Ταξινόμηση βλαβών περιστρεφόμενων μηχανών με εφαρμογή μεθόδων επεξεργασίας εικόνας και μηχανικής μάθησης

Τσίνης, Ματθαίος; Tsinis, Matthaios

dc.contributor.author	Τσίνης, Ματθαίος	el
dc.contributor.author	Tsinis, Matthaios	en
dc.date.accessioned	2020-11-07T06:50:31Z
dc.date.available	2020-11-07T06:50:31Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51810
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19508
dc.rights	Default License
dc.subject	Διάγνωση βλαβών	el
dc.subject	Αναγνώριση εικόνας	el
dc.subject	Φασματική κύρτωση	el
dc.subject	Εδρανα	el
dc.subject	Σπηλαίωση	el
dc.subject	Condition monitoring	en
dc.subject	Machine learning	en
dc.subject	Bispectrum	en
dc.subject	Bearings	en
dc.subject	Cavitation	en
dc.title	Ταξινόμηση βλαβών περιστρεφόμενων μηχανών με εφαρμογή μεθόδων επεξεργασίας εικόνας και μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Δυναμική Μηχανών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-28
heal.abstract	Στόχος της παρούσας μελέτης είναι διάγνωση και ταξινόμηση μηχανολογικών βλαβών με επεξεργασίας και αναγνώριση εικόνας, μέσω χρήση τεχνικών μηχανικής μάθησης. Στην εργασία αυτή θα μελετήσουμε 4 σειρές σημάτων, οι οποίες παρακολουθούν: (i) την εξέλιξη απο φυσιολογική λειτουργία μηχανής σε φθορά εσωτερικού δακτυλίου ένσφαιρου εδράνου, (ii) την εξέλιξη απο φυσιολογική λειτουργία μηχανής σε φθορά εξωτερικού δακτυλίου ένσφαιρου εδράνου,(iii) την εξέλιξη απο φυσιολογική λειτουργία αντλίας στην εμφάνιση σπηλαίωσης. Τα βήματα που ακολουθούνται έχουν ως σκοπό την δημιουργία ενός μοντέλου, ικανού να κατατάξει την κατάσταση μιας μηχανής σε φυσιολογική ή μη φυσιολογική. Για τον σκοπό αυτό, τα σήματα που λαμβάνουμε από τους κραδασμούς τον μηχανών επεξεργάζονται και φιλτράρονται, ώστε να απομονωθεί η περιοχή που εμφανίζεται η μέγιστη φασματική κύρτωση. Στη συνέχεια αποδιαμορφώνουμε το φιλτραρισμένο σήμα και εφαρμόζοντας στατιστική φασματική ανάλυση τρίτης τάξεις (μέθοδος Bispectrum), εξάγουμε τις απεικονίσεις, στις οποίες θα εφαρμόσουμε τις τεχνικές αναγνώρισης εικόνας. Από τις προκύπτουσες εικόνες (bispectrum) εξάγουμε 3 χαρακτηρστικά: (i) χαρακτηριστικά από την μέθοδο SURF (Speeded-up Robust Features), (ii) αποχρώσεις στην κλίμακα του γκρι και (iii) καμπυλότητα (circularity) των bispectrum. Τα διανύσματα των ενδιαφέροντων σημείων, που εξάγονται από την μέθοδο SURF, ομαδοποιούνται σε κέντρα φυσιολογικής και μη φυσιολογικής λειτουργίας με την μέθοδο K-means. Για κάθε εικόνα εκπαίδευσης υπολογίζεται το άθροισμα των SURF διανυσμάτων που ανήκουν σε φυσιολογικά και μη φυσιολογικά κέντρα και προκύπτει το χαρακτηριστικό (i) ώς η διαφορά αυτών. Τα χαρακτηριστικά αυτά χρησιμοποιούνται για την εκπαίδευση μοντέλου ταξινόμηση μέσω μηχανών διανυσματικής υποστήριξης (SVM).	el
heal.abstract	The aim of this thesis is the diagnosis and classification of mechanical faults with image processing and recognition, through machine learning techniques. In this paper we will study 4 series of signals that follows: (i) the evolution from normal machine operation to the appearance of fault of bearing’s inner race, (ii) the evolution from normal machine operation to the appearance of fault of bearing’s outer race and (iii) the evolution from normal pump operation to the appearance of cavitaion. The steps that are followed has as main aim the creation of a model, capable of classifying the condition of a machine to normal or abnormal. For that purpose, the signals we get from the vibrations of the machines are processed and filtered, in order to isolate the frequency area with maximum spectral kurtosis. Subsequently we decompose the filtered signal and we apply 3rd order spectral statical analysis (Bispectrum method), extracting the images, in which we will apply the image recognition techniques From the resulting images (biscpectrum) we extract 3 features: (i) features from SURF method, (ii) gray-scale shades, (iii) circularity of bispectrum. The vectors of interesting points extracted from SURF are classified in centers of normal and abnormal operation through K-means method. For every training image, we calculate the sum of SURF vectors that belong to normal and abnormal center and after the substraction of the 2 sums we get the feature (i). The 3 features are used to train a predictive model through support vector machines (SVM).	en
heal.advisorName	Αντωνιάδης, Ιωάννης	el
heal.committeeMemberName	Αντωνιάδης, Ιωάννης	el
heal.committeeMemberName	Σπιτάς, Βασίλειος	el
heal.committeeMemberName	Προβατίδης, Χριστόφορος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου	el
heal.academicPublisherID	ntua
heal.numberOfPages	128 σ.	el
heal.fullTextAvailability	false