|
|
Untersuchung von Strukturen und Beschichtungen für tribologisch optimierte Umformwerkzeugoberflächen für die Aluminiumfeinblechbearbeitung
Kořenek, Jakub ; Hänel, Thomas (referee) ; Blecha, Petr (advisor)
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 (referee) ; Blecha, Petr (advisor)
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 (advisor) ; Kořenek, Jakub (referee)
Deep learning is usually applied to static datasets. If used for classification based on data streams, it is not easy to take into account a non-stationarity. This thesis presents work in progress on a new method for online deep classifi- cation learning in data streams with slow or moderate drift, highly relevant for the application domain of malware detection. The method uses a combination of multilayer perceptron and variational autoencoder to achieve constant mem- ory consumption by encoding past data to a generative model. This can make online learning of neural networks more accessible for independent adaptive sys- tems with limited memory. First results for real-world malware stream data are presented, and they look promising. 1
|
guest ::
RSS feed.