haku: @keyword ICA / yhteensä: 23
viite: 20 / 23
Tekijä: | Jokela, Matti Kalevi |
Työn nimi: | Kunnonvalvonta ja vianilmaisualgoritmit |
Condition Monitoring and Algorithms for Fault Detection | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2006 |
Sivut: | 56 Kieli: fin |
Koulu/Laitos/Osasto: | Tietotekniikan osasto |
Oppiaine: | Informaatiotekniikka (T-115) |
Valvoja: | Simula, Olli |
Ohjaaja: | Suuronen, Matti |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 7419 | Arkisto |
Avainsanat: | condition monitoring learning methods neural network SOM MLP FFT wavelets ICA kunnonvalvonta oppivat menetelmät neuroverkko aallokemuunnos |
Tiivistelmä (fin): | Teollisuuden tuotantokoneisto tarvitsee säännöllistä huoltoa. Hyvin huollettu laitteisto pitää tuotteiden laadun hyvänä ja tarjoaa työntekijöille turvallisen työympäristön. Liian harva huoltoväli saattaa johtaa yllättäviin konerikkoihin, jotka voivat aiheuttaa kalliita huoltoja ja pitkiä tuotantokatkoksia. Kunnonvalvonnalla voidaan seurata laitteiston kuntoa ja ennakoida sen rikkoutumista. Ennakointi mahdollistaa laitteiston huollon optimoinnin, joka auttaa nostamaan teollisuusyrityksen kilpailukykyä. Tässä työssä tutkitaan erilaisia kunnonvalvonta-algoritmeja. Erityisinä mielenkiinnon kohteina ovat itsejärjestyvä kartta (SOM) ja monikerros-perseptroniverkko (MLP), jotka ovat oppivia menetelmiä. Muita käytettyjä algoritmeja ovat FFT, aallokemuunnos ja riippumattomien komponenttien analyysi (ICA). Algoritmien toimintaa kokeillaan käytännön olosuhteissa muutamilla eri laitteistoilla, joihin kuuluvat moottori ja kaksi erilaista vaihteistoa. Laitteista mitattuja signaaleja analysoidaan FFT:llä ja aallokemuunnoksella, ja signaaleista yritetään eritellä riippumattomat komponentit. Oppiville algoritmeille opetetaan laitteiden ominaistaajuudet ja kokeillaan miten hyvin ne oppivat tunnistamaan laitteiden toimintatilan niiden perusteella. Oppivat menetelmät osasivat tunnistaa hyvin ne toimintatilat, jotka niille opetettiin. Aitoa vikojen tunnistamista ei voitu kokeilla, sillä testattavat laitteet olivat täysin toimivia koko mittausjakson ajan. Myös signaalin riippumattomien komponenttien erittely toimi melko hyvin vaikkei se ihan täyttänytkään ennakko-odotuksia. |
ED: | 2006-07-07 |
INSSI tietueen numero: 32144
+ lisää koriin
INSSI