المؤلفون: Arellano Espitia, Francisco, González Abreu, Artvin Darién, Delgado Prieto, Miquel, Saucedo Dorantes, Juan Jose, 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::Aprenentatge automàtic, Machine learning, Condition monitoring, Fault detection, Deep learning, Aprenentatge automàtic

وصف الملف: 4 p.; application/pdf

العلاقة: https://ieeexplore.ieee.org/abstract/document/9212026Test; Arellano, F. [et al.]. Analysis of machine learning based condition monitoring schemes applied to complex electromechanical systems. A: IEEE International Conference on Emerging Technologies and Factory Automation. "2020 25th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA): Proceedings: Vienna, Austria - Hybrid: 08-11 September, 2020". Institute of Electrical and Electronics Engineers (IEEE), 2020, p. 1419-1422. ISBN 978-1-7281-8957-4. DOI 10.1109/ETFA46521.2020.9212026.; http://hdl.handle.net/2117/330308Test

الإتاحة: https://doi.org/10.1109/ETFA46521.2020.9212026Test
http://hdl.handle.net/2117/330308Test

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

المؤلفون: Arellano-Espitia, Francisco¹ (AUTHOR) francisco.arellano@upc.edu, Delgado-Prieto, Miguel¹ (AUTHOR) victor.martinez.viol@upc.edu, Martinez-Viol, Victor¹ (AUTHOR), Saucedo-Dorantes, Juan Jose² (AUTHOR) jsaucedo@hspdigital.org, Osornio-Rios, Roque Alfredo² (AUTHOR) raosornio@hspdigital.org

المصدر: Sensors (14248220). Jul2020, Vol. 20 Issue 14, p3949. 1p.

مصطلحات موضوعية: *FAULT diagnosis, *DIAGNOSIS methods, *DISCRIMINANT analysis, *DEEP learning, *MULTISENSOR data fusion, *INDUSTRY 4.0, *SOFTWARE as a service