Wykaz publikacji wybranego autora

Paweł Pawlik, dr hab. inż., prof. AGH

Wydział Inżynierii Mechanicznej i Robotyki
WIMiR-kmw, Katedra Mechaniki i Wibroakustyki

2018
[dyscyplina 1] dziedzina nauk inżynieryjno-technicznych / inżynieria mechaniczna

[poprzednia klasyfikacja] obszar nauk technicznych / dziedzina nauk technicznych / mechanika

Identyfikatory Autora	Informacje o Autorze w systemach zewnętrznych
ORCID: 0000-0002-2654-6138 ResearcherID: T-1947-2017 Scopus: 55596440400 PBN: 5e709406878c28a0473b50ce	OPI Nauka Polska System Informacyjny AGH (SkOs)

Identyfikatory Autora

Informacje o Autorze w systemach zewnętrznych

ORCID: 0000-0002-2654-6138 orcid iD

ResearcherID: T-1947-2017

Scopus: 55596440400

PBN: 5e709406878c28a0473b50ce

sortowanie:

1

Impact of the noise indicators components correlation $(L_d, L_e, L_n)$ on the uncertainty of the long-term day-evening-night noise indicator $L_{den}$ / Bartosz Przysucha, Paweł PAWLIK, Bartłomiej STĘPIEŃ, Agnieszka Surowiec // Measurement ; ISSN 0263-2241. — 2021 vol. 179 art. no. 109399, s. 1–10. — Bibliogr. s. 10, Abstr.. — Publikacja dostępna online od: 2021-04-16. — tekst: https://www-1sciencedirect-1com-1000027m80000.wbg2.bg.agh.edu.pl/science/article/pii/S0263224121003900/pdfft?md5=230d15e11e71ab9dddd448656acd4fa2&pid=1-s2.0-S0263224121003900-main.pdf
keywords: Monte Carlo method, uncertainty, correlation, long-term noise indicators, independent draw, dependent draw

Zobacz pełny wykaz publikacji Autora/Autorów: Bartłomiej Stępień

cyfrowy identyfikator dokumentu: 10.1016/j.measurement.2021.109399

2

The use of deep learning methods in diagnosing rotating machines operating in variable conditions / Paweł PAWLIK, Konrad Kania, Bartosz Przysucha // Energies [Dokument elektroniczny]. — Czasopismo elektroniczne ; ISSN 1996-1073. — 2021 vol. 14 iss. 14 art. no. 4231, s. 1-17. — Wymagania systemowe: Adobe Reader. — Bibliogr. s. 15-17, Abstr.. — Publikacja dostępna online od: 2021-07-13. — tekst: https://www.mdpi.com/1996-1073/14/14/4231/pdf
- słowa kluczowe
- DOI
keywords: neural networks, condition monitoring, deep learning, vibroacoustic diagnostics, gearbox, power transmission systems

cyfrowy identyfikator dokumentu: 10.3390/en14144231