hrvatski

Model rane procjene kvarova rotacijske opreme primjenom dubokog strojnog učenja

Trend razvoja industrije prema konceptu 4.0 u području održavanja promovira ideju donošenja odluka o aktivnostima održavanja temeljenih na analitici velike količine podataka. Tradicionalni algoritmi strojnog učenja omogućavaju opisivanje i otkrivanje složenih odnosa unutar velike količine podataka, no pritom zahtijevaju ekspertno znanje iz domene problema tijekom obrade i analize ulaznih signala s ciljem određivanja relevantnih značajki na temelju kojih bi se s dovoljnom točnošću opisala zakonitost izlaznog signala. U okviru ove disertacije, a imajući u vidu trenutno stanje i trendove u području održavanja u industriji, istražena je mogućnost računalnog generiranja značajki ulaznih vibracijskih signala u cilju rane procjene nastanka i klasifikacije kvarova rotacijske opreme uslijed različitih tipova vibracijskih opterećenja. Pripremljen je i opisan eksperimentalni postav te kreiran i proveden eksperiment na temelju plana. Simulirano je osam različitih stanja opreme te su prikupljeni podaci za dvije različite brzine vrtnje. Modeliranje je provedeno primjenom algoritama dubokog strojnog učenja s ciljem točne klasifikacije tipa kvara, a na temelju automatski generiranih značajki vibracijskog signala. Tijekom procesa modeliranja, optimizirani su hiperparametri modela primjenom Bayesove optimizacije. Konačni rezultati dokazuju mogućnost primjene dubokih struktura neuronskih mreža za automatsko generiranje značajki ulaznog signala i klasifikaciju stanja opreme.

održavanje po stanju, automatizirani nadzor, vibracijska analiza, rotacijska oprema, duboko strojno učenje, konvolucijske neuronske mreže, klasifikacija stanja

nije evidentirano