Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych
The objective of this study is to propose a methodology for selecting the architecture and training parameters of artificial neural networks that can be effectively applied to the enhancement of manufacturing processes. The research focuses on the utilization of neural network models in three key...
Đã lưu trong:
| Tác giả chính: | |
|---|---|
| Định dạng: | Online |
| Ngôn ngữ: | Tiếng Ba Lan |
| Được phát hành: |
Lublin University of Technology Publishing House
2025
|
| Những chủ đề: | |
| Truy cập trực tuyến: | https://directory.doabooks.org/handle/20.500.12854/160834 |
| Các nhãn: |
Không có thẻ, Là người đầu tiên thẻ bản ghi này!
|
| _version_ | 1869519910528352256 |
|---|---|
| author | Kulisz, Monika |
| author_browse | Kulisz, Monika |
| author_facet | Kulisz, Monika |
| author_sort | Kulisz, Monika |
| collection | Directory of Open Access Books |
| description | The objective of this study is to propose a methodology for selecting the architecture and training
parameters of artificial neural networks that can be effectively applied to the enhancement of
manufacturing processes. The research focuses on the utilization of neural network models in
three key areas: optimization of machining parameters, quality assessment of finished products,
and prediction of machine failures. The study examines selected neural network architectures,
including multilayer perceptrons, recurrent LSTM networks, and convolutional neural networks.
A detailed methodology was developed to determine suitable architectures and training parameters,
encompassing a comprehensive process of data preparation, model selection, and adaptation to
the specific requirements of individual industrial applications. A key part of this method was taking
into account the types of data that were available and the specifics of the tasks. This let the best
neural network architectures be chosen for each of the domains that were being studied. |
| format | Online |
| id | doab-20.500.12854ir-160834 |
| institution | Directory of Open Access Books |
| language | pol |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Lublin University of Technology Publishing House |
| publisherStr | Lublin University of Technology Publishing House |
| record_format | ojs |
| spelling | doab-20.500.12854ir-1608342025-05-29T10:41:32Z Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych Kulisz, Monika artificial neural networks, neural network architecture, neural network training process, manufacturing process improvement thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQN Neural networks and fuzzy systems The objective of this study is to propose a methodology for selecting the architecture and training parameters of artificial neural networks that can be effectively applied to the enhancement of manufacturing processes. The research focuses on the utilization of neural network models in three key areas: optimization of machining parameters, quality assessment of finished products, and prediction of machine failures. The study examines selected neural network architectures, including multilayer perceptrons, recurrent LSTM networks, and convolutional neural networks. A detailed methodology was developed to determine suitable architectures and training parameters, encompassing a comprehensive process of data preparation, model selection, and adaptation to the specific requirements of individual industrial applications. A key part of this method was taking into account the types of data that were available and the specifics of the tasks. This let the best neural network architectures be chosen for each of the domains that were being studied. Published Celem pracy jest zaproponowanie sposobu doboru architektury oraz parametrów procesu uczenia sztucznych sieci neuronowych, które mogą być skutecznie zastosowane w doskonaleniu procesów produkcyjnych. Praca koncentruje się na wykorzystaniu modeli neuronowych w następujących trzech obszarach: optymalizacji parametrów obróbki skrawaniem, ocenie jakości wyrobów gotowych oraz predykcji awarii maszyn. W ramach pracy poddano analizie wybrane architektury sieci neuronowych, takie jak perceptrony wielowarstwowe, rekurencyjne sieci LSTM oraz konwolucyjne sieci neuronowe. Opracowano szczegółową metodykę doboru odpowiednich architektur oraz parametrów ich uczenia, która obejmowała kompleksowy proces przygotowania danych, selekcji odpowiednich modeli oraz ich dostosowania do specyficznych wymagań poszczególnych zastosowań przemysłowych. Kluczowym aspektem tej metodyki było uwzględnienie charakterystyki dostępnych danych oraz specyfiki zadań, co pozwoliło na optymalny dobór architektury sieci neuronowej dla każdego z analizowanych obszarów. 2025-05-29T10:41:30Z 2025-05-29T10:41:30Z 2025 book 978-83-7947-636-7 978-83-7947-635-0 https://directory.doabooks.org/handle/20.500.12854/160834 pol image/jpeg Attribution-NonCommercial-NoDerivatives 4.0 International https://rock.pollub.pl/entities/publication/a6c38c5d-ba8f-47ac-a3e6-b50df14a595b Lublin University of Technology Publishing House Lublin University of Technology Publishing House 10.35784/9788379476367 Celem pracy jest zaproponowanie sposobu doboru architektury oraz parametrów procesu uczenia sztucznych sieci neuronowych, które mogą być skutecznie zastosowane w doskonaleniu procesów produkcyjnych. Praca koncentruje się na wykorzystaniu modeli neuronowych w następujących trzech obszarach: optymalizacji parametrów obróbki skrawaniem, ocenie jakości wyrobów gotowych oraz predykcji awarii maszyn. W ramach pracy poddano analizie wybrane architektury sieci neuronowych, takie jak perceptrony wielowarstwowe, rekurencyjne sieci LSTM oraz konwolucyjne sieci neuronowe. Opracowano szczegółową metodykę doboru odpowiednich architektur oraz parametrów ich uczenia, która obejmowała kompleksowy proces przygotowania danych, selekcji odpowiednich modeli oraz ich dostosowania do specyficznych wymagań poszczególnych zastosowań przemysłowych. Kluczowym aspektem tej metodyki było uwzględnienie charakterystyki dostępnych danych oraz specyfiki zadań, co pozwoliło na optymalny dobór architektury sieci neuronowej dla każdego z analizowanych obszarów. 10.35784/9788379476367 25440dcb-6509-4ffb-b078-818857fbed4b 978-83-7947-636-7 978-83-7947-635-0 Lublin University of Technology Publishing House 256 Lublin open access |
| spellingShingle | artificial neural networks, neural network architecture, neural network training process, manufacturing process improvement thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQN Neural networks and fuzzy systems Kulisz, Monika Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych |
| title | Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych |
| title_full | Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych |
| title_fullStr | Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych |
| title_full_unstemmed | Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych |
| title_short | Dobór architektury i parametrów procesu uczenia sieci neuronowych w doskonaleniu procesów produkcyjnych |
| title_sort | dobor architektury i parametrow procesu uczenia sieci neuronowych w doskonaleniu procesow produkcyjnych |
| topic | artificial neural networks, neural network architecture, neural network training process, manufacturing process improvement thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQN Neural networks and fuzzy systems |
| topic_facet | artificial neural networks, neural network architecture, neural network training process, manufacturing process improvement thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQN Neural networks and fuzzy systems |
| url | https://directory.doabooks.org/handle/20.500.12854/160834 |
| work_keys_str_mv | AT kuliszmonika doborarchitekturyiparametrowprocesuuczeniasiecineuronowychwdoskonaleniuprocesowprodukcyjnych |