W prezentowanym artykule wyznaczono izotermy adsorpcji i desorpcji wody wybranych skrobi (ziemniaczanej natywnej oraz skrobi modyfikowanych: kukurydzianej, z kukurydzy woskowej i z tapioki) w temperaturze 25oC, w zakresie aktywności wody od 0,113 do 0,903. Stwierdzono, że izotermy dla badanych skrobi miały przebieg sigmoidalny i należały do II typu izoterm zgodnie z klasyfikacją Brunauera i współpracowników. Wszystkie izotermy wykazały pętlę histerezy, przy czym największą pętlą histerezy charakteryzowała się skrobia ziemniaczana bez modyfikacji. Pętle histerezy pozostałych skrobi modyfikowanych były do siebie podobne. Model Pelega najlepiej opisywał otrzymane izotermy adsorpcji i desorpcji wody.
EN
In the paper water adsorption and desorption isotherms of selected starches (native potato starch, modified starches: maize, waxy maize and tapioca) were determined at 25oC over a range of water activity from 0,113 to 0,903. The water adsorption and desorption isotherms had a compatible course with II type isotherms according to BET classification. All isotherms exhibited histeresis loop but the highest histeresis loop had a native potato starch. The histeresis loops of modified starch were similar in the size and shape. The Peleg model gave the best fit to the experimental adsorption and desorption data for all material tested.
W niniejszym artykule przedstawiono wyniki badań związanych z zastosowaniem metod i technik sztucznej inteligencji w obszarze diagnostyki technicznej. Szczególną uwagę zwrócono na możliwość budowania systemów doradczych opartych na wielowarstwowych sieciach stwierdzeń. Przedstawiono ogólną koncepcję platformy do budowania sieci stwierdzeń. Nakreślono plan prac związanych z rozwojem platformy, który umożliwi stosowanie różnego typu sieci w ramach jednego modelu oraz integrację z innymi systemami.
EN
This paper deals with the results of studies relevant to the methods and techniques of artificial intelligence in the field of technical diagnostics. At the beginning, the basic concepts, such as the statement and statement network, are described. Then, the concept of a multilayer statement network (Fig. 1) which is generalization of a single-layer statement network is presented. Special attention is paid to possibility of using the multilayer statement networks for development of multi-scale statement networks. Next, the general concept of a platform for development of the multilayer statement network and description of the main classes of objects resulting from using the platform are given. The choice of R environment for development of the platform is justified and its advantages are emphasized. The data exchange with other systems using XML format and the file structure is described. The process of construction of the multilayer statement network is discussed based on an example of the two-layer network shown in Fig. 2. The obtained results show the correctness of the platform operation. Finally, the main advantages of platforms, such as possibility of development of multilayer statement networks or commenting of the particular objects are discussed. The schedule of the development of platforms, including e.g. extension of the learning process of the network structure and tuning the network parameters basing on the available data sets or extension-training opportunities to construct multilayer network models with different types of networks on a different layers is also presented.
This paper presents a multi-stage diagnostic Belief Network Based Model (BNBM). Proposed model allows for application of acquired knowledge from data training, domain experts and domain literature. This feature is its special advantage. A general model structure, selected issues with its identification and application were shown as well. Described BNBM model consists of three stages: preliminary data processing, equalization and balance of additional variables and belief network. Tuning of BNBM model with using memetic algorithm as global optimization method with local optimization was proposed.
PL
W artykule opisano wielostopniowy model diagnostyczny bazujący na sieci przekonań. Przedstawiono ogólną strukturę modelu oraz omówiono problemy związane z jego identyfikacją oraz strojeniem. Szczególną zaletą proponowanego modelu jest to, że pozwala on na stosowanie wiedzy pozyskanej zarówno z danych uczących jak i artykułowanej bezpośrednio przez specjalistów i literaturę rozpatrywanej dziedziny. Opisany model diagnostyczny składa się ze stopnia wstępnego przetwarzania, stopnia uzgadniania oraz stopnia w postaci sieci przekonań. Dla przyjętej ogólnej postaci modelu omówiono procedurę strojenia z użyciem algorytmu genetycznego. Z uwagi na wady i zalety tego algorytmu dokonano modyfikacji procedury strojenia poprzez zastosowanie algorytmu memetycznego. Określono kierunki dalszych prac badawczych.
W artykule przedstawiono problematykę związaną ze wspomaganiem procesu wnioskowania o stanie obiektu rzeczywistego. Głównym zagadnieniem jest redukcja olbrzymiej ilości danych dostarczanych do systemu monitorowania. Wyróżniono trzy grupy metod: ograniczania liczby rozpatrywanych cech, ograniczania w zbiorze rozróżnianych wartości oraz ograniczania liczby elementów wykresu wartości. W wyniku przeprowadzonej analizy danych zaproponowano metodę kwantowania z histerezą w celu redukcji liczby rozróżnianych wartości. Ponadto zaproponowano metodę optymalizacji szerokości pasma kwantowania z histerezą z użyciem testu statystycznego.
EN
The article present problems about computer aided machinery state reasoning. The main task of this issue was reduction of huge quantity data sets provides to monitoring system. The methods can be divided into methods for reduction of features, methods for reduction of measured data sets and time-domain methods. On the basis of data analysis, was proposed data set reduction by sampling with hysteresis to reduction of measured data sets. Moreover the method for a tolerable degree fit was proposed and analyzed. The method is based upon statistical analysis.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.