68 lines
2.1 KiB
TeX
68 lines
2.1 KiB
TeX
1
|
|
|
|
%for mult rows
|
|
|
|
&
|
|
Statistical Feature Extraction in Machine Fault Detection using Vibration Signal (\href{https://doi.org/10.1109/ICTC49870.2020.9289285}{10.1109/ICTC49870.
|
|
2020.9289285})
|
|
%for mult rows
|
|
|
|
% &
|
|
% Donghui Xu; Xiang Xu; Michael C. Forde; Antonio Caballero
|
|
|
|
%for mult rows
|
|
|
|
% &
|
|
% Construction and Building Materials
|
|
|
|
% %for mult rows
|
|
|
|
% &
|
|
% \href{https://doi.org/10.1016/j.conbuildmat.2023.132596}{ScienceDirect}
|
|
|
|
% %for mult rows
|
|
|
|
% &
|
|
% 2023
|
|
|
|
% %for mult rows
|
|
|
|
&
|
|
\begin{enumerate}[series=enum]
|
|
\item Menginvestigasi cara mengklasifikasi kondisi \textit{gearbox} normal dan rusak menggunakan sinyal getaran berbasis pada kombinasi antara analisis statistik dan FFT dengan algoritma pembelajaran mesin (ANN, Logistic Regression, dan SVM)
|
|
|
|
\item Mengurangi waktu latih dan kompleksitas kalkulasi dengan analisis statistik sebagai input data meliputi sembilan fitur: mean, median, min, max, kurtosis, \textit{skewness}, \textit{standard deviation}, and \textit{range}.
|
|
\end{enumerate}
|
|
|
|
&
|
|
\begin{enumerate}[series=enum2]
|
|
\item Nilai \textit{maximum} dan kurtosis adalah fitur yang paling signifikan untuk mengklasifikasi kelas label pembelajaran mesin.
|
|
|
|
\item ANN meraih akurasi 100\% pada input FFT penuh dan analisis statistik, sedangkan Regresi Logistik (LR) dan SVM meraih akurasi 100\% dengan input FFT penuh namun hanya mendapat akurasi 91\% dengan input analisis statistik
|
|
\end{enumerate}
|
|
|
|
&
|
|
\begin{enumerate}
|
|
\item Lorem
|
|
\item Ipsum
|
|
\end{enumerate}
|
|
|
|
%-------------page break----------------
|
|
% \\
|
|
% &
|
|
% &
|
|
% &
|
|
% &
|
|
% &
|
|
% &
|
|
% &
|
|
% \begin{enumerate}[resume=enum]
|
|
% \item Menyajikan berbagai perkembangan penelitian, mendiskusikan dan membandingkannya kelebihan dan kekurangannya
|
|
% \item Meringkas kesesuaian berbagai metode pembelajaran mesin untuk masalah SHM yang berbeda
|
|
% \item Terakhir, tren masa depan
|
|
% \end{enumerate}
|
|
% &
|
|
% \begin{enumerate}[resume=enum2]
|
|
% \item SVM dan hutan acak kurang mendapat perhatian dibandingkan dengan jaringan saraf. Ini digunakan untuk klasifikasi kerusakan. Namun, pemrosesan awal data jauh lebih rumit.
|
|
|
|
% \end{enumerate} |