Strojové učení při diagnostice vodních strojů
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Práca sa zaoberá využitím vysokofrekvenčných metód merania veličín ako tlak, zvuk a akustická emisia a ich aplikovania do strojného učenia pre detekciu preváckových sta- vov vodných strojov. Úlohou tejto práce je navrhnúť spôsob strojného učenia, ktorý by dokázal z nameraných dát vyhodnotiť stavy kavitácie, prietoku a poruchy na testovacej trati. Prvá časť práce sa zaoberá teoretickým úvodom niektorých vysokofrekvenčných metód merania a základným úvodom strojného učenia. V druhej časti je popísaný samotný experiment spolu s vysvetlením úpravy vstupných dát a naprogramovaním neurónovej siete. V závere sú jednotlivé výsletky zhodnotené a porovnané.
The thesis focuses on utilizing high-frequency measurement methods for measuring pressure, sound, and acoustic emission, and their application in machine learning for detecting operational states in water machinery. This thesis aims to propose a machine-learning approach capable of evaluating cavitation, flow conditions, and faults based on the collected data. The first part of the thesis discusses the theoretical introduction to selected high-frequency measurement methods and provides a basic introduction to machine learning. The second part describes the experimental setup, including data preprocessing and the implementation of a neural network. In the conclusion, the individual results are evaluated and compared.
The thesis focuses on utilizing high-frequency measurement methods for measuring pressure, sound, and acoustic emission, and their application in machine learning for detecting operational states in water machinery. This thesis aims to propose a machine-learning approach capable of evaluating cavitation, flow conditions, and faults based on the collected data. The first part of the thesis discusses the theoretical introduction to selected high-frequency measurement methods and provides a basic introduction to machine learning. The second part describes the experimental setup, including data preprocessing and the implementation of a neural network. In the conclusion, the individual results are evaluated and compared.
Description
Citation
ŠEBEK, D. Strojové učení při diagnostice vodních strojů [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2023.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Fluidní inženýrství
Comittee
doc. Dr. Ing. Lumír Hružík (předseda)
doc. Ing. Vladimír Habán, Ph.D. (místopředseda)
prof. Ing. František Pochylý, CSc. (člen)
doc. Ing. Jaroslav Štigler, Ph.D. (člen)
doc. Ing. Miloslav Haluza, CSc. (člen)
doc. Ing. Simona Fialová, Ph.D. (člen)
doc. Ing. Zdeněk Florian, CSc. (člen)
Ing. Jindřich Veselý, Ph.D. (člen)
Date of acceptance
2023-06-20
Defence
Student představil svoji diplomovou práci. Následovalo čtení posudků, po kterých student uspokojivě zodpověděl otázky oponenta. Komise položila další dotazy: lze uvedený postup aplikovat na kavitaci i v jiném místě než na lopatce? (je model přenositelný?), lze zpětně analyzovat neuronovou síť?, lze metodiku použít i na měření koncentrace vzduchu ve vodě? Student všechny dotazy zodpověděl ke spokojenosti komise.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení