| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 4 / 4
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Prediction of the form of a hardened metal workpiece during the straightening process
Tadej Peršak, Jernej Hernavs, Tomaž Vuherer, Aleš Belšak, Simon Klančnik, 2023, izvirni znanstveni članek

Opis: In industry, metal workpieces are often heat-treated to improve their mechanical properties, which leads to unwanted deformations and changes in their geometry. Due to their high hardness (60 HRC or more), conventional bending and rolling straightening approaches are not effective, as a failure of the material occurs. The aim of the research was to develop a predictive model that predicts the change in the form of a hardened workpiece as a function of the arbitrary set of strikes that deform the surface plastically. A large-scale laboratory experiment was carried out in which a database of 3063 samples was prepared, based on the controlled application of plastic deformations on the surface of the workpiece and high-resolution capture of the workpiece geometry. The different types of input data, describing, on the one hand, the performed plastic surface deformations on the workpieces, and on the other hand the point cloud of the workpiece geometry, were combined appropriately into a form that is a suitable input for a U-Net convolutional neural network. The U-Net model’s performance was investigated using three statistical indicators. These indicators were: relative absolute error (RAE), root mean squared error (RMSE), and relative squared error (RSE). The results showed that the model had excellent prediction performance, with the mean values of RMSE less than 0.013, RAE less than 0.05, and RSE less than 0.004 on test data. Based on the results, we concluded that the proposed model could be a useful tool for designing an optimal straightening strategy for high-hardness metal workpieces. Our results will open the doors to implementing digital sustainability techniques, since more efficient handling will result in fewer subsequent heat treatments and shorter handling times. An important goal of digital sustainability is to reduce electricity consumption in production, which this approach will certainly do.
Ključne besede: sustraightening process, hardened workpiece, manufacturing, U-Net convolutional neural network, modeling, point cloud, digital sustainability
Objavljeno v DKUM: 02.04.2024; Ogledov: 186; Prenosov: 16
.pdf Celotno besedilo (10,52 MB)
Gradivo ima več datotek! Več...

2.
Analiza in optimizacija procesnih parametrov sušilnice za koruzo : magistrsko delo
Marko Simonič, 2024, magistrsko delo

Opis: Magistrsko delo obsega opis razvoja in implementacije modela globoke nevronske mreže z LSTM arhitekturo. Model omogoča napovedovanje vlažnosti koruze na izhodu iz sušilnega sistema na podlagi meritev vlažnosti koruze na vhodu in beleženja temperaturnih parametrov med obratovanjem. Razvoj modela je vključeval temeljito analizo in preučitev posameznih temperaturnih parametrov. Pri tem smo izvedli regresijsko analizo, ki je raziskovala vpliv vhodne vlažnosti, ciljne temperature gorilnika in časa sušenja med izpusti koruze na spremembe temperaturnih parametrov v sušilnem sistemu. Poleg tega smo preučili tudi statistične vplive samih temperaturnih parametrov na vlažnost koruze na izhodu iz sušilnega sistema. Analiza nam je omogočila ustrezno pripravo podatkov za učenje napovednih modelov. Uspešnost razvitih napovednih modelov je ocenjena s povprečno absolutno napako (angl. mean absolute error – MAE), povprečno kvadratno napako (angl. mean squared error – MSE), korenom povprečne kvadratne napake (angl. root mean squared error – RMSE) in srednjo absolutno odstotkovno napako (angl. mean absolute percentage error – MAPE). Najuspešnejši model za napovedovanje vlažnosti na izhodu iz sušilnega sistema je imel na učnih podatkih odlično zmogljivost napovedovanja, saj so povprečne vrednosti MAE znašale 0,352, RMSE 0,645, MSE 0,416 in MAPE 2,555. Izvedena je bila tudi vizualizacija rezultatov za nadaljnjo analizo in interpretacijo.
Ključne besede: sušilni sistem, globoko učenje, LSTM, napovedovanje, optimizacija, koruza, vlaga
Objavljeno v DKUM: 28.03.2024; Ogledov: 177; Prenosov: 34
.pdf Celotno besedilo (3,60 MB)

3.
Nadgradnja izsekovalne linije za rondele
Žan Štern, 2019, diplomsko delo

Opis: V diplomskem delu je predstavljena nadgradnja izsekovalne linije za rondele na način avtomatizacije sortiranja in zlaganja rondel v stolpce, ko te prispejo iz udarnega kladiva po transportnem traku. Delo, ki ga trenutno opravljajo trije delavci, se tako popolnoma avtomatizira oziroma avtomatizira do stopnje, kjer je za delo in nadzor potreben samo en delavec. Predstavljeni so tudi razlogi za izbor takšne avtomatizacije in prednosti, ki jih prinesejo podjetjem. Sistem je bil zmodeliran s pomočjo CAD programske opreme Autodesk Inventor Professional. Praktični del diplomskega dela je bil izveden v podjetju Talum, poslovna enota Rondelice.
Ključne besede: avtomatizacija, rondela, izsekovalna linija, modernizacija, modeliranje
Objavljeno v DKUM: 11.09.2019; Ogledov: 908; Prenosov: 125
.pdf Celotno besedilo (5,47 MB)

4.
Uporaba globokega učenja in strojnega vida za prepoznavanje objektov v proizvodnih sistemih : magistrsko delo
Jernej Hernavs, 2019, magistrsko delo

Opis: Delo opisuje nekaj najsodobnejših pristopov reševanja inženirskih problemov z uporabo globokega učenja in predstavlja sistem za zaznavanje okolice v dinamičnem proizvodnem okolju. Algoritmi strojnega učenja ponujajo v kombinaciji z optičnimi senzorji (kamerami) možnost reševanja izjemno kompleksnih problemov, katerim so do sedaj bili kos le ljudje. Avtomatizacija procesov, pretok informacij med stroji in ljudmi ter pametna analiza podatkov s procesiranjem v oblaku, so le nekateri izzivi, ki jih naslavlja Industrija 4.0. Magistrsko delo predstavlja dinamičen sistem strojnega vida, ki ponuja rešitev na področju klasifikacije in lokalizacije poljubnih objektov v proizvodnih sistemih.
Ključne besede: proizvodni sistemi, strojni vid, globoko učenje, industrija 4.0
Objavljeno v DKUM: 01.03.2019; Ogledov: 1515; Prenosov: 326
.pdf Celotno besedilo (3,55 MB)

Iskanje izvedeno v 3.64 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici