| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 5 / 5
First pagePrevious page1Next pageLast page
1.
Sistem za podporo postopka tuširanja orodij za globoki vlek : doktorska disertacija
Lucijano Berus, 2022, doctoral dissertation

Abstract: Doktorska disertacija se ukvarja z digitalizacijo postopka tuširanja orodij za globoki vlek. Tuširanje orodja in analiza tuširne slike sta integralni del postopka izdelave orodij, ki služita za določanje prileganja orodja in preoblikovanca. Rezultat analize tuširne slike je pokazatelj tehnološke kakovosti orodja. Zaradi odsotnosti znanstvene obravnave postopka tuširanja doktorska disertacija opisuje postopek in ga umesti v proces izdelave orodij. V nadaljevanju je zaradi digitalizacije postopka tuširanja predstavljen sistem za analizo tuširne slike, ki je sestavljen iz 3D digitalno optičnega zajemanja barvnih in geometrijskih informacij tuširanih preoblikovancev, predhodne obdelave zajetih podatkov z decimacijo, segmentacijo po metodi k-voditeljev, določanja stopnje svetlosti, mreženja (2D in 3D) in prikaza področij z informacijo o kakovosti naleganja na CAD modelu. Ob tem je predstavljena tudi integracija analize tuširne slike z rezultati simulacije preoblikovanja za ocenjevanje naleganja orodij. Razviti so bili kazalniki, za prikaz stopnje pokritosti oblakov točk in stopnje homogenosti. Za delovanje sistema je treba s predobdelavo zajete 3D tuširne slike ločiti barvne točke spodnje in zgornje površine preoblikovanca. Učinkovitost segmentacije je empirično validirana na podlagi Davies-Bouldinovega indeksa. Rezultati sistema so tudi primerjani s strokovnjakovo sposobnostjo analize tuširne slike za določitev naleganja orodja.
Keywords: izdelava preoblikovalnih orodij, tuširanje, 3D skeniranje, tuširna slika, analiza slik, segmentacija
Published in DKUM: 22.08.2022; Views: 153; Downloads: 0

2.
Tehnologija numerično krmiljenih stružnic z gnanimi orodji : univerzitetni učbenik
Mirko Ficko, Lucijano Berus, David Potočnik, 2021, higher education textbook

Abstract: Razvoj obdelovalnih strojev z računalniško podprtim krmiljenjem je povečal zmogljivosti obdelovalnih sistemov in zahtevnost priprave tehnologije in programiranja. Sodobne numerično krmiljene stružnice s krmiljenim glavnim vretenom in orodji z lastnim pogonom so omogočile izvajanje zahtevnih tehnoloških operacij struženja in rezkanja na istem stroju, vendar od tehnologov zahtevajo dodatno znanje in izkušnje za učinkovito izrabo. Knjiga celovito obravnava področje priprave tehnologije in programiranja numerično krmiljenih stružnic z gnanimi orodji v skladu s standardom ISO, pri čemer je poudarek predvsem na dejstvih, ki niso odvisna od proizvajalcev strojev in krmilj. Razlage in primeri so podkrepljeni s slikovnim gradivom, zato je mogoče knjigo uporabljati ne le za izobraževanje, temveč tudi kot priročnik v industriji. Ob opisu temeljev programiranja numerično krmiljenih strojev, najbolj razširjenih ukazov in predpostavk, ki se uporabljajo na stružnicah z gnanimi orodji, knjiga zajema tudi razlago struženja navojev, opise obdelovalnih ciklov, ki poenostavljajo ročno programiranje, in parametrično programiranje, ki omogoča avtomatizacijo programiranja za skupine izdelkov.
Keywords: obdelovalne tehnologije, obdelovalni stroji, numerično krmiljeni stroji, stružnice z gnanimi orodji, priprava tehnologije struženja, programiranje numerično krmiljenih strojev
Published in DKUM: 22.10.2021; Views: 411; Downloads: 86
URL Link to full text
This document has many files! More...

3.
Napovedovanje intervencij z uporabo umetne inteligence : magistrsko delo
Rok Rutnik, 2020, master's thesis

Abstract: Namen naloge je izdelava matematičnih modelov napovedovanja za odločitve upravljanja, osnovane na inteligentnih, kvantitativnih analizah. Magistrsko delo obravnava področje napovedovanja števila interventnih dogodkov Gasilske brigade Maribor s pomočjo umetne inteligence in regresijskih modelov. Učne množice podatkov so bile pridobljene iz baz podatkov SPIN in ARSO, obdelane v programskem jeziku Python, modeli napovedovanja pa programirani v programskem paketu MATLAB. Cilj naloge je bil izdelava štirih regresijskih algoritmov, umetne nevronske mreže LSTM in NARX za napovedovanja dogodkov, njihove rezultate pa preko metrik ocenjevanja natančnosti medsebojno primerjati. Rezultati napovedovanja nekaterih učnih množic so bili zaradi majhnih korelacijskih povezav slabi, zato teh dogodkov nismo mogli napovedovati. Požarne intervencije in naravne nesreče so dale dovolj dobre rezultate korelacijskih analiz, zato so bile uporabljene v izgradnji nevronskih mrež. Glede na rezultate zbranih modelov menimo, da so nevronske mreže primernejše za napovedovanje interventnih dogodkov kot regresijski modeli.
Keywords: napovedovanje, umetna inteligenca, nevronske mreže, strojno učenje, regresija
Published in DKUM: 11.11.2020; Views: 942; Downloads: 60
.pdf Full text (7,00 MB)

4.
5.
Razvrščanje vzorcev z uporabo inteligentnih metod
Lucijano Berus, 2017, master's thesis

Abstract: Magistrsko delo obravnava področje umetne inteligence, strojnega učenja, razvrščanja kompleksnih vzorcev in metode določitve značilk. Predstavljeno je delovanje nekaterih najpogosteje uporabljenih razvrščevalnih algoritmov. Izdelan je bil algoritem za zaznavo Parkinsonove bolezni na podlagi zajetega zvočnega signala. Meritve zvoka so bile narejene na štiridesetih posameznikih. Od tega je bila polovica zdravih in polovica z Parkinsonovo boleznijo. Namen naloge je razviti robusten sistem za zaznavo prisotnosti Parkinsonove bolezni. Za izboljšanje natančnosti razvrščanja, so bile uporabljene različne tehnike določitve značilk (Pearsonov korelacijski koeficient, Khendallov korelacijski koeficient in Samoorganizacijske gruče) in topologije nevronskih mrež. S pomočjo usmerjene nevronske mreže, je bila dosežena 86,47 % natančnost razvrščanja. Omenjena natančnost je bila dosežena z uporabo redukcije značilk na podlagi Pearsonovega korelacijskega koeficienta.
Keywords: umetna inteligenca, klasifikacija, strojno učenje, Parkinsonova bolezen, umetna nevronska mreža
Published in DKUM: 13.09.2017; Views: 1551; Downloads: 245
.pdf Full text (1,48 MB)

Search done in 0.09 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica