha Boltežar (Co-mentor)

Abstract

Osrednji problem in področje raziskovanja tega dela je strojno učenje kot pripomoček za ugotavljanje napak na strojnih elementih. V prvem delu je obravnavana raziskava, iz katere so pridobljeni surovi podatki in njihova pred-obdelava v ustrezno obliko. V omenjeni raziskavi se opazuje 5 različnih napak na ležajih: aksialna in radialna preobremenitev, preobremenitev upogibnega momenta, kontaminacija in napaka kletke. V naslednjih sklopih so predstavljene teoretične osnove strojnega učenja, algoritmi za uspešno analizo ter primeri uporabe na konkretnih podatkih. Kot pomemben del raziščemo tudi optimizacijo parametrov pri različnih modelih in obravnavamo korektnost dobljenih rezultatov

Keywords

diplomske naloge;strojno učenje;umetna inteligenca;kakovost;ležaj;Python;scikit-learn;sklearn;

Data

Language: Slovenian
Year of publishing:
Typology: 2.11 - Undergraduate Thesis
Organization: UL FS - Faculty of Mechanical Engineering
Publisher: [K. Kubelj]
UDC: 004.85:621.82(043.2)
COBISS: 16251931 Link will open in a new window
Views: 988
Downloads: 454
Average score: 0 (0 votes)
Metadata: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Other data

Secondary language: English
Secondary title: identification of bearing faults with machine learning packet scikit-learn
Secondary abstract: The main focus and research field of this work is machine learning as a tool for classifying faults of machine elements. In the first part, we address the research, from which we take the raw data and the preprocessing of the gathered data set. The research takes a look at 5 different bearing faults: axial and radial overload, bending moment, contamination and shield defect. Next, we take a look at the theoretical background of machine learning, algorithms for analysis and examples of practical use. As an important aspect we research the possibilities of optimizing model parameters and evaluate the success of our predictions.
Secondary keywords: machine learning;artificial intelligence;quality;bearing;Python;scikit-learn;sklearn;
Type (COBISS): Bachelor thesis/paper
Study programme: 0
Thesis comment: Univ. v Ljubljani, Fak. za strojništvo
Pages: XXII, 41 str.
ID: 10956367
Recommended works:
, diplomsko delo Visokošolskega strokovnega študijskega programa I. stopnje Strojništvo
, s Pythonom do prvega klasifikatorja
, diplomsko delo Visokošolskega strokovnega študijskega programa I. stopnje Strojništvo
, no subtitle data available
, magistrsko delo