Εξαγωγή χαρακτηριστικών δυναμικής απόκρισης στρεφόμενων μηχανών με δομές κυματιδίων Morlet

Διαμαντόγιαννη, Γεωργία; Diamantogianni, Georgia

dc.contributor.author	Διαμαντόγιαννη, Γεωργία	el
dc.contributor.author	Diamantogianni, Georgia	en
dc.date.accessioned	2017-03-03T13:57:15Z
dc.date.available	2017-03-03T13:57:15Z
dc.date.issued	2017-03-03
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44500
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13944
dc.rights	Default License
dc.subject	Mean singular value	en
dc.subject	Μορφολογικός τελεστής Beucher	el
dc.subject	Morlet	en
dc.subject	Wavelets	en
dc.subject	Beucher gradient	en
dc.subject	Κυματίδια	el
dc.subject	Μορφολογική ανάλυση	el
dc.subject	Morfological analysis	en
dc.title	Εξαγωγή χαρακτηριστικών δυναμικής απόκρισης στρεφόμενων μηχανών με δομές κυματιδίων Morlet	el
heal.type	bachelorThesis
heal.secondaryTitle	Feature extraction from the vibration response of rotating equipment using morlet wavelets	en
heal.classification	Μηχανική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-10-24
heal.abstract	Οι βλάβες των ρουλεμάν σε περιστρεφόμενες μηχανές μπορούν να προκαλέσουν βλάβη της μηχανής και οικονομική απώλεια εάν δεν γίνουν έγκαιρα αποτελεσματικές ενέργειες.Ως εκ τούτου, είναι πρωταρχικής σημασίας να ανιχνευτεί με ακρίβεια η παρουσία βλάβης και ιδιαίτερα στα πρώτα στάδιά της με σκοπό την πρόληψη ακόλουθων ζημιών και τη μείωση του κόστους διακοπής της λειτουργίας της μηχανής.Η διάγνωση βλαβών των μηχανών ακολουθεί μια διαδικασία απόκτησης δεδομένων,εξαγωγής χαρακτηριστικών και λήψης διαγνωστκών αποφάσεων.Στη διαδικασία λήψης των αποφάσεων αυτών ,η εξαγωγή χαρακτηριστικών βλάβης σε κραδασμικά σήματα είναι το θεμέλιο και το κλειδί για την απόκτηση ακριβούς διαγνωστικού αποτελέσματος.Κρίσιμο λοιπόν ζήτημα είναι η επιλογή των πιο ευαίσθητων χαρακτηριστικών για διάφορα είδη βλαβών ειδικά όταν αυτά τα χαρακτηριστικά είναι δύσκολο να εξαχθούν.Λόγω περιττών στον αρχικό χώρο χαρακτηριστικών ,η χρησιμοποίηση όλων αυτών μπορεί να οδηγήσει σε υψηλή πολυπλοκότητα και χαμηλή επίδοση των διαγνώσεων βλαβών.Έτσι έχει αναπτυχθεί μια πληθώρα πολύπλοκων μεθόδων διάγνωσης σφαλμάτων που βασίζονται σε δεδομένα και τροφοδοτούνται από εξαγώμενα χαρακτηριστικά,τα οποία εξάγoνται και μειώνονται μέσω παραδοσιακών και μοντέρνων αλγόριθμων.Όμως είναι καλύτερο να εξαχθούν και να επιλεγούν μόνο τα πιο αντιπροσωπευτικά χαρακτηριστικά και όχι να γίνει απλώς μια μείωση του αριθμού τους. Στην παρούσα εργασία παρουσιάζεται ένα μοντέλο εξαγωγής ενός βέλτιστου χαρακτηριστικού, του μέσου όρου ιδιόμορφων τιμών (Mean Singular Value),το οποίο είναι σε θέση να ξεπεράσει τις επιπτώσεις του θορύβου και των συνθηκών διασποράς σε σήματα δειγματοληψίας και έτσι να βελτιώσει την ακρίβεια των διαγνώσεων βλάβης και των καινοτόμων μεθόδων ανίχνευσης.Τα βέλτιστα χαρακτηριστικά Mean Singular Values εξάγωνται από το σήμα μέσω των μιγαδικών μετατοπιζόμενων κυματιδίων Morlet (Complex Shifted Morlet Wavelets).Πριν από την εφαρμογή των κυματιδίων τα σήματα αυτά έχουν αναλυθεί μορφολογικά με τη χρήση του μορφολογικού τελεστή Beucher.Tα εξαγώμενα Mean Singular Values για κάθε σήμα και για κάθε χαρακτηριστική συχνότητα βλάβης ,αυτά χρησιμοποιούνται σαν εισάγωγη στον αλγόριθμο Gaussian Mixture Models για την εκπαιδευσή του (training) και τη διαδικασία της επαληθευσής του (testing).Για να εξεταστεί η αποτελεσματικότητα αυτών των χαρακτηριστικών χρησιμοποίηθηκαν 8 σετ σημάτων ,6 από μια μηχανή , με διαφορετική βλάβη το κάθε σετ και ανά δύο κάτω από διαφορετικές συνθήκες λειτουργίας που είναι διαθέσιμα στο IEEE PH Prognosticchallenge(http://www.femost.fr/en/Researchdepartments/AS2M/Reasechgroops/PHM/Pronostia) .Tα υπόλοιπα 2 σετ από μια μηχανή κάτω από τις ίδιες συνθήκες λειτουργίας αλλά με διαφορετικά είδη βλάβών,τα οποία είναι διαθέσιμα στο Prognostics Center Excellence (https://ti.arc.nasa.gov/project/prognostic-data-repository/) Ακόμη από αυτά τα σήματα έγινε εξαγωγή των χρονικών δεικτών kurtosis, root mean square (rms),Impulse Factor, Shape Factor, Skeweness, Crest Factor, the root-sum-of-squares (RSS) level, standard deviasion,25th percentile και variance με τη χρησιμοποίηση κυρτωγράμματος αλλά και χωρίς και τα οποία χρησιμοποιήθηκαν και αυτά σαν εισαγωγή στον GMM .Αυτό έγινε με σκοπό να συγκριθεί η απόδοση της μεθόδου ανίχνευσης βλάβης με αυτά τα δύο χαρακτηριστικά με τα προτεινόμενα χαρακτηριστικά. Το αποτέλεσμα μας δείχνει ότι η προτεινόμενη μέθοδος εξαγωγής χαρακτηριστικών βελτιώνει την απόδοση της μεθόδου ανίχνευσης βλαβών ,ανιχνεύοντας μάλιστα τη βλάβη σε αρχικά στάδια και μας δίνει ακόμη τη δυνατότητα ταξινόμησης της βλάβης ,σε σχέση με τις δύο μεθόδους εξαγωγής χρονικών δεικτών.	el
heal.abstract	Bearing failures in rotating machinery can cause machine breakdown and economical loss, if no effective actions are taken on time. Therefore, it is of prime importance to detect accurately the presence of faults, especially at their early stage, to prevent sequent damage ahnd reduce costly downtime. The machinery fault diagnosis follows a roadmap of data acquisition, feature extraction and diagnostic decision making, in which mechanical vibration fault feature extraction is the foundation and the key to obtain an accurate diagnostic result. So a critical issue is the selection of the most sensitive features for various types of fault, especially when the characteristics of failures are difficult to be extracted. Due to redundant features in the original feature space, employing all features might lead to high complexity and low performance of fault diagnosis. Thus, a plethora of complex fault diagnosis methods are fed by prominent features, which are extracted and reduced through traditional or modern algorithms. But, it is better to extract or select only the most representative features rather than simply reducing the number of the features. In this study, a new enhanced feature extraction scheme is introduced, the Mean Singular Value, to improve the robustness and the accuracy of fault diagnostics and novelty detection methods .The optimal features Mean Singular Values are extracted ftom the signal through Complex shifted morlet wavelets.Before the extraction,the signals have been morphological operated by the Beucher gradient.The extracted Mean Singular Values from every signal and every theoretical fault frequency are used as an input in the Gaussian Mixture Models algorithm ,for his training and testing procedure.In order to test this method’s accurancy ,8 sets of signals are used.The 6 sets are from the same rotating machinery ,by two in different operating conditions and each with a different bearing fault,which are available in IEEE PHPrognosticchallenge(http://www.femost.fr/en/Researchdepartments/AS2M/Reasechgroops/PHM/Pronostia) .Τhe rest two sets from a different rotating machinery with the same operating conditions but with different bearing faults.This data sets are available in Prognostics Center Excellence (https://ti.arc.nasa.gov/project/prognostic-data-repository/). Moreover, from these sets the time indices kurtosis, root mean square (rms),Impulse Factor, Shape Factor, Skeweness, Crest Factor, the root-sum-of-squares (RSS) level, standard deviasion,25th percentile and variance were extracted through kurtogramm and without it and these feauture were used as inputs in GMM algorithm.This procedure wa done in order to compare the performance of the fault detection method with theses two features with the proposed features. The result shows that the proposed feature extraction method enhances the fault detection method ,in fact detecting the failure in the initial stages and even gives the possibility of classifying the fault in relation to both methods extraction time indices.	en
heal.advisorName	Αντωνιάδης, Ιωάννης	el
heal.committeeMemberName	Σπιτάς, Βασίλειος	el
heal.committeeMemberName	Προβατίδης, Χριστόφορος	el
heal.committeeMemberName	Αντωνιάδης, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου. Εργαστήριο Δυναμικής και Κατασκευών	el
heal.academicPublisherID	ntua
heal.numberOfPages	159 σ.
heal.fullTextAvailability	true