1. Predicting corn moisture content in continuous drying systems using LSTM neural networksMarko Simonič, Mirko Ficko, Simon Klančnik, 2025, izvirni znanstveni članek Opis: As we move toward Agriculture 4.0, there is increasing attention and pressure on the productivity of food production and processing. Optimizing efficiency in critical food processes such as corn drying is essential for long-term storage and economic viability. By using innovative technologies such as machine learning, neural networks, and LSTM modeling, a predictive model was implemented for past data that include various drying parameters and weather conditions. As the data collection of 3826 samples was not originally intended as a dataset for predictive models, various imputation techniques were used to ensure integrity. The model was implemented on the imputed data using a multilayer neural network consisting of an LSTM layer and three dense layers. Its performance was evaluated using four objective metrics and achieved an RMSE of 0.645, an MSE of 0.416, an MAE of 0.352, and a MAPE of 2.555, demonstrating high predictive accuracy. Based on the results and visualization, it was concluded that the proposed model could be a useful tool for predicting the moisture content at the outlets of continuous drying systems. The research results contribute to the further development of sustainable continuous drying techniques and demonstrate the potential of a data-driven approach to improve process efficiency. This method focuses on reducing energy consumption, improving product quality, and increasing the economic profitability of food processing
Ključne besede: drying, moisture prediction, big data, artificial intelligence, LSTM
Objavljeno v DKUM: 21.03.2025; Ogledov: 0; Prenosov: 11
 Celotno besedilo (2,99 MB)
Gradivo ima več datotek! Več... |
2. Tool condition monitoring using machine tool spindle current and long short-term memory neural network model analysisNiko Turšič, Simon Klančnik, 2024, izvirni znanstveni članek Opis: In cutting processes, tool condition affects the quality of the manufactured parts. As such, an essential component to prevent unplanned downtime and to assure machining quality is having information about the state of the cutting tool. The primary function of it is to alert the operator that the tool has reached or is reaching a level of wear beyond which behaviour is unreliable. In this paper, the tool condition is being monitored by analysing the electric current on the main spindle via an artificial intelligence model utilising an LSTM neural network. In the current study, the tool is monitored while working on a cylindrical raw piece made of AA6013 aluminium alloy with a custom polycrystalline diamond tool for the purposes of monitoring the wear of these tools. Spindle current characteristics were obtained using external measuring equipment to not influence the operation of the machine included in a larger production line. As a novel approach, an artificial intelligence model based on an LSTM neural network is utilised for the analysis of the spindle current obtained during a manufacturing cycle and assessing the tool wear range in real time. The neural network was designed and trained to notice significant characteristics of the captured current signal. The conducted research serves as a proof of concept for the use of an LSTM neural network-based model as a method of monitoring the condition of cutting tools.
Ključne besede: tool condition monitoring, artificial intelligence, LSTM neural network
Objavljeno v DKUM: 22.04.2024; Ogledov: 181; Prenosov: 36
Celotno besedilo (3,75 MB)
Gradivo ima več datotek! Več... |
3. Analiza in optimizacija procesnih parametrov sušilnice za koruzo : magistrsko deloMarko 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: 275; Prenosov: 105
Celotno besedilo (3,60 MB) |
4. Inteligentni nadzor obrabe rezalnega orodja s spremljanjem toka na glavnem vretenu : magistrsko deloNiko Turšič, 2023, magistrsko delo Opis: V magistrski nalogi je predstavljen sistem za nadzor rezalnega orodja, ki temelji na
sledenju toka na glavnem vretenu z uporabo umetne nevronske mreže. Glavni namen
aplikacije je razširiti vpogled, ki ga ima operater v stanje orodja med delovanjem
stružnice CNC. Program za analizo lahko nemoteno deluje paralelno na procesnem
računalniku in prejema podatke preko podatkovnega omrežja s krmilnika stružnice. V
delu so predstavljeni proces zajemanja podatkov za učno bazo umetne nevronske mreže
tipa Long-Short Term Memory, arhitektura in učenje nevronske mreže, ki je uporabljena
v tej aplikaciji, ter validacija naučenega modela z umetno inteligenco na novih podatkih.
Prav tako sta predstavljena tudi izdelava in delovanje programa, ki se lahko izvaja na
procesnem računalniku za potrebe pomožne diagnostike orodja.
Ključne besede: tok na glavnem vretenu, nevronska mreža, nadzor obrabe orodja, LSTM, umetna inteligenca
Objavljeno v DKUM: 05.10.2023; Ogledov: 318; Prenosov: 44
Celotno besedilo (4,61 MB) |
5. Napovedovanje porabe pitne vode z metodami časovnih vrst in strojnega učenja : diplomsko deloSara Dodič, 2023, diplomsko delo Opis: V diplomski nalogi se ukvarjamo z napovedovanjem porabe pitne vode. Naš glavni cilj je primerjava napovednih modelov SARIMA in nevronske mreže LSTM. Pri napovedovanju se osredotočimo na časovne vrste posameznih gospodinjstev ter časovne vrste vodovodnega omrežja, ki so vzorčene mesečno. Primerjavo napovednih modelov izvedemo na podlagi njihove srednje kvadratne napake pri prileganju na časovno vrsto in napovedovanju porabe pitne vode na testni množici. Rezultati pokažejo, da se najbolje obnese model ARIMA.
Ključne besede: časovne vrste, napovedovanje, ARIMA, LSTM
Objavljeno v DKUM: 13.02.2023; Ogledov: 2260; Prenosov: 124
Celotno besedilo (1,83 MB) |
6. Napovedovanje dinamike plazu urbas z modeli časovnih vrst in strojnim učenjemŠtefan Horvat, 2022, magistrsko delo Opis: Plazovi lahko resno ogrozijo človeška življenja in povzročijo ogromno gmotno škodo. Na dinamiko plazu običajno vpliva večje število zunanjih dejavnikov, zato je napovedovanje premikov težka naloga. V sodobnem času lahko premike plazov podrobno spremljamo z natančnimi merilnimi instrumenti in tako tvorimo množico podatkov, na podlagi katere gradimo razlagalne in napovedne modele. V magistrskem delu preizkušamo različne tehnike modeliranja premikov plazu Urbas, ki spada med bolj aktivne plazove v Sloveniji. Za modeliranje dinamike plazu uporabimo modele časovnih vrst in nevronsko mrežo z dolgim kratkoročnim spominom. Najboljše prileganje je dosegla nevronska mreža z dolgin kratkoročnim spominom, katere srednja kvadratna napaka je znašala 3,37 mm. Pri napovedovanju premikov se je najbolje odrezal linearni regresijski model s srednjo kvadratno napako 0,52 mm.
Ključne besede: plaz, časovne vrste, linearna regresija, dinamična regresija, nevron-ske mreže LSTM
Objavljeno v DKUM: 15.12.2022; Ogledov: 942; Prenosov: 162
Celotno besedilo (4,33 MB) |
7. Pametna vremenska postaja za napoved temperature s pomočjo strojnega učenja : diplomsko deloNejc Jeušnik, 2021, diplomsko delo Opis: Namen diplomskega dela je bil razviti pametno vremensko postajo s spletno aplikacijo, ki bi omogočala napoved temperature do pet dni vnaprej. Želeli smo tudi preizkusiti kako natančne so napovedi z različnimi modeli in metodami. V diplomskem delu predstavimo zasnovo in implementacijo rešitve. Na koncu podamo rezultate napovedi. Celoten sistem je sestavljen iz razvojne plošče platforme Arduino, senzorja temperature in vlage, oblačne podatkovne baze in računalniškega strežnika z integracijo napovednih metod, ki omogoča uporabniku dostop do spletne aplikacije z vsemi rezultati v domačem omrežju.
Ključne besede: napoved temperature, Arduino, LSTM, SARIMA
Objavljeno v DKUM: 18.10.2021; Ogledov: 1002; Prenosov: 109
Celotno besedilo (1,67 MB) |
8. Klasifikacija besedila s prenosnim učenjem : magistrsko deloJure Žerak, 2020, magistrsko delo Opis: Magistrsko delo ima namen preizkusiti metodo prenosnega učenja na obdelavi naravnega jezika in jo primerjati s klasičnimi metodami učenja nevronskih mrež, metodo LSTM. V delu sta uporabljena opisna metoda za teoretični in eksperiment za praktični del dela. V slednjem smo ugotovili, da je metoda prenosnega učenja na majhni količini podatkov bolj točna od klasičnih metod, vendar za to potrebuje več časa. Delo primerja prednaučeni model Bert in klasično metodo LSTM, zato je priporočljivo primerjati rezultate tudi z drugimi prednaučenimi modeli in klasičnimi metodami.
Ključne besede: nevronske mreže, prenosno učenje, NLP, PyTorch, LSTM
Objavljeno v DKUM: 01.12.2020; Ogledov: 932; Prenosov: 118
Celotno besedilo (1,99 MB) |
9. |
10. Development of a Model for Predicting Brake Torque Using LSTM and TCN Models : magistrsko deloTomaž Roškar, 2020, magistrsko delo Opis: The main purpose of this thesis is to compare two state-of-the-art machine learning models, LSTM (Long Short-Term Memory) and TCN (Temporal Convolutional Network), on an AVL List GmbH case use, where the goal is to predict vehicle brake torque. Dataset used for model testing consists of multiple features which are preprocessed using several preprocessing methods. For model implementation Python’s libraries Keras and TensorFlow are used. Results from this thesis show that TCN is able to outperform LSTM. TCN achieves lower RMSE on the test dataset and is significantly faster in training and evaluation.
Ključne besede: brake torque, machine learning, neural network, LSTM, TCN, RNN, CNN
Objavljeno v DKUM: 24.09.2020; Ogledov: 1392; Prenosov: 12
Celotno besedilo (3,33 MB) |
