ترجمه مقاله مدلسازی پیش بینانه مصرف توان در ماشینکاری با تکنیک هوش مصنوعی - نشریه الزویر

ترجمه مقاله مدلسازی پیش بینانه مصرف توان در ماشینکاری با تکنیک هوش مصنوعی - نشریه الزویر
قیمت خرید این محصول
۲۷,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
مدلسازی پیش بینانه مصرف توان در ماشینکاری با استفاده از تکنیک های هوش مصنوعی
عنوان انگلیسی
Predictive Modeling for Power Consumption in Machining using Artificial Intelligence Techniques
صفحات مقاله فارسی
10
صفحات مقاله انگلیسی
5
سال انتشار
2015
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
4999
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی صنایع و مهندسی برق
گرایش های مرتبط با این مقاله
بهینه سازی سیستم ها، تولید صنعتی و هموش ماشین و رباتیک
مجله
دوازدهمین کنفرانس جهانی تولید پایدار
دانشگاه
موسسه علوم و فنون Birla، هند
کلمات کلیدی
توان، مدلسازی پیش بینانه، شبکه هوش مصنوعی، رگرسیون بردار پشتیبان
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1. مقدمه
2. برنامه ریزی آزمایشی
3. شبکه عصبی مصنوعی
4. رگرسیون بردار پشتیبان
5. ارزیابی مقایسه ای مدلهای پیشنهادی
6. نتایج
نمونه چکیده متن اصلی انگلیسی
Abstract

The objective of this work is to highlight the modeling capabilities of artificial intelligence techniques for predicting the power requirements in machining process. The present scenario demands such types of models so that the acceptability of power prediction models can be raised and can be applied in sustainable process planning. This paper presents two artificial intelligence modeling techniques - artificial neural network and support vector regression - used for predicting the power consumed in machining process. In order to investigate the capability of these techniques for predicting the value of power, a real machining experiment is performed. Experiments are designed using Taguchi method so that effect of all the parameters could be studied with minimum possible number of experiments. A L16 (43 ) 4-level 3-factor Taguchi design is used to elaborate the plan of experiments. The power predicted by both techniques are compared and evaluated against each other and it has been found that ANN slightly performs better as compare to SVR. To check the goodness of models, some representative hypothesis tests t-test to test the means, f-test and Leven’s test to test variance are conducted. Results indicate that the models proposed in the research are suitable for predicting the power

نمونه چکیده ترجمه متن فارسی
چکیده
هدف این کارروشن کردن قابلیت های مدلسازی تکنیک های هوش مصنوعی برای پیش بینی توان مورد نیاز در فرایند (پروسه) ماشینکاری می باشد. سناریوی فعلی نیازمند این نوع مدلها می باشد، به گونه ای که پذیرفتگی یا قابلیت پذیرش مدلهای پیش بینی توان را می توان افزایش داد و از آنها در برنامه ریزی پروسه پایدار استفاده نمود. این مقاله دو تکنیک مدلسازی هوش مصنوعی مطرح کرده- شبکه هوش مصنوعی و رگرسیون بردار پشتیبان- و از آنها برای پیش بینی توان مصرفی در پروسه ماشینکاری استفاده می نماید. برای پژوهش قابلیت پیش بینی ارزش توان این تکنیک ها، آزمایش ماشینکاری واقعی انجام می شود. آزمایشات با استفاده از روش Taguchiطراحی شده است، به گونه ای که اثر کلیه پارامترها را می توان با حداقل تعداد آزمایشات ممکن مطالعه نمود. ازطرح تاگوچی 3 عاملی 4 سطحی برای شرح طرح و برنامه آزمایشات استفاده شده است. توان پیش بینی شده توسط هر دو تکنیک باهم مقایسه و مورد ارزیابی قرار گرفته است و این گونه استنباط شده است که ANN در مقایسه با SVR کمی بهتر عمل می کند. برای بررسی بهینگی مدلها، برخی از فرضیه های نماینده، مثل آزمون یا تست t برای آزمون میانگین، آزمون f و آزمون Leven ، برای آزمون واریانس اجرا شدند. نتایج بدست آمده نشان می دهد مدلهای پیشنهاد شده در تحقیق برای پیش بینی توان مناسب هستند.

بدون دیدگاه