Primjena strojnog učenja u održavanju

Doko, Marin (2018) Primjena strojnog učenja u održavanju. = Application of machine learning methods in maintenance. Master's thesis (Bologna) , Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje, UNSPECIFIED. Mentor: Lisjak, Dragutin.

[img]
Preview
Text
Doko_2018_diplomski.pdf - Published Version Jezik dokumenta:Croatian

Download (2MB) | Preview
[img] Text
Doko_Marin_autorska_izjava_diplomski_2018.pdf - Published Version
Restricted to Repository staff only Jezik dokumenta:Croatian

Download (517kB)

Abstract (Croatian)

Inteligentni sustavi rane dijagnostike kvarova unutar sustava održavanja strojne opreme sve više zamjenjuju konvencionalne metode dijagnostike koje uvelike ovise o ljudskom faktoru. Primjenom algoritama strojnog učenja unutar strategije prediktivnog održavanja povećava se efikasnost sustava, kvaliteta proizvoda i usluge te se smanjuje vrijeme zastoja rada. U ovom radu primijenjen je algoritam konvolucijskih neuronskih mreža za analizu vibracijskih signala prikupljenih sa senzora na eksperimentalnom postavu rotacijske opreme. Vibracijski signal ulazi u neuronsku mrežu bez prethodnih operacija ručnih izvlačenja značajki te kroz višeslojnu strukturu mreže prolazi kroz niz operacija kojima se značajke signala automatski uče, izlučuju i grupiraju. Točnost klasifikacije ovakvog algoritma iznosi oko 99.6% i time pokazuje potencijal unutar dijagnostike kvarova strojne opreme i nameće se kao centar daljnjeg istraživanja.

Abstract

Intelligent fault diagnosis systems are replacing conventional diagnostic methods which are dependent on commonly unreliable human factor. System efficiency, products and services quality can all be increased by applying machine learning algorithms in predictive maintenance strategy and, in the same time, machine downtime can be minimized. In this thesis, Convolutional neural networks are applied for analysis of vibration signals, which are measured from experimental setup of rotational equipment. Vibration signal is imported in CNN without manual extraction of features and passed through multi-layer architecture where the features are automatically learned, extracted and grouped. Classification accuracy of this proposed algorithm is 99.6%, so it shows large potential for appliance in fault diagnostics and prediction field and it is becoming central part of further investigations.

Item Type: Thesis (Master's thesis (Bologna))
Uncontrolled Keywords: Prediktivno održavanje;strojno učenje;Internet stvari; konvolucijske neuronske mreže;vibracije
Keywords (Croatian): Predictive maintanance;machine learning;Internet of things; convolutional neural networks;vibrations
Subjects: TECHNICAL SCIENCE > Mechanical Engineering
Divisions: 700 Department of Industrial Engineering > 720 Chair of Production Control
Date Deposited: 19 Jul 2018 09:42
Last Modified: 23 Jul 2018 08:57
URI: http://repozitorij.fsb.hr/id/eprint/8678

Actions (login required)

View Item View Item

Downloads

Downloads per month over past year

Nema podataka za dohvacanje citata