Diagnostika poruch na experimentálním pneumatickém zařízení "PneuStand"
Loading...
Date
Authors
Dvořák, Jan
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Diplomová práce se zabývá prediktivní údržbou technických zařízení, která je v kontextu Průmyslu 4.0 stále důležitější pro minimalizaci prostojů a zvýšení provozní efektivity. Hlavním cílem práce je návrh a vyhodnocení metod pro klasifikaci poruch na experimentálním pneumatickém zařízení PneuStand pomocí algoritmů strojového učení, a to při využití kombinace reálně naměřených a synteticky generovaných dat. K tomuto účelu byl vytvořen fyzikálně založený simulační model zařízení v prostředí Simulink, který umožňuje generovat provozní a poruchové stavy. Výsledná datová sada byla použita pro trénink a testování několika klasifikačních modelů: od modelů založených na ručně extrahovaných příznacích, přes konvoluční neuronové sítě (2DCNN), až po rekurentní architektury (LSTM a 1DCNN-LSTM). Nejvyšší přesnosti dosáhly modely 2DCNN, které překonaly 99% testovací úspěšnosti. Naopak, LSTM se ukázaly jako méně vhodné z hlediska přesnosti i výpočetní náročnosti. Výsledky ukazují, že kombinace digitálního dvojčete a umělé inteligence může být účinným nástrojem pro implementaci prediktivní údržby, a současně poukazují na nutnost kvalitních dat a důsledného nastavení parametrů modelu.
This thesis addresses predictive maintenance of technical equipment, which is becoming increasingly important in the context of Industry 4.0 for minimizing downtime and improving operational efficiency. The main objective is to design and evaluate methods for fault classification on the experimental pneumatic system PneuStand using machine learning algorithms, based on a combination of real–world and synthetically generated data. To achieve this, a physics–based simulation model of the system was developed in Simulink, capable of replicating both normal operation and various fault conditions. The resulting dataset was used to train and test several classification models, including manually engineered feature–based models, convolutional neural networks (2DCNN), and recurrent architectures (LSTM and 1DCNN–LSTM). The best performance was achieved by 2DCNN models, reaching over 99% test accuracy. In contrast, LSTM models proved less suitable in terms of both accuracy and computational demands. The results demonstrate that combining a digital twin with artificial intelligence offers an effective approach to implementing predictive maintenance, while also highlighting the importance of high–quality data and careful parameter tuning.
This thesis addresses predictive maintenance of technical equipment, which is becoming increasingly important in the context of Industry 4.0 for minimizing downtime and improving operational efficiency. The main objective is to design and evaluate methods for fault classification on the experimental pneumatic system PneuStand using machine learning algorithms, based on a combination of real–world and synthetically generated data. To achieve this, a physics–based simulation model of the system was developed in Simulink, capable of replicating both normal operation and various fault conditions. The resulting dataset was used to train and test several classification models, including manually engineered feature–based models, convolutional neural networks (2DCNN), and recurrent architectures (LSTM and 1DCNN–LSTM). The best performance was achieved by 2DCNN models, reaching over 99% test accuracy. In contrast, LSTM models proved less suitable in terms of both accuracy and computational demands. The results demonstrate that combining a digital twin with artificial intelligence offers an effective approach to implementing predictive maintenance, while also highlighting the importance of high–quality data and careful parameter tuning.
Description
Keywords
prediktivní údržba, digitální dvojče, klasifikace poruch, diagnostika, strojové učení, neuronové sítě, LSTM, CNN, autoenkodér, Matlab, Simulink, syntetická data, pneumatické zařízení, příznaky, predictive maintenance, digital twin, fault classification, diagnostics, machine learning, neural networks, LSTM, CNN, autoencoder, Matlab, Simulink, synthetic data, pneumatic system, features
Citation
DVOŘÁK, J. Diagnostika poruch na experimentálním pneumatickém zařízení "PneuStand" [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2025.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
RNDr. Vladimír Opluštil (předseda)
doc. Ing. Robert Grepl, Ph.D. (místopředseda)
doc. Ing. Jiří Krejsa, Ph.D. (člen)
doc. Ing. Radoslav Cipín, Ph.D. (člen)
Ing. Dalibor Červinka, Ph.D. (člen)
Ing. Michal Bastl, Ph.D. (člen)
Ing. Peter Zavadinka, Ph.D. (člen)
Ing. Roman Adámek, Ph.D. (člen)
Date of acceptance
2025-06-10
Defence
Při obhajobě student nejprve prezentoval svoji diplomovou práci, následně byly přečteny posudky a student odpovídal na dotazy oponenta. Poté byly členy komise položeny následující otázky:
Vysvětlete prvky na schématu 5.2. Jaký typ průtokoměru jste použil? Zohledňovali jste tření v modelu? V jakých tlacích jste se pohyboval?
Obhajoba byla komisí hodnocena jako dobrá.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení