haku: @keyword metsäkone / yhteensä: 11
hakutulos-lista
viite: 7 / 11
« edellinen | seuraava »
Tekijä:Repo, Matti
Työn nimi:Data-driven condition monitoring of forest harvester heads
Harvestipään datapohjainen kunnonvalvonta
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2008
Sivut:viii + 79      Kieli:   eng
Koulu/Laitos/Osasto:Matematiikan ja systeemianalyysin laitos
Oppiaine:Systeemitekniikka   (AS-74)
Valvoja:Koivo, Heikki
Ohjaaja:Hölttä, Vesa
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen 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

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark TF80     | Arkisto
Avainsanat:condition monitoring
forest harvester
machine learning
performance index
kunnonvalvonta
metsäkone
koneoppiminen
suorituskykyindeksi
Tiivistelmä (fin): Mittaustekniikan, laskennan, ja datan varastoinnin kustannukset ovat pienentyneet samalla kun niiden kyvyt ovat lisääntyneet.
Tämä on johtanut tilanteeseen, jossa monet tekniset systeemit kokoavat suuria määriä mittausdataa.

Kasvava datamäärä mahdollistaa monien datapohjaisten kunnonvalvontamenetelmien soveltamisen.
Työ sisältää teoreettisen johdannon näihin menetelmiin, ja tarkastelee sovelluksena harvesteripään kunnonvalvontaa.
Harvesteripää on metsäkoneen osasysteemi, joka vastaa puunrunkojen syöttämisestä, sahaamisesta, oksien karsimisesta, sekä mittausoperaatioista.
Metsäkonesovelluksessa kunnonvalvontamenetelmien lähtömuuttujina käytetään skalaarisia indeksejä, jotka mittaavat metsäkoneen osasysteemien ja toimintojen tehokkuutta.
Indeksien määrittely ja laskenta esitetään yksityiskohtaisesti.

Työssä käytetyt laskennalliset menetelmät pohjautuvat keskeisiin ja tunnettuihin koneoppimisalgoritmeihin.
Esitys pyrkii painottamaan erityisesti näiden algoritmien soveltamista kunnonvalvontatilanteisiin.
Menetelmien vertailuun käytetään testilähestymistä, jossa menetelmiä sovelletaan samaan kattavaan keinotekoiseen vikadataan pohjautuvaan testiskenaarioon.

Työ keskittyy esittelemään datapohjaisten kunnonvalvontamenetelmien taustalla olevia ideoita.
Metsäkonesovelluksen teknisiä yksityiskohtia ei sen sijaan juurikaan käsitellä.
Esitys soveltuu siten monien muidenkin monimutkaisten teknisten systeemien kunnonvalvontaan.
Tiivistelmä (eng): The costs for sensors, computation and data storage have decreased at the same time as their capabilities have greatly increased.
This has Ied to a situation where modern engineering systems collect huge amounts of measurement data.

One essential way for utilizing the data is in data-based condition monitoring.
The thesis gives an introduction to these methods and applies them to the condition monitoring of forest harvester heads, the subsystem of the harvester responsible for the feeding, delimbing, sawing and measurement operations done on the tree stems.
The monitoring methods will use scalar indices for inputs.
These indices measure the performance of the subsystems and functions of the harvester, and the thesis includes a detailed explanation of the index computation.

The introduced methods are based on common machine learning algorithms, and the theory parts of the thesis will emphasize the particular ways the algorithms can be applied in data-based condition monitoring.
Also elementary ensemble learning approaches will be utilized to apply the underlying methods in a combined fashion.
The thesis uses a benchmarking approach in which a common test scenario built upon artificial fault data will be used for comparing the monitoring algorithms in the harvester head application.

The exposition will give more emphasis on the methods and their justification, rather than the technical details of the harvester head application.
Therefore the developments can be applicable to any modular engineering system with extensive instrumentation for collecting measurements.
ED:2009-05-08
INSSI tietueen numero: 37380
+ lisää koriin
« edellinen | seuraava »
INSSI