يعرض 1 - 4 نتائج من 4 نتيجة بحث عن '"Espitia, Francisco"', وقت الاستعلام: 0.88s تنقيح النتائج
  1. 1
    مؤتمر
    Anomaly detection in electromechanical systems by means of deep-autoencoder

    المؤلفون: Arellano Espitia, Francisco, Delgado Prieto, Miquel, Martínez Viol, Víctor, Fernández Sobrino, Ángel, Osornio Rios, Roque A.

    المساهمون: Universitat Politècnica de Catalunya. Doctorat en Enginyeria Electrònica, Universitat Politècnica de Catalunya. Departament d'Enginyeria de Sistemes, Automàtica i Informàtica Industrial, Universitat Politècnica de Catalunya. MCIA - Motion Control and Industrial Applications Research Group

    مصطلحات موضوعية: Àrees temàtiques de la UPC::Enginyeria electrònica, Deep learning, Electromechanical decives, Anomaly detection, Electromechanical systems, Deep-autoencoder, Deep-learning, Dispositius electromecànics, Aprenentatge profund

    وصف الملف: 6 p.; application/pdf

    العلاقة: https://ieeexplore.ieee.org/document/9613529Test; Arellano, F. [et al.]. Anomaly detection in electromechanical systems by means of deep-autoencoder. A: IEEE International Conference on Emerging Technologies and Factory Automation. "Proceedings 2021 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA) Västerås, Sweden, online 07-10 September, 2021". Institute of Electrical and Electronics Engineers (IEEE), 2021, p. 1-6. ISBN 978-1-72812-989-1. DOI 10.1109/ETFA45728.2021.9613529.; http://hdl.handle.net/2117/360838Test

    الإتاحة: https://doi.org/10.1109/ETFA45728.2021.9613529Test
    http://hdl.handle.net/2117/360838Test

    View record in BASE

    أضف إلى المفضلة
  2. 2
    مؤتمر
    Novel condition monitoring approach based on hybrid feature extraction and neural network for assessing multiple faults in electromechanical systems

    المؤلفون: Saucedo Dorantes, Juan Jose, Osornio Rios, Roque A., Romero Troncoso, René, Delgado Prieto, Miquel, Arellano Espitia, Francisco

    المساهمون: Universitat Politècnica de Catalunya. Departament d'Enginyeria Electrònica, Universitat Politècnica de Catalunya. Doctorat en Enginyeria Electrònica, Universitat Politècnica de Catalunya. MCIA - Motion Control and Industrial Applications Research Group

    مصطلحات موضوعية: Àrees temàtiques de la UPC::Enginyeria elèctrica::Electromecànica, Electromechanical devices, Condition monitoring, Electromechanical systems, Feature extraction, Time-domain analysis, Frequency-domain analysis, Linear discriminant analysis, Vibrations, Current measurement, Dispositius electromecànics

    وصف الملف: 8 p.; application/pdf

    العلاقة: https://ieeexplore.ieee.org/abstract/document/8864835Test; Saucedo, J. [et al.]. Novel condition monitoring approach based on hybrid feature extraction and neural network for assessing multiple faults in electromechanical systems. A: IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives. "SDEMPED - 2019 IEEE 12th International Symposium on Diagnostics for Electrical Machines, Power Electronics and Drives (SDEMPED): 27-30 August 2019: Toulouse, France". Institute of Electrical and Electronics Engineers (IEEE), 2019, p. 466-473.; http://hdl.handle.net/2117/172842Test

    الإتاحة: https://doi.org/10.1109/DEMPED.2019.8864835Test
    http://hdl.handle.net/2117/172842Test

    View record in BASE

    أضف إلى المفضلة
  3. 3
    مؤتمر
    Autoencoder based feature reduction analysis applied to electromechanical systems condition monitoring

    المؤلفون: Arellano Espitia, Francisco, Saucedo Dorantes, Juan Jose, Delgado Prieto, Miquel, Osornio Rios, Roque A.

    المساهمون: Universitat Politècnica de Catalunya. Doctorat en Enginyeria Electrònica, Universitat Politècnica de Catalunya. Departament d'Enginyeria Electrònica, Universitat Politècnica de Catalunya. MCIA - Motion Control and Industrial Applications Research Group

    مصطلحات موضوعية: Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial, Àrees temàtiques de la UPC::Enginyeria elèctrica::Electromecànica, Artificial intelligence, Electromechanical devices, Condition monitoring, Fault detection, Diagnostics and prognostics, Deep learning, Autoencoder, Intel·ligència artificial, Dispositius electromecànics

    وصف الملف: 7 p.; application/pdf

    العلاقة: https://ieeexplore.ieee.org/document/8869371Test; Arellano, F. [et al.]. Autoencoder based feature reduction analysis applied to electromechanical systems condition monitoring. A: IEEE International Conference on Emerging Technologies and Factory Automation. "2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA): proceedings: University of Zaragoza, Zaragoza, Spain: 10-13 September, 2019". Institute of Electrical and Electronics Engineers (IEEE), 2019, p. 891-897.; http://hdl.handle.net/2117/175570Test

    الإتاحة: https://doi.org/10.1109/ETFA.2019.8869371Test
    http://hdl.handle.net/2117/175570Test

    View record in BASE

    أضف إلى المفضلة
  4. 4
    Study of a machine learning based methodology applied to fault detection and identification in an electromechanical system

    المؤلفون: Palmisano, Davide

    المساهمون: Universitat Politècnica de Catalunya. Departament d'Enginyeria Electrònica, Delgado Prieto, Miquel, Arellano Espitia, Francisco

    المصدر: UPCommons. Portal del coneixement obert de la UPC
    Universitat Politècnica de Catalunya (UPC)

    مصطلحات موضوعية: Neural networks (Computer science), Informàtica [Àrees temàtiques de la UPC], Electromechanical devices, Enginyeria electrònica [Àrees temàtiques de la UPC], Bearings (Machinery), Dispositius electromecànics, Xarxes neuronals (Informàtica) -- Aplicacions, Coixinets (Maquinària)

    وصف الملف: application/pdf

    الوصول الحر: https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::9876011ee055a213985e4661239f63e4Test
    https://hdl.handle.net/2117/329184Test


    أضف إلى المفضلة
أدوات البحث: أحصل على تغذية RSS — أرسل هذا البحث بالبريد الإلكتروني — حفظ البحث