Zusammenfassung
Dieser VDI-Bericht ist ausschließlich als PDF-Dokument erschienen!
Sie möchten gerne erfahren, was auf der Tagung vorgestellt und diskutiert wurde?
Inhalt
Vorwort 1
B. Bertsche, Institut für Maschinenelemente (IMA), Universität Stuttgart
Plenarvortrag
Zuverlässigkeitsabsicherung alternativer Antriebe – Ein Beitrag zur Steuerung von (Entwicklungs-) Projekten 3
J.-F. Luy, COREPROG engineering, Ulm
Prognostics & Health Management
AutoEncoder basierte automatisierte Zustandsdiagnose von Wälzlagern 13
M. Henß, B. Bertsche, Institut für Maschinenelemente, Universität Stuttgart, Stuttgart
Prognostics & Health Monitoring von Windenergieanlagen als Baustein der Energiewende 29
C. T. Geiss, GI-Engineering UG, München
Kombination mehrerer Prognoseergebnisse zur verbesserten Ermittlung der verbleibenden nutzbaren Lebensdauer 43
S. Hagmeyer, M. Hoenig, P. Zeiler, Hochschule Esslingen, Fakultät Mechatronik und Elektrotechnik, Göppingen
Zuverlässigkeit und Instandhaltung im Bet...
Schlagworte
Technische Zuverlässigkeit Prüfprozesse Messwerte Verlässlichkeit- 1–2 Vorwort 1–2
- 3–12 Plenarvortrag 3–12
- 129–180 Funktionale Sicherheit 129–180
- 293–320 Big Data 293–320
2 Treffer gefunden
- „... predicted damage progression is extrapolated with respect to the usage pattern by a Deep Learning algorithm ...” „... Remaining Useful Lifetime estimation for a vehicle component. Machine Learning algorithms are trained, and ...” „... learning from experience, when the failures have already emerged. Despite leveraging various techniques to ...”
- „... Deep-Learning immer stärkere Bekanntheit. Im Folgenden werden die grundlegenden Aspekte von KNN stark ...” „... SOUTHEASTCON, vol. 2016–July, 2016. [5] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, MIT-Press ...” „... : A Deep Learning Approach,” PHM Conf., 2015. [7] R. M. Hasani, G. Wang, and R. Grosu, “An Automated ...”