Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/15093
Title: Τριβολογικός σχεδιασμός ατελώς ευθυγραμμισμένων κυλινδρικών εδράνων ολίσθησης με μεθόδους μηχανκής μάθησης (τεχνητά νευρωνικά δίκτυα))
Other Titles: Tribological design of misaligned journal bearings using machine learning methods (artificial neural networks)
Authors: Κοκκινίδης, Κυριάκος
Keywords: Έδρανα ολίσθησης
Κυλινδρικά έδρανα
Μηχανική μάθηση
Τεχνητά νευρωνικά δίκτυα
Σχεδιασμός μηχανών
Keywords (translated): Hydrodynamic bearings
Journal bearings
Machine learning
Artificial neural networks
Machine design
Abstract: Η χρησιμοποίηση έξυπνων συστημάτων, δηλαδή συστημάτων λογισμικού που ενσωματώνουν εργαλεία τεχνητής νοημοσύνης (π.χ. τεχνητά νευρωνικά δίκτυα (ΤΝΔ), ασαφή λογική κ.λπ.), σε προβλήματα που πραγματεύεται η επιστήμη του μηχανικού ολοένα και αυξάνεται καθώς παρουσιάζουν κάποια πλεονεκτήματα σε σχέση με τα κλασικά υπολογιστικά εργαλεία που χρησιμοποιούνται. Σκοπός της εργασίας είναι η ανάδειξη των πλεονεκτημάτων αυτών στο πρόβλημα ενός ατελούς ευθυγραμμισμένου κυλινδρικού εδράνου ολίσθησης και πιο συγκεκριμένα στον υπολογισμό των δυνάμεων και των ροπών που ασκούνται στον άξονα, οι οποίες είναι κρίσιμες παράμετροι για την αντιμετώπιση της ατελούς αυτής ευθυγράμμισης. Τα έξυπνα συστήματα, έχουν την ικανότητα να «μαθαίνουν» χαρακτηριστικά πολύπλοκων συστημάτων με πολλές μεταβλητές και συχνά δίνουν αποτελέσματα ταχύτερα και με λιγότερο υπολογιστικό κόστος σε σχέση με τα παραδοσιακά μαθηματικά μοντέλα που θα έπρεπε να εφαρμοστούν. Ένας τρόπος με τον οποίο επιτυγχάνεται αυτό, είναι με την χρήση τεχνητών νευρωνικών δικτύων. Τα ΤΝΔ προσομοιώνουν το βιολογικό νευρωνικό δίκτυο αποτελούμενα από νευρώνες διασυνδεδεμένους μεταξύ τους και έχουν την δυνατότητα να μαθαίνουν μέσω κατάλληλων δειγμάτων εκπαίδευσης. Ένα από τα κυριότερα προβλήματα που αντιμετωπίζουν τα έδρανα ολίσθησης είναι η ατελής ευθυγράμμιση του άξονα από το έδρανο. Το επακόλουθο της ατελούς ευθυγράμμισης είναι η μείωση της ικανότητας παραλαβής φορτίου, η φθορά είτε στον άξονα είτε στο έδρανο (κυρίως στο έδρανο), η αύξηση των απωλειών ενέργειας και η δημιουργία ταλαντώσεων που συνοδεύεται από φαινόμενα συντονισμού, εναλλασσόμενων φορτίσεων (κόπωσης), διάδοσης ρωγμών και αυξημένο επίπεδο θορύβου. Συνεπώς, είναι κρίσιμο να μελετηθεί το πρόβλημα αυτό και να βρεθούν τρόποι για τον περιορισμό του. Στην παρούσα εργασία, η ανάλυση του προβλήματος υδροδυναμικής λίπανσης του ατελώς ευθυγραμμισμένου κυλινδρικού εδράνου γίνεται με δύο τρόπους. Αρχικά, το πρόβλημα αναλύεται με αριθμητικό τρόπο, εφαρμόζοντας ένα μοντέλο πεπερασμένων διαφορών (ΠΔ) για την επίλυση της μερικής διαφορικής εξίσωσης του Reynolds. Έπειτα, για την εφαρμογή του «έξυπνου» συστήματος εκπαιδεύεται ένα ΤΝΔ με δείγματα εκπαίδευσης που προκύπτουν από την μέθοδο των ΠΔ. Τέλος, τα αποτελέσματα με την χρήση του μοντέλου των ΠΔ και του τεχνητού νευρωνικού δικτύου συγκρίνονται μεταξύ τους, ως προς το υπολογιστικό κόστος και ως προς την απόκλιση. Εν κατακλείδι, συμβολή αποτελεί η ανάπτυξη της ιδέας και η απόδειξη, ότι η εφαρμογή μοντέλων μηχανικής μάθησης σε προβλήματα υδροδυναμικής λίπανσης δίνει αποτελέσματα με ανεκτό σφάλμα σε σχέση με τις αριθμητικές μεθόδους. Μάλιστα σε περιπτώσεις προβλημάτων πολύπλοκων και με πολλές μεταβλητές, όπου δεν υπάρχουν αναλυτικές σχέσεις, το τεχνητό νευρωνικό δίκτυο παρέχει αποτελέσματα ακαριαία με λίγη υπολογιστική ισχύ ενώ οι αριθμητικές μέθοδοι απαιτούν μεγάλη υπολογιστική ισχύ και περισσότερο χρόνο. Έτσι, αυτή η προσέγγιση είναι ελπιδοφόρα για εφαρμογές online παρακολούθησης της κατάστασης και διάγνωσης βλαβών των υδροδυναμικών εδράνων ολίσθησης γενικότερα.
Abstract (translated): Utilization of smart systems, i.e. software tools that incorporate artificial intelligence methods (e.g. artificial neural networks, fuzzy logic etc.), in engineering applications increases. The reason is that they offer advantages compared to typical computational tools that are being used. The present thesis is about highlighting the advantages of using such systems, to the problem of calculating the forces and torques applied to the shaft of a misaligned hydrodynamic journal bearing. These parameters are crucial to have the misalignment corrected. Smart systems can learn characteristics of multivariable complex systems and often produce results quicker and with less computational cost than the mathematical models that would typically be used. One way to achieve this is by using artificial neural networks. These networks simulate the function of the biological neural network as they consist of interconnected neurons and can learn via appropriate training samples. One of the main problems in hydrodynamic journal bearing applications is the shaft misalignment. This results to reduction of load carrying capacity, wear to the shaft or the bearing, increase in energy losses and vibrations leading alternating loads (fatigue), crack propagation and increase in noise level. Studying and figuring out ways to solve the problem of misalignment is of high importance. In the present thesis, the journal bearing hydrodynamic lubrication analysis is performed in two ways. Firstly, the finite difference method is applied directly to the differential form of the Reynolds equation. Secondly, to incorporate the smart system, an artificial neural network is trained after being provided with training samples from the finite difference method. The computational cost of each method is calculated. Lastly the results of the neural network are compared to the results of the finite difference method. To conclude, the contribution of this thesis is to phase in the idea that the use of artificial intelligence methods in problems of hydrodynamic lubrication can produce results with tolerable error compared to numerical methods. In some cases of complex multivariable problems that is impossible to figure out the governing analytical equations the neural network can produce results instantly (provided that training data is available) and with minimum computational cost whereas the numerical method needs more time and it’s computational cost is high. Thus, this approach is promising for applications in the field of hydrodynamic bearings online condition monitoring and fault diagnosis.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_M_Κοκκινίδης_Κυριάκος_1047272.pdf5.62 MBAdobe PDFView/Open


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