Development of Turbocharger Speed Recognition Application
via Sound Classification using Neural Networks

Αρβανίτης, Λουκάς; Arvanitis, Loukas

dc.contributor.author	Αρβανίτης, Λουκάς	el
dc.contributor.author	Arvanitis, Loukas	en
dc.date.accessioned	2022-04-13T07:01:26Z
dc.date.available	2022-04-13T07:01:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55088
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22786
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Neural Networks	en
dc.subject	Sound	en
dc.subject	Ήχος	el
dc.subject	Turbocharger	en
dc.subject	Στροβιλοϋπερπληρωτής	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Machine Learning	en
dc.subject	Epochs	en
dc.subject	Εποχές	el
dc.title	Development of Turbocharger Speed Recognition Application via Sound Classification using Neural Networks	en
heal.type	bachelorThesis
heal.secondaryTitle	Ανάπτυξη Εφαρμογής Αναγνώρισης Στροφών Στροβιλοϋπερπληρωτή μέσω Κατηγοριοποίησης Ήχου με χρήση Νευρωνικών Δικτύων	el
heal.classification	Computer Programming	en
heal.classification	Machine Learning	en
heal.classification	Neural Networks	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-11-05
heal.abstract	This thesis investigates the implementation of an audio classification application with the use of neural networks to monitor the changes in the ICE’s turbocharger speed in the HIPPO-2 testbed in LME. Our study’s goal is to provide a monitoring system cheaper, but as robust as the traditional solutions applied in such cases without jeopardizing the structural integrity of the turbocharger. The web application created would be responsible for the detection of changes in the T/C speed, by analysing the sound produced by it. Two plots are presented, one depicting a visual implementation of the Fast Fourier Transformation and one presenting a Spectrogram, depicting the sound that the algorithm is trying to classify. Machine learning techniques were implemented in order to create a fast and efficient model, able to perform this tasks simply in a browser tab. For the creation of the model, Google’s Teachable Machine module was used. After taking recordings from different locations around the experimental facility, for five different torque demands, we created five different labels in the module, each representing the speeds that the T/C achieved. An estimation of the speeds, was provided by a thermodynamic model of the HIPPO-2 testbed in order to assist us in the classification process. Furthermore, we examined 4 different combinations of number of epochs and audio samples inputted at each category, as it was the only available option provided by the Teachable Machine module, in order to achieve the best performance possible. After the completion of training for each of the above mentioned cases, the model was inputted in our web application created for our research. Snapshots from the produced results are presented in order to help the reader get a better understanding on how the application works. A conclusion on which is the best performing model is presented, along with a few suggestions on how we could enhance the application features and ways to improve the dataset.	en
heal.abstract	Στην παρούσα διπλωματική εργασία διερευνήθηκε η ανάπτυξη μιας εφαρμογής Αναγνώρισης Ηχων, μέσω της χρήσης Νευρονικών Δικτύων, ώστε να ελέγχονται οι αλλαγές στις ταχύτητες που αναπτύσσει ο στροβιλοϋπερπληρωτής στην κλίνη δοκιμών HIPPO-2 του εργαστηρίου Ναυτικής Μηχανολογίας. Βασικός στόχος της έρευνας αποτελεί η εύρεση ενός εναλλακτικού συστήματος που είναι ταυτόχρονα οικονομικό αλλά και εξίσου αξιόπιστο με τα παραδοσιακά συστήματα παρακολούθησης, χωρίς να διακινδυνεύει η δομική ακεραιότητα του στροβιλοϋπερπληρωτή. Η διαδικτυακή εφαρμογή που δημιουργήθηκε, έχει ως στόχο την αναγνώριση των διαφορετικών στροφών που αναπτύσσονται στον στροβιλοϋπερπληρωτή, μέσω ανάλυσης των διαφορετικών παραγόμενων ήχων. Στην εφαρμογή συναντώνται δύο γραφήματα, ένα που παρουσιάζει τον Ταχύ Μετασχηματισμό Φουριέ και ένα Φασματογράφημα, του προς ανάλυση ηχητικού αποσπάσματος που προσπαθεί να αναγνωρίσει ο αλγόριθμος. Με χρήση τεχνικών Μηχανικής Μάθησης, πραγματοποείται μια προσπάθεια δημιουργίας ενός γρήγορου και αποτελεσματικού μοντέλου, ικανού να εκτελέσει όλες τις παραπάνω λειτουργίες μόλις σε ένα παράθυρο φυλομετρητή. Για την δημιουργία του μοντέλου χρησιμοποιήθηκε η εφαρμογή Teachable Machine της Google. Αφού πραγματοποιήθηκαν ηχογραφήσεις σε διάφορες θέσεις στην κλίνη δοκιμώντου εργαστηρίου, για τις πέντε διαφορετικές απαιτήσεις ροπής που τέθηκαν, δημιουργήθηκαν πέντε κατηγορίες εντός της εφαρμογής, μια για κάθε διαφορετική ταχύτητα στροφων στροβιλοϋπερπληρωτή που επιτεύχθηκε. Μια αρχική εκτίμηση των στροφών δόθηκε μέσω θερμοδυναμικού μοντέλου που εφαρμόστηκε στην πειραματική κλίνη, για να μας βοηθήσει να κατηγοριοποίησουμε τα διάφορα ηχητικά αποσπάσματα που προέκυπταν. Επιπρόσθετα, ελέχθηκαν τέσσερις διαφορετικοί συνδιασμοί αριθμού κύκλων εκπαίδευσης (εποχές ή epochs) και αριθμού ηχητικών αποσπασμάτων που τροφοδοτούνται σε κάθε κατηγορία, καθώς η πλατφόρμα της Google δεν παρείχε άλλες δυνατότηες παραμετροποίησης του παραγόμενου μοντέλου. Με την ολοκλήρωση της εκπαίδευσης της εκάστοτε κατηγορίας, τα εξαγόμενα μοντέλα εισήχθησαν στην διαδικτυακή εφαρμογή που δημιουργήθηκε στα πλαίσια της έρευνας. Εξήχθησαν στιγμιότυπα με τα παραγόμενα αποτελέσματα από τις διάφορες φάσεις εκτέλεσης για την καλύτερη κατανοήση της λειτουργίας της εφαρμογής από πλευράς αναγνώστη. Τέλός παρατέθηκαν συμπεράσματα ως προς την ακρίβεια των παραγόμενων μοντέλων, μαζί με μερικές προτάσεις για περαιτέρω βελτίωση της εφαρμογής και την δημιουργία καλύτερης βάσης δεδομένων.	el
heal.advisorName	Παπαλάμπρου, Γεώργιος	el
heal.advisorName	Papalamprou, Georgios	en
heal.committeeMemberName	Kaiktsis, Lambros	en
heal.committeeMemberName	Papadopoulos, Christos	en
heal.committeeMemberName	Καϊκτσής, Λάμπρος	el
heal.committeeMemberName	Παπαδόπουλος, Χρήστος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Ναυτικής Μηχανολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.	el
heal.fullTextAvailability	false