Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/13730
Title: Ανάπτυξη και χρήση νευρωνικών δικτύων σε εφαρμογές μη καταστροφικού ελέγχου
Other Titles: Development and implementation of neural networks in non destructive testing applications
Authors: Οικονόμου, Αθανάσιος
Keywords: Εναπομένουσα ζωή
Τεχνητά νευρωνικά δίκτυα
Μηχανική μάθηση
Συντήρηση βάση υπάρχουσας κατάστασης
Keywords (translated): Remaining useful life
Artificial neural networks
Machine learning
Maintenance based on condition monitoring
Abstract: Ένα από τα σημαντικότερα προβλήματα που καλούνται να αντιμετωπίσουν οι μηχανικοί στις μέρες μας είναι η επιτυχής πρόβλεψη της εναπομένουσας ζωής ενός υλικού, μίας κατασκευής ή ενός δομικού στοιχείου, βάση της τρέχουσας κατάστασης του. Η επίλυση του συγκεκριμένου προβλήματος αποσκοπεί στην έγκαιρη διακοπή λειτουργίας και στην συνέχεια συντήρηση ή αντικατάσταση του εν λόγω στοιχείου. Έγκαιρη αντικατάσταση ή συντήρηση σημαίνει, όχι εκπρόθεσμη (μετά την αστοχία) κάτι το οποίο θα κατέληγε σε βλάβη του μηχανισμού, με ότι συνέπειες αυτό ενέχει, αλλά όχι και πρόωρη, κάτι το όποιο συνεπάγεται αντικατάσταση στοιχείου ενώ υπάρχει δυνατότητα περεταίρω χρήσης του. Ωστόσο η πολυπλοκότητα η οποία χαρακτηρίζει ορισμένες κατασκευές π.χ. κινητήρας αεροσκάφους ως συνολική δομή, όσο και την δομή και σύνθεση ορισμένων σύνθετων υλικών, από τα οποία είναι κατασκευασμένα όλο και περισσότερα προς μελέτη δομικά στοιχεία, κάνουν σε πολλές περιπτώσεις την επίλυση του προβλήματος να είναι δυσπρόσιτη με κλασσική μηχανική, λόγω του μεγάλου αριθμού μεταβλητών που εμπλέκονται, και των σύνθετων και απρόβλεπτων πολλές φορές φορτίων τα οποία καλείται να φέρει η δομή. Απάντηση στο εμπόδιο αυτό έρχεται να δώσει η μηχανική μάθηση, και ειδικότερα τα νευρωνικά δίκτυα, τα οποία φαίνεται να μπορούν να προβλέψουν την εναπομένουσα ζωή ενός στοιχείου, ακόμα και όταν αυτή εξαρτάται από πολλές μεταβλητές. Στην ουσία πρόκειται για έναν αλγόριθμο τεχνητής νοημοσύνης ό οποίος μιμείται σε πολύ πρώιμο στάδιο την λειτουργία ενός εγκεφάλου. Τα τεχνητά νευρωνικά δίκτυα αποτελούνται από έναν αριθμό κόμβων/ νευρώνων, που λειτουργούν μαζικά και παράλληλα και έχουν την δυνατότητα να μαθαίνουν, μέσω κατάλληλων παραδειγμάτων εκπαίδευσης, εφαρμόζοντας μεθόδους ενισχυτικής/ επιβλεπόμενης μάθησης. Ένα τεχνητό νευρωνικό δίκτυο, το οποίο έχει εκπαιδευτεί κατάλληλα, διαθέτει σε μεγάλο βαθμό την ικανότητα γενίκευσης και συσχέτισης δεδομένων βάσει των οποίων εκπαιδεύτηκε, αλλά το σημαντικότερο είναι ότι μπορεί επίσης να βρίσκει λογικές λύσεις σε προβλήματα που σχετίζονται άμεσα με τα δεδομένα με τα οποία εκπαιδεύτηκε. Για τους παραπάνω λόγους γίνεται εμφανής η συσχέτιση, και η προσπάθεια αξιοποίησης των νευρωνικών δικτύων για την επίλυση του προβλήματος της εναπομένουσας ζωής. Σημαντικές μελέτες έχουν γίνει στο κομμάτι αυτό, εστιάζοντας τόσο στην ύπαρξη αβεβαιότητας που αποτελεί βασικό στόχο αυτής της διπλωματικής εργασίας, αλλά και στην αναγκαιότητα αποκλεισμού του θορύβου που εμπεριέχεται στα δεδομένα που αφορούν κυρίως κινούμενους ή περιστρεφόμενους μηχανισμούς.
Abstract (translated): One of the most important problems that engineers have to face nowadays is the successful prediction of the remaining useful life of a material, a construction or a structural element, based on its current condition (condition monitoring). The purpose of solving this problem is to stop its operation and then maintain or replace this component. In time replacement or maintenance means, nor overdue (after failure), which would result in a failure of the mechanism or structure, with any consequences this entails, but neither premature, which entails an element replacement while it is possible to further use it. However, the complexity which characterizes certain constructions/ structures, e.g. aircraft engine as an overall structure, as well as the structure and composition of certain composite materials, of which more and more structural elements are constructed for study, makes in many cases the solution of the problem inaccessible with classical mechanics, due to the large number of variables involved, and the complex and unpredictable loads that the structure has to bear. Machine learning, and in particular neural networks, seem to be able to predict the remaining useful life of a structural element, even if it depends on many variables. Neural networks in essence are artificial intelligence algorithms that mimic the function of a brain at a very primitive stage. Artificial neural networks consist of a number of nodes/ neurons, which connect with each other, ‘work’ together and at the same time and have the ability to learn, through appropriate training examples, by applying methods of enhancing/supervised learning algorithms. An artificial neural network, which has been properly trained, has a large capacity to generalize and correlate data on the basis of which it was trained on, but most importantly it can also find reasonable solutions to problems directly related to the data with which it was trained on. Taking into consideration all the above reasons, the attempt to exploit neural networks to solve the problem of the remaining useful life becomes obvious. Important studies have been done, focusing both on the existence of uncertainty, which is the main goal of this thesis, but also on the need to exclude the data noise mainly related to moving or rotating mechanisms.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_M_Oikonomou_Athanasios_1047290.pdf9.33 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.