Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
http://dspace.lib.uom.gr/handle/2159/25630
Συγγραφέας: | Σούλης, Αχιλλεύς |
Τίτλος: | Ανίχνευση σφαλμάτων με χρήση αλγορίθμου QGA-SVM |
Ημερομηνία Έκδοσης: | 2021 |
Τμήμα: | Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης στην Εφαρμοσμένη Πληροφορική |
Επόπτης Καθηγητής: | Ευαγγελίδης, Γεώργιος |
Περίληψη: | Σκοπός της παρούσας εργασίας είναι η κατηγοριοποίηση των διαφόρων τύπων σφαλμάτων που προκύπτουν κατά τη λειτουργία των ρουλεμάν πάνω σε έναν ηλεκτρικό κινητήρα που επιτυγχάνεται μέσω της βελτιστοποίησης των παραμέτρων της τεχνικής SVM χρησιμοποιώντας κβαντικό γενετικό αλγόριθμο (QGA). Τα αποτελέσματα της ανάλυσης δείχνουν ότι η προτεινόμενη μέθοδος έχει ορισμένες φορές μεγαλύτερη ακρίβεια στη διάγνωση σφαλμάτων από την παραδοσιακή μέθοδο SVM, αλλά και η εύρεση του βέλτιστου αποτελέσματος επιτυγχάνεται πιο γρήγορα. Η κατασκευή του αλγορίθμου υλοποιήθηκε με τη χρήση της γλώσσας προγραμματισμού Python και των επιμέρους βιβλιοθηκών της (tensorflow, sklearn, numpy, pandas, seaborn, matplotlib). Λέξεις Κλειδιά: Python, Machine Learning, Classification, Quantum Computing, Data Visualization, Rotating Machinery, Bearing Fault Detection |
Λέξεις Κλειδιά: | Machine Learning Quantum Computing Classification Genetic Algorithm Bearing Fault Detection Rotating Machinery |
Πληροφορίες: | Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2021. |
Δικαιώματα: | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές |
Εμφανίζεται στις Συλλογές: | Π.Μ.Σ. στην Εφαρμοσμένη Πληροφορική (M) |
Αρχεία σε αυτό το Τεκμήριο:
Αρχείο | Περιγραφή | Μέγεθος | Μορφότυπος | |
---|---|---|---|---|
SoulisAchilleasMsc2021.pdf | 2.66 MB | Adobe PDF | Προβολή/Ανοιγμα | |
SoulisAchilleasMsc2021present.pdf | 1.03 MB | Adobe PDF | Προβολή/Ανοιγμα |
Αυτό το τεκμήριο προστατεύεται από Αδεια Creative Commons