Metody předzpracování signálů pro průmyslovou fluidní vrstvu s modulem AI brány

Abstract

Táto bakalárska práca sa zaoberá návrhom a implementáciou metód predspracovania signálov pre priemyselnú fluidnú lázeň s modulom AI brány. Práca sa zameriava na spracovanie obrazových, vibračných a akustických dát získaných z procesu fluidizácie s cieľom identifikácie prevádzkových stavov a detekcie anomálií. V teoretickej časti sú spracované princípy fluidizácie, metódy merania parametrov fluidnej vrstvy a vybrané architektúry neurónových sietí využiteľné pri spracovaní signálov a obrazových dát. Osobitná pozornosť je venovaná konvolučným neurónovým sieťam, autoenkóderom a neurónovým sieťam vyššieho rádu (HONU). Praktická časť práce zahŕňa návrh hardvérovej a softvérovej architektúry AI brány, implementáciu komunikačných rozhraní a vytvorenie algoritmov určených na spracovanie a analýzu dát. Pre detekciu anomálií v obrazových dátach bol využitý autoenkóder, zatiaľ čo architektúra HONU bola použitá na aproximáciu a modelovanie dynamiky sledovaných procesov. Z dôvodu oneskoreného dodania reálnych priemyselných dát spoločnosťou VM Engineering s.r.o. nebolo možné vykonať validáciu navrhnutých riešení na reálnych prevádzkových dátach. Na demonštráciu funkčnosti jednotlivých systémov preto boli vytvorené a použité syntetické dátové súbory a signály simulujúce charakteristiky sledovaného procesu. Dosiahnuté výsledky potvrdzujú funkčnosť navrhnutého riešenia a poukazujú na potenciál využitia metód umelej inteligencie pri monitorovaní, identifikácii a diagnostike priemyselných fluidizačných procesov.This bachelor's thesis deals with the design and implementation of signal preprocessing methods for an industrial fluidized bed equipped with an AI gateway module. The work focuses on the processing of image, vibration, and acoustic data obtained from the fluidization process for the purpose of operating state identification and anomaly detection. The theoretical part covers the principles of fluidization, measurement techniques for fluidized bed characterization, and selected neural network architectures applicable to signal and image processing. Particular attention is devoted to convolutional neural networks, autoencoders, and Higher-Order Neural Units (HONU). The practical part includes the design of the hardware and software architecture of the AI gateway, implementation of communication interfaces, and development of algorithms for data processing and analysis. An autoencoder-based approach was employed for anomaly detection in image data, while the HONU architecture was utilized for approximation and modeling of the dynamics of the monitored processes. Due to the delayed delivery of real industrial data by VM Engineering s.r.o., validation of the proposed methods on operational data could not be performed. Therefore, synthetic datasets and signals simulating the characteristics of the monitored process were generated and used to demonstrate the functionality of the developed systems. The obtained results confirm the functionality of the proposed solution and demonstrate the potential of artificial intelligence methods for monitoring, identification, and diagnostics of industrial fluidized bed processes.