Využití strojového učení při diagnostice vodních strojů

Abstract

Tato diplomová práce se zabývá využitím strojového učení k rozpoznání poruchy na vodním stroji. Cílem práce je navrhnout funkční model neuronové sítě k tomuto účelu a odhadnout jeho omezení. Byla využita data poskytnutá vedoucím práce, která byla naměřena v hydraulické laboratoři VUT. Pocházela z provozu čerpadla v čerpadlovém a turbínovém režimu. Vada byla simulována provrtáním lopatky. Při tvorbě modelů byla použita především knihovna TensorFlow. Problém byl řešen výhradně jako binární klasifikace. Bylo ověřeno několik variant modelů, kdy byl každý kriticky zhodnocen. Byly navrženy varianty pracující s konvoluční sítí zpracovávající surová data a MEL-spektrogramy, dále také plně propojená síť pracující se statistickými charakteristikami částí dat. Nejlepších výsledků obecně dosáhla varianta využívající konvoluční neuronovou síť a MEL-spektrogramy. V práci použitá metodika se snaží alespoň částečně přiblížit schopnost modelu fungovat na datech ze skutečného provozu.This thesis focuses on the application of machine learning techniques to detect a fault on a water machine. The goal of the thesis is to design a functional neural network model for this purpose and to estimate its limitations. The dataset, provided by the thesis supervisor, which was measured in the hydraulic laboratory of the BUT, was used. It came from the operation of the pump in pumping and turbine mode. The defect was simulated by drilling through a blade. The TensorFlow library was mainly used in the development of the models. The problem was solved as a binary classification problem only. Several model variants were evaluated, with each being critically assessed. Variants working with a convolutional network processing raw data and MEL-spectrograms were designed, as well as a fully connected network working with statistical features extracted from segments of the data. In general, the best results were achieved by the variant using a convolutional neural network and MEL-spectrograms. The methodology used in this thesis attempts to at least partially approximate the model's ability to operate in real-world operational data.