عنوان پایان نامه : ارائه مدل مقایسه ای بر پایه ارزیابی عملکرد روشهای تشخیص و تفکیک عیوب متداول جعبه دنده ها
قالب بندی : PDF
قیمت : رایگان
شرح مختصر : امروزه پایش وضعیت تولیدات مکانیکی مخصوصاً ماشین های دوار ، به منظور بالا بردن سطح کیفی و اطمینان از صحت عملکرد آنها ، کاربرد زیادی پیدا کرده است . در این راستا سیستم های مبتنی بر هوش مصنوعی به طور گسترده ای برای یافتن عیوب پیش آمده مورد استفاده قرار گرفته اند . ولی پراکندگی موجود در انواع روش های بکارگرفته شده ، انتخاب یک روش کاربردی را مشکل ساخته است . به همین علت در این پژوهش مطالعه ای بر روی طیف وسیعی از این روش ها که اغلب در سال های اخیر مطرح شده اند ، صورت گرفته است .همچنین در رابطه با پیشینه و تئوری آنها مطالبی بیان شده است . سپس برای یافتن راهکاری مناسب ، مزایا و معایب هر روش در جدول هایی گردآوری شده و در نهایت تحت یک مدل مقایسه ای ارزیابی شده اند . تلاش شده این مزایا و معایب بر پایه ی مکتوبات و مستندات سال های اخیر جمع آوری شود . نتایج نشان می دهد که برای یافتن عیوب یک چرخ دنده ، بکار گیری سیگنال ارتعاشی و آنالیز موجک بسته ای به همراه روش PCA برای انتخاب ویژگی های موثر و شبکه ی عصبی برای تفکیک عیوب ، بسیار مناسب می باشد . در پایان این پژوهش برای یافتن سلامت چرخ دنده ی یک جعبه دنده ی نمونه از توالی روش های گفته شده استفاده گردیده و نتایج آن نشان داده شده است
فهرست :
فصل اول: مقدمه
مقدمه
اهمیت موضوع تحقیق
ضرورت انجام تحقیق
مراحل انجام تحقیق
روشهای موجود و نحوه انجام تحقیق
فصل دوم : کلیات تحقیق
بخش اول : پیشینه تحقیق
مقدمه
روش های پردازش سیگنال
روش های حوزه زمان
روش های حوزه فرکانس
روش های زمان فرکانس
روش های مبتنی بر هوش مصنوعی
بخش دوم : تئوری تحقیق
تئوری تحقیق
نوع سیگنال نمونه برداری ، صوت یا ارتعاش
روش های استخراج ویژگی
روش های حوزه زمان
روش های حوزه فرکانس
روش های زمان فرکانس
تبدیل موجک پیوسته
تبدیل موجک گسسته
تبدیل موجک بسته ای
روش های انتخاب ویژگی
روش الگوریتم ژنتیک
روش IDE
روش PCA
روش های طبقه بندی
روش K نزدیک ترین همسایه
ماشین بردار پشتیبان
شبکه های عصبی
شبکه های شعاع محوری
سیستم استنتاج فازی عصبی تطبیقی
ساختار ANFIS
الگوریتم یادگیری
فصل سوم : ارائه ی مدل مقایسه ای
مقدمه
ضرورت ارائه مدل در روشهای عیب یابی
تفسیر مدل مقایسه ای
گام اول : انتخاب نوع سیگنال برداشت شده ، صوت یا ارتعاش
گام دوم : انتخاب روش استخراج ویژگی به همراه جداول SW
گام سوم : انتخاب روش انتخاب ویژگی به همراه جداول SW
گام چهارم : انتخاب روش طبقه بندی به همراه جداول SW
گام پنجم : ترکیب روشها و مشخص کردن توالی ها
گام ششم : جداول SW سه توالی انتخاب شده
گام هفتم: تحلیل نتایج جداول بر اساس معیارهای هزینه، سرعت ، پیچیدگی و درصد موفقیت
ارائه مدل مقایسه ای یکپارچه در روشهای عیب یابی
فصل چهارم : تجزیه و تحلیل عیوب یک جعبه دنده نمونه
مقدمه
توالی منتخب
داده های نمونه برداری
سیستم داده پرداری
آماده سازی داده ها
استخراج ویژگی
آنالیز موجک بسته ای
بردار ویژگی اولیه
انتخاب ویژگی های موثر
نرمال سازی ویژگی ها
ماتریس ویژگی نهائی
طبقه بندی وضعیت ها
معماری شبکه عصبی
آموزش شبکه
الگوریتم آموزش RP
الگوریتم آموزش SCG
فصل پنجم : نتیجه گیری و پیشنهادات
مراجع
عنوان پایان نامه: کاربردهای منطق فازی در یادگیری ماشین
قالب بندی : PDF
قیمت : رایگان
شرح مختصر : بيگمان رايانه در چند دهه كنوني از عوامل اصلي و كليدي پيشرفت شناخته شده است. گردش درست امور، سرعت (تندي) در كارها و روشهاي اداري، بهرهوري و خدمات عمومي، دسترسي به اطلاعات شركتها همه از مزایای رایانههاست. امروزه سازمانها جهت پردازش كارهايي چون نگهداري و به روز رساني حسابها و داراييهای خود، راهشان را به سوي استفاده از رایانهها باز نمودهاند. كاربردهایي چون لوازم خانگي، خودروها، هواپيماها و ابزار صنعتي، دستگاههاي الكتريكي، كنترل انتقال نيرو و خطوط كارخانهها و گيرنده ماهواره توسط رايانه سرویسدهی میشوند. همزمان با پيشرفت و سازماندهي سازمانها و بنگاههاي كوچك و متوسط، كشاورزي، صنعتي و … خدمات رايانهاي هر روز نفوذ خود را در زندگي اجتماعي و اقتصادي انسان نیز نشان ميدهند. ولی دیگر رایانههای دومنطقی صفر و یک جوابگوی نیازهای بشر نیست و باید سیستمهایی ساخت که به به شیوههای چندمقداری تفکر و تعلم انسان نزدیک باشد و ابهام و عدم قطعیت را هم شامل شود. در این راستا منطق جدیدی به نام منطق فازی توسط پروفسور لطفیزاده معرفی شد و از آن پس انبوه مقالات برای پیاده سازی این منطق در سیستمهای کامپیوتری و الگوریتمهای موجود، ارائه شد. هدف ما در این پژوهش هم بررسی جامعی پیرامون این مبحث و کاربردهای آن در یادگیری ماشین است. لذا پس از بیان تعاریف و تاریخچه و انواع روشهای منطق فازی و یادگیری ماشین، مروری بر مقالات معتبر و جدید ارائه شده در این زمینه داشته و ایدههای جدیدی که داده شده است را خواهیم گفت.
کلمات کلیدی : محاسبات نرم، منطق فازی، سیستم های فازی، یادگیری ماشین چیست؟، یادگیری با ناظر، یادگیری بدون ناظر، یادگیری تقویتی، یادگیری نیمه نظارتی، انواع ماشین های یادگیرنده، روشهای یادگیری عامل، طراحی یک سیستم یادگیری، تکنیکهای یادگیری ماشین، درخت تصمیم، کاربرد درخت تصمیم، کاربردهای شبکه عصبی مصنوعی، مزیت های شبکه عصبی مصنوعی، پایه های منطق محاسباتی، الگوریتم ژنتیک، سیستم خبره، یادگیری بیزین، ماشین بردار پشتیبان، مدل هوش محاسباتی، سیستم های رابطه ای عصبی ،شبکه های مبتنی بر منطق فازی، استنتاج قوانین فازی، الگوریتم های هوشمند، مزایای سیستم خبره، کاربردهای سیستم خبره، مزایای الگوریتم ژنتیک، نقاط ضعف الگوریتم ژنتیک، مسئله درخت اشتاینر، فیلتر کالمن، فیلتر کالمن فازی،