|
|
Untersuchung von Strukturen und Beschichtungen für tribologisch optimierte Umformwerkzeugoberflächen für die Aluminiumfeinblechbearbeitung
Kořenek, Jakub ; Hänel, Thomas (oponent) ; Blecha, Petr (vedoucí práce)
V rámci bakalářské práce je provedena rešerše ke stavu techniky z pohledu tribologie, tváření hliníku, povlakování, strukturování a v závěru rozdělení tribologických zkoušek a metod jejich hodnocení. V praktické části jsou vyhodnoceny už dříve provedené pokusy na oscilačním tribometru. Následně byly provedeny pokusy tažení pásu s ohybem a bez ohybu s různými parametry pro jednotlivé zkoušky. Testovány byly různé laserové struktury (křížové, liniové, bodové) s variací jejich hloubky a pokrytí vzorků. V závěru práce jsou výsledky pokusů zhodnoceny z pohledu opotřebení, koeficientu tření a stability tribologického systému v průběhu pokusu. Z výsledků vychází doporučení pro následující pokusy a možné oblasti aplikace jednotlivých struktur.
|
|
|
Untersuchung von Strukturen und Beschichtungen für tribologisch optimierte Umformwerkzeugoberflächen für die Aluminiumfeinblechbearbeitung
Kořenek, Jakub ; Hänel, Thomas (oponent) ; Blecha, Petr (vedoucí práce)
V rámci bakalářské práce je provedena rešerše ke stavu techniky z pohledu tribologie, tváření hliníku, povlakování, strukturování a v závěru rozdělení tribologických zkoušek a metod jejich hodnocení. V praktické části jsou vyhodnoceny už dříve provedené pokusy na oscilačním tribometru. Následně byly provedeny pokusy tažení pásu s ohybem a bez ohybu s různými parametry pro jednotlivé zkoušky. Testovány byly různé laserové struktury (křížové, liniové, bodové) s variací jejich hloubky a pokrytí vzorků. V závěru práce jsou výsledky pokusů zhodnoceny z pohledu opotřebení, koeficientu tření a stability tribologického systému v průběhu pokusu. Z výsledků vychází doporučení pro následující pokusy a možné oblasti aplikace jednotlivých struktur.
|
|
|
Online training of deep neural networks for classification
Tumpach, Jiří ; Holeňa, Martin (vedoucí práce) ; Kořenek, Jakub (oponent)
Hluboké učení je obvykle používáno se statickými datasety. Když je ale použito pro klasifikaci dat z datového toku, není jednoduché vzít v úvahu nestacionárnost. Tato diplomová práce prezentuje práci na nové metodě online učení klasifikace datových toků s mírným nebo středním driftem dat a je proto vysoce relevantní pro aplikace v detekci malware. Metoda používá kombinaci vícevrstvého perceptronu a variančního autoenkodéru a získává tak konstantní prostorovou složitost díky vkládání historie do generativního modelu. Proto může zjednodušit použití online učení neuronových sítí pro nezávislé adaptivní systémy s omezenou pamětí. V závěru prezentuji první výsledky na datech z reálného malware, které vypadají slibně. 1
|
host ::
RSS.