prikaz prve stranice dokumenta Estimation of CNC Grinding Process Parameters Using Different Neural Networks
  Preuzmi
PDF 1014.11 KB
Znanstveni rad - Izvorni znanstveni rad
Estimation of CNC Grinding Process Parameters Using Different Neural Networks
Tehnički vjesnik : znanstveno-stručni časopis tehničkih fakulteta Sveučilišta u Osijeku, 25 (2018), 6; 1770-1775. https://doi.org/10.17559/TV-20180419095119
Šarić, Tomislav; Šimunović, Goran; Vukelić, Đorđe; Šimunović, Katica; Lujić, Roberto

Citirajte ovaj rad

Šarić, T., Šimunović, G., Vukelić, Đ., Šimunović, K. i Lujić, R. (2018). Estimation of CNC Grinding Process Parameters Using Different Neural Networks. Tehnički vjesnik : znanstveno-stručni časopis tehničkih fakulteta Sveučilišta u Osijeku, 25. (6), 1770-1775. doi: 10.17559/TV-20180419095119

Šarić, Tomislav, et al. "Estimation of CNC Grinding Process Parameters Using Different Neural Networks." Tehnički vjesnik : znanstveno-stručni časopis tehničkih fakulteta Sveučilišta u Osijeku, vol. 25, br. 6, 2018, str. 1770-1775. https://doi.org/10.17559/TV-20180419095119

Šarić, Tomislav, Goran Šimunović, Đorđe Vukelić, Katica Šimunović i Roberto Lujić. "Estimation of CNC Grinding Process Parameters Using Different Neural Networks." Tehnički vjesnik : znanstveno-stručni časopis tehničkih fakulteta Sveučilišta u Osijeku 25, br. 6 (2018): 1770-1775. https://doi.org/10.17559/TV-20180419095119

Šarić, T., et al. (2018) 'Estimation of CNC Grinding Process Parameters Using Different Neural Networks', Tehnički vjesnik : znanstveno-stručni časopis tehničkih fakulteta Sveučilišta u Osijeku, 25(6), str. 1770-1775. doi: 10.17559/TV-20180419095119

Šarić T, Šimunović G, Vukelić Đ, Šimunović K, Lujić R. Estimation of CNC Grinding Process Parameters Using Different Neural Networks. Tehnički vjesnik : znanstveno-stručni časopis tehničkih fakulteta Sveučilišta u Osijeku [Internet]. 2018. [pristupljeno 18.11.2024.];25(6):1770-1775. doi: 10.17559/TV-20180419095119

T. Šarić, G. Šimunović, Đ. Vukelić, K. Šimunović i R. Lujić, "Estimation of CNC Grinding Process Parameters Using Different Neural Networks", Tehnički vjesnik : znanstveno-stručni časopis tehničkih fakulteta Sveučilišta u Osijeku, vol. 25, br. 6, str. 1770-1775, 2018. [Online]. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:262:499893. [Citirano: 18.11.2024.]

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:262:499893
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
Naslov (engleski)Estimation of CNC Grinding Process Parameters Using Different Neural Networks
AutorTomislav Šarić
MBZ: 190264
AutorGoran Šimunović
MBZ: 212233
AutorĐorđe Vukelić
AutorKatica Šimunović
MBZ: 211943
AutorRoberto Lujić
MBZ: 212244
Autorova ustanovaSveučilište u Slavonskom Brodu
(Strojarski fakultet u Slavonskom Brodu)
(Zavod za industrijsko inženjerstvo)
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Strojarstvo
Sažetak (engleski)
Continuation of research on solving the problem of estimation of CNC grinding process parameters of multi-layer ceramics is presented in the paper. Heuristic analysis of the process was used to define the attributes of influence on the grinding process and the research model was set. For the problem of prediction - estimation of the grinding process parameters the following networks were used in experimental work: Modular Neural Network (MNN), Radial Basis Function Neural Network (RBFNN), General Regression Neural Network (GRNN) and Self-Organizing Map Neural Network (SOMNN). The experimental work, based on real data from the technological process was performed for the purpose of training and testing various architectures and algorithms of neural networks. In the architectures design process different rules of learning and transfer functions and other attributes were used. RMS error was used as a criterion for value evaluation and comparison of the realised neural networks and was compared with previous results obtained by Back-Propagation Neural Network (BPNN). In the validation phase the best results were obtained by Back-Propagation Neural Network (RMSE 12, 43 %), Radial Basis Function Neural Network (RMSE 13, 24 %, ), Self-Organizing Map Neural Network (RMSE 13, 38 %) and Modular Neural Network (RMSE 14, 45 %). General Regression Neural Network (RMSE 21, 78 %) gave the worst results.
Ključne riječi (engleski)
Jezikengleski
Vrsta publikacijeZnanstveni rad - Izvorni znanstveni rad
Status objaveObjavljen
Vrsta recenzijeRecenziran - međunarodna recenzija
Verzija publikacijeObjavljena verzija rada (izdavačev PDF)
Naslov časopisaTehnički vjesnik : znanstveno-stručni časopis tehničkih fakulteta Sveučilišta u Osijeku
Brojčani podacivol. 25, br. 6, str. 1770-1775
p-ISSN1330-3651
DOIhttps://doi.org/10.17559/TV-20180419095119
URN:NBNurn:nbn:hr:262:499893
Datum objave publikacije2018
URL dokumentahttp://bib.irb.hr/974815
Vrsta resursaTekst
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-04-26 13:03:25