Implementace a praktické ověření metod pro prediktivní identifikaci poruch valivých ložisek

Simple item page
but.committeedoc. Ing. Jan Mikulka, Ph.D. (předseda) doc. Ing. Petr Blaha, Ph.D. (místopředseda) doc. Ing. Jakub Arm, Ph.D. (člen) doc. Ing. Petr Fiedler, Ph.D. (člen) Ing. Peter Honec, Ph.D. (člen) Ing. Stanislav Klusáček, Ph.D. (člen)cs
but.defenceStudent obhajoval práci na téma "Implementace a praktické ověření metod pro prediktivní identifikaci poruch valivých ložisek". Po prezentaci a přečtení posudků odpověděl na otázky nepřítomného oponenta, a následně v odborné rozpravě odpověděl na doplňující otázky: - Proč jste zvolil snímací okno o délce 100ms, a kolik toto okno reprezentuje otáček? - Zabýval jste se i zjištěním frekcení blízkých frekcenci otáčení pro zjištění ovality? - Dokáže Vaše metoda rozlišit vibrace od ložisek od ostatních vybrací v systému? - Jakými metodami jste optimalizoval algoritmy strojového učení ve vašich klasifikátorech? Student obhájil diplomovou práci. Komise neměla žádné námitky k řešené práci, naopak ocenila mimořádný rozsah a kvalitu zpracování práce, a dále její mimořádný aplikační potenciál.cs
but.jazykčeština (Czech)
but.programKybernetika, automatizace a měřenícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorKlusáček, Stanislavcs
dc.contributor.authorBár, Martincs
dc.contributor.refereeHavránek, Zdeněkcs
dc.date.created2022cs
dc.description.abstractCílem diplomové práce je identifikovat a klasifikovat poruchy valivých ložisek. První část práce se zabývá diagnostikou ložisek s využitím vlastních naměřených dat. Byla poškozena dvě ložiska. První bylo poškozeno deformací a korozí. U druhého ložiska bylo uměle vytvořeno poškození vnější dráhy. Vibrace z běhu ložisek byly periodicky sbírány a poté zpracovány v MATLABu. Hodnoty statistických indikátorů naznačovaly poškození u obou ložisek. Obálková analýza odhalila u obou ložisek vývoj závady na vnějším kroužku a také postupný vývoj závady na kleci. V druhé části práce byly použity metody strojového učení ke klasifikaci závady na datech z databáze CWRU. Data z akcelerometru byla rozdělena dvěma způsoby do bloků. Pro 2D konvoluční síť byly z bloků vytvořeny vibrační obrázky. Nejlepší přesnosti predikce dosahovala 1D konvoluční neuronová síť (1DCNN) (99,2 %), z klasických metod strojového učení poté neuronová sít (94,6 %) a SVM (94,4 %). Na zmenšování trénovacích dat je nejodolnější metoda Random Forest a SVM, z konvolučních sítí poté MATLAB architektura a 1DCNN. Proti přidanému šumu je nejodolnější metoda Random Forest a neuronová síť, z konvolučních sítí poté 1DCNN. Pro silně zašuměná data jsou lepší klasické metody využívající statistické příznaky. Konvoluční sítě nedosahují dobré přesnosti, pravděpodobně kvůli transformaci surových dat z akcelerometru do vibračních obrázků.cs
dc.description.abstractThe aim of this thesis is to identify and classify rolling bearing failures. The first part of the thesis deals with the diagnosis of bearings using in-house measured data. Faults were introduced into two bearings. The first one was deformed and corroded. In the second bearing, the outer raceway was damaged. Vibration data was collected at regular intervals and processed in MATLAB. The values of the statistical features indicated faults in both bearings. Envelope analysis showed that both bearings had developed a fault on the outer raceway and a gradual fault on the cage. In the second part of this thesis, machine learning methods were used to classify defective bearings using the CWRU data set. The accelerometer data were divided into blocks in two ways. Vibration images were created from these blocks for convolutional neural networks (CNNs). The best prediction accuracy was achieved by 1D convolutional neural network (1DCNN) (99.2 %), followed by neural network (94.6 %) and SVM (94.4 %). Random Forest and SVM are the best methods when the training set is reduced, and among CNNs, MATLAB architecture and 1DCNN are the best. The most noise resistant method is Random Forest and neural network, and among CNNs, 1DCNN is the best. Methods using statistical features perform better than CNNs on extremely noisy data. Convolutional networks do not achieve good accuracy, which is probably due to the conversion of raw accelerometer data into vibration images.en
dc.description.markAcs
dc.identifier.citationBÁR, M. Implementace a praktické ověření metod pro prediktivní identifikaci poruch valivých ložisek [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.cs
dc.identifier.other142629cs
dc.identifier.urihttp://hdl.handle.net/11012/204962
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectValivá ložiskacs
dc.subjectMetody pro diagnostiku ložisekcs
dc.subjectObálková analýzacs
dc.subjectStatistické indikátorycs
dc.subjectStrojové učenícs
dc.subjectKonvoluční neuronové sítěcs
dc.subjectKlasifikacecs
dc.subjectMATLABcs
dc.subjectRolling Element Bearingsen
dc.subjectBearing Diagnostic Techniquesen
dc.subjectEnvelope Analysisen
dc.subjectStatistical Indicatorsen
dc.subjectMachine Learningen
dc.subjectConvolutional Neural Networken
dc.subjectClassificationen
dc.subjectMATLABen
dc.titleImplementace a praktické ověření metod pro prediktivní identifikaci poruch valivých ložisekcs
dc.title.alternativeImplementation and practical verification of methods for predictive identification of rolling bearings failuresen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2022-06-08cs
dcterms.modified2022-06-09-13:01:19cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid142629en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:32:01en
sync.item.modts2025.01.17 15:05:46en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav automatizace a měřicí technikycs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
16.87 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
14.57 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_142629.html
Size:
10.95 KB
Format:
Hypertext Markup Language
Description:
file review_142629.html
Download
Collections
2022