Ανάπτυξη μοντέλου εκτίμησης υπολειπόμενης ωφέλιμης διάρκειας ζωής εδράνων κύλισης

Χριστοφορίδης, Λάζαρος; Christoforidis, Lazaros

dc.contributor.author	Χριστοφορίδης, Λάζαρος	el
dc.contributor.author	Christoforidis, Lazaros	en
dc.date.accessioned	2024-02-13T10:11:46Z
dc.date.available	2024-02-13T10:11:46Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58880
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26576
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	LSTM	en
dc.subject	Έδρανα Κύλισης	el
dc.subject	Υπολειπόμενη ωφέλιμη διάρκεια ζωής	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Ανίχνευση βλάβης	el
dc.subject	Remaining Useful Life	en
dc.subject	Fault Detection	en
dc.subject	Machine Learning	en
dc.title	Ανάπτυξη μοντέλου εκτίμησης υπολειπόμενης ωφέλιμης διάρκειας ζωής εδράνων κύλισης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Προγνωστική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-18
heal.abstract	Η ασφαλής λειτουργία των περιστρεφόμενων μηχανών, συνδέεται άμεσα με την ασφαλή λειτουργία των εδράνων κύλισης, το οποίο είναι το κύριο μηχανολογικό εξάρτημα και πρωταρχικό αίτιο αστοχίας των περιστρεφόμενων μηχανών. Σκοπός της εργασία αυτής, είναι η εκτίμηση της υπολειπόμενης ωφέλιμης διάρκειας ζωής (remaining useful life) των εδράνων κύλισης από μοντέλα τεχνητής νοημοσύνης, βασισμένα σε πειραματικά δεδομένα (Data Driven Model). Οι μετρήσεις που χρησιμοποιήθηκαν για την ανάλυση προέρχονται από ένα πείραμα που διεξήχθη στο Πανεπιστήμιο του Σινσινάτι, όπου επιταχυνσιόμετρα καταγράφουν κραδασμούς των εδράνων κύλισης, μέχρι την τελική τους αστοχία. Αρχικά, γίνεται αποθορυβοποίηση των μετρήσεων, με την μέθοδο αποσύνθεσης Wavelet, και από το πλέον επεξεργασμένο σήμα, εξάγονται χαρακτηριστικά του σήματος από το το πεδίο του χρόνου και συχνοτήτων. Η τελική επιλογή των κατάλληλων χαρακτηριστικών, που έχουν άμεση συσχέτιση με το RUL, γίνεται χρησιμοποιώντας τα στατιστικά τεστ F-test και MI-test. Στην συνέχεια, αναπτύσσεται μοντέλο απλού νευρωνικού δικτύου, για την ανίχνευση της κατάστασης του έδρανου κύλισης όπου και γίνεται βελτιστοποίηση στην αρχιτεκτονική του. Έπειτα, αναπτύσσονται και βελτιστοποιούνται τρία μοντέλα νευρωνικών δικτύων με νευρώνες LSTM, για την εκτίμηση του RUL για τις τρεις κύριες βλάβες του έδρανου κύλισης. Το μοντέλο ανίχνευσης βλάβης παρουσιάζει ακρίβεια 99.1%, ενώ το μοντέλο εκτίμησης του υπολοιπόμενου ωφέλιμου χρόνου ζωής παρουσιάζει ακρίβεια σφάλματος εντός του διανύσματος [-6%,+9%] του συνολικού χρόνου αστοχίας. Η ανάπτυξη του μοντέλου εκτίμησης του RUL, είναι σημαντική για την ασφάλεια των συστημάτων, αλλά επιπλέον μπορεί μελλοντικά να βοηθήσει στην ανάπτυξη συστημάτων προληπτικής συντήρησης, με σκοπό τη μείωση των εξόδων συντήρησης.	el
heal.abstract	The safe operation of rotating machinery is directly related to the safe operation of bearings, which are the main mechanical component and primary cause of failure in rotating machinery. The purpose of this work is to estimate the remaining useful life (RUL) of bearings using artificial intelligence models based on experimental data (Data Driven Model). The measurements used for the analysis originate from an experiment conducted at the University of Cincinnati, where accelerometers record vibrations of the bearings until their final failure. Initially, the measurements are denoised using the Wavelet decomposition method, and from the processed signal, time and frequency domain features are extracted. The final selection of relevant features that have a direct correlation with the RUL is made using statistical tests such as the F-test and MI-test. Subsequently, a simple neural network model is developed to detect the condition of the bearings, and its architecture is optimized. Then, three Long Short-Term Memory (LSTM) neural network models are developed and optimized for RUL estimation for the three main bearing faults. The fault detection model achieves an accuracy of 99.1%$, while the RUL estimation model has an error accuracy within the range of [-6%, +9%] of the total failure time. The development of a model that estimates the RUL is significant for system safety and can also assist in the development of predictive maintenance systems, aiming to reduce maintenance costs in the future.	en
heal.advisorName	Μπενάρδος, Πανώριος	el
heal.committeeMemberName	Βοσνιάκος, Γεώργιος - Χριστόφορος	el
heal.committeeMemberName	Χασαλεύρης, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Τεχνολογίας των Κατεργασιών	el
heal.academicPublisherID	ntua
heal.numberOfPages	93 σ.	el
heal.fullTextAvailability	false