Experimental determination of journal bearing condition with a machine learning technique

Moschopoulos, Marios; Μοσχόπουλος. Μάριος

dc.contributor.author	Moschopoulos, Marios
dc.contributor.author	Μοσχόπουλος. Μάριος	el
dc.date.accessioned	2019-11-25T11:37:53Z
dc.date.available	2019-11-25T11:37:53Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49460
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17158
dc.rights	Default License
dc.subject	Journal bearings	en
dc.subject	Loading condition	en
dc.subject	Vibration measurements / Analysis	en
dc.subject	Octave bands	en
dc.subject	Python	en
dc.subject	Machine learning	en
dc.subject	Ακτινικά έδρανα ολίσθησης	el
dc.subject	Κατάσταση φόρτισης	el
dc.subject	Μετρήσεις / Ανάλυση ταλαντώσεων	el
dc.subject	Μηχανική μάθηση	el
dc.title	Experimental determination of journal bearing condition with a machine learning technique	en
dc.title	Πειραματικός προσδιορισμός φορτίου ακτινικού εδράνου με αλγορίθμους μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Marine engineering	en
heal.classification	Journal bearings	el
heal.classification	Machine learning	el
heal.classification	Condition monitoring	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-09-15
heal.abstract	Journal and thrust bearings utilize hydrodynamic lubrication to reduce the friction and wear between the shaft and the bearing. The thin lubricant film that is created prevents the contact of the two surfaces and is greatly affected by the load applied from the shaft to the bearing. As a result, knowing the lubrication film thickness or the load is vital for securing the bearings’ proper function and maintenance. The experimental setup used for this project is the Rotor Kit 4 (RK4) of Bently Nevada USA and the measurements were performed in the Laboratory of Marine Engineering (L.M.E.) of the School of Naval Architecture and Marine Engineering of NTUA. The setup includes an electric motor, a speed control box, a journal bearing, a shaft and two rotor mass wheels. The data acquisition was controlled and managed in LabVIEW software. The goal of this project is to investigate ways to determine the loading of a journal bearing without interfering with the bearings design. Then, develop a methodology that will eventually be integrated into an existing software tool and used to avoid dangerous bearing loading conditions. The efforts are focused on introducing a new methodology that will simplify the procedure mentioned but will have a scientific background strong enough to generalize in all types of journal bearings. The processing of the vibration and acoustic pressure signals leads to the selection and development of an Octave Band analysis technique. The results are then transferred to the feature space of the machine learning modules of Python and fed to several machine learning algorithms for training and testing. Different sets of training and testing data are chosen in each of the case studies in order to define the features’ utility. The method used is validated by applying it to a signal from an identical journal bearing. The results turn out to be very accurate, strengthening the methods credibility. The optimization of the algorithms is performed using cross validation tools available in Python. Finally, the algorithms developed are trained with data acquired from one journal bearing and tested with data from an identical one in order to examine the generalization potential of the technique.	en
heal.abstract	Στα ακτινικά και στα ωστικά έδρανα ολίσθησης χρησιμοποιείται η υδροδυναμική λίπανση για να μειωθεί η τριβή και η φθορά μεταξύ του άξονα και του εδράνου. Το λεπτό φιλμ λιπαντικού που δημιουργείται αποτρέπει την επαφή των δύο επιφανειών και το πάχος του εξαρτάται από το φορτίο που ασκεί ο άξονας στο έδρανο. Ως εκ τούτου, είναι σημαντική η γνώση είτε του πάχους του λεπτού αυτού φιλμ είτε του φορτίου ώστε να εξασφαλιστεί η σωστή λειτουργία και συντήρηση του εδράνου. Η πειραματική διάταξη που χρησιμοποιήθηκε είναι το Rotor Kit 4 (RK4) της Bently Nevada USA και οι μετρήσεις πραγματοποιήθηκαν στο Εργαστήριο Ναυτικής Μηχανολογίας της Σχολής Ναυπηγών Μηχανολόγων Μηχανικών του Εθνικού Μετσόβιου Πολυτεχνείου. Στην πειραματική διάταξη συμπεριλαμβάνονται μεταξύ άλλων ένας ηλεκτροκινητήρας, μία μονάδα ελέγχου της ταχύτητας περιστροφής του κινητήρα, ένα ακτινικό έδρανο ολίσθησης, ένας άξονας και δύο κυλινδρικές μάζες για τον άξονα. Η δειγματοληψία έγινε με χρήση του πακέτου LabVIEW. Σκοπός της εργασίας αυτής είναι η εύρεση ενός τρόπου καθορισμού του φορτίου που φέρει ένα ακτινικό έδρανο ολισθήσεως χωρις την επέμβαση στην σχεδίαση του σχεδίου του εδράνου. Εν συνεχεία, η ανάπτυξη μιας μεθοδολογίας που να μπορεί εν τέλη να ενσωματωθεί σε ένα υπολογιστικό εργαλείο το οποίο θα χρησιμοποιείται για την αποφυγή επικίνδυνων καταστάσεων φόρτισης των εδράνων. Οι προσπάθειες εστιάζονται στην δημιουργία μιας νέας μεθοδολογίας που να απλοποιεί την διαδικασία υπολογισμού του φορτίου αλλά θα έχει ισχυρή επιστημονική βάση ώστε να μπορεί να χρησιμοποιηθεί σε διαφόρων τύπων ακτινικά έδρανα. Η επεξεργασία των σημάτων ταλαντώσεων και ακουστικής πίεσης οδήγησε στην επιλογή και ανάπτυξη μιας τεχνικής βασισμένης στην Οκταβική ανάλυση. Τα αποτελέσματα μεταφέρονται στο πεδίο των χαρακτηριστικών (feature space) των βιβλιοθηκών μηχανικής μάθησης της Python και τροφοδοτούνται σε διάφορους αλγορίθμους μηχανικής μάθησης, οι οποίοι εκπαιδεύονται και αξιολογούνται. Για επαλήθευση, η μέθοδος χρησιμοποιείται σε ένα σήμα που παράχθηκε από ένα πανομοιότυπο έδρανο. Τα αποτελέσματα είναι αρκετά ακριβή, ενισχύοντας την αξιοπιστία της μεθόδου. Η βελτιστοποίηση των αλγορίθμων γίνεται με χρήση εργαλείων της Python. Τέλος, οι αλγόριθμοι που επιλέχθηκαν εκπαιδεύονται με το σήμα που προέρχεται από ένα έδρανο και αξιολογούνται με το σήμα που προέρχεται από ένα πανομοιότυπο έτσι ώστε να ελεγχθεί η δυνατότητα γενίκευσης της τεχνικής αυτής.	el
heal.advisorName	Christos, Papadopoulos
heal.committeeMemberName	Christos, Papadopoulos
heal.committeeMemberName	Georgios, Papalamprou
heal.committeeMemberName	Lampros, Kaiktsis
heal.academicPublisher	Πειραματικός προσδιορισμός φορτίου ακτινικού εδράνου με αλγορίθμους μηχανικής μάθησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.
heal.fullTextAvailability	false