Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/15378
Title: Διάγνωση και πρόγνωση βλαβών περιστρεφόμενων συστημάτων με τη χρήση ψηφιακού διδύμο
Other Titles: Fault diagnosis and prognosis of a rotor bearing system ultilising digital twin concept
Authors: Τσέλιος, Ιωάννης
Keywords: Νευρωνικά δίκτυα
Έδρανα ολίσθησης
Διάγνωση βλαβών
Ταλαντώσεις
Αζυγοσταθμία
Keywords (translated): Fault diagnosis
Neural network
Rotor vibrations
Journal bearing
Abstract: Στη σύγχρονη εποχή οι βιομηχανίες επισημαίνουν τον τομέα της συντήρησης σαν µία από τις κεντρικές δραστηριότητες τους, η αναβάθμιση του οποίου µπορεί να οδηγήσει σε περαιτέρω πρόοδο του συνόλου των επιχειρήσεων. Με αυτόν το στόχο, έχει αναπτυχθεί διεθνώς ένα σύγχρονο πλαίσιο μεθόδων και τεχνολογιών για τη σταδιακή μετατόπιση του ρόλου της συντήρησης από τις παραδοσιακές διαδικασίες επισκευής-αποκατάστασης σε διαδικασίες πρόληψης-πρόβλεψης, σκοπεύοντας τελικά στην αύξηση της διαθεσιμότητας της εγκατάστασης. Οι μέθοδοι αυτές εντάσσονται σε µία κύρια κατηγορία: την προβλεπτική συντήρηση (predictive maintenance). Η προβλεπτική συντήρηση θεωρείται σήμερα-την εποχή της 4ης βιομηχανικής επανάστασης-µία φιλοσοφία συντήρησης, που στηρίζεται σε µία ουσιαστική εκτίμηση της πραγματικής φυσικής κατάστασης του εξοπλισμού, µε στόχο τη σταδιακή μετατόπιση των εργασιών συντήρησης από εργασίες αποκατάστασης-επισκευής βλαβών σε διαδικασίες πρόληψης-πρόβλεψης. Με την αξιοσημείωτη πρόοδο στην τεχνολογία της πληροφορικής το Ψηφιακό Δίδυμο έχει αποκτήσει αυξημένη προσοχή καθώς προσφέρει τη δυνατότητα ώστε να μεταβούμε σε μια ψηφιακά οδηγούμενη και βασισμένη σε τεχνολογίες cloud βιομηχανία (Industry 4.0). Στην παρούσα εργασία, μελετάμε αυτή την προοπτική με τη χρήση των τεχνητών νευρωνικών δικτύων. Τα έξυπνα αυτά συστήματα έχουν την ικανότητα να «μαθαίνουν» χαρακτηριστικά πολύπλοκων συστημάτων με πολλές μεταβλητές και να δίνουν αποτελέσματα ταχύτερα και με λιγότερο υπολογιστικό κόστος. Επίσης Τα ΤΝΔ προσομοιώνουν το βιολογικό νευρωνικό δίκτυο αποτελούμενα από νευρώνες διασυνδεδεμένους μεταξύ τους και έχουν την δυνατότητα να μαθαίνουν μέσω κατάλληλων δειγμάτων εκπαίδευσης. Στην περίπτωση μας θεωρούμε ότι το νευρωνικό δίκτυο είναι το ψηφιακό δίδυμο του συστήματος όπου αλλάζοντας τις εισόδους του μπορούμε να έχουμε εκτίμηση της πραγματικής κατάστασης της βλάβης.
Abstract (translated): In modern times , industries consider the field of maintenance as one of the main activities and it is necessary to develop methods for better maintenance planning. In Industry 4.0 traditional methods for fault detection have been sidelined and we focus on the concept of predictive maintenance. Predictive maintenance will lead the industries in the new era with main goal the cost reduction and the integrated control of the production. Predictive maintenance’s benefit is that takes into account the current state of the machines and the maintenance planning is more accurate than the traditional methods. In the current thesis we study this perspective utilizing neural network concept. These smart systems have the ability to learn characteristics of complex systems and give results faster than traditional methods. In our case we consider the neural network as the digital twin of the system which give us the estimation of the real condition of the fault in a rotor bearing system.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_Μ_ΤΣΕΛΙΟΣ_ΙΩΑΝΝΗΣ_1054550.pdf1.75 MBAdobe PDFView/Open


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