Μοντέλο πρόβλεψης ως υπηρεσία βασισμένο σε τεχνικές μηχανικής μάθησης για την εύρυθμη λειτουργία διατάξεων στο πλαίσιο της Βιομηχανίας 4.0

A Prediction-as-a-Service Model based on Machine Learning Techniques for the Healthy Operation of Equipment in the Framework of Industry 4.0 (english)

  1. MSc thesis
  2. Μπατιστάκης, Δημήτριος
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 25 September 2021 [2021-09-25]
  5. Ελληνικά
  6. 88
  7. Χατζημίσιος, Περικλής
  8. Νικοπολιτίδης, Πέτρος | Καμέας , Αχιλλέας
  9. Πρόβλεψη | Ρουλεμάν | Μετασχηματισμός | Βιομηχανία | Διαδίκτυο των Πραγμάτων | Αισθητήρες
  10. 1
  11. 3
  12. 29
  13. Περιέχει : εικόνες,πίνακες,συναρτήσεις
    • Η 4η βιομηχανική επανάσταση (Industry 4.0), θεωρείται εδώ και κάποιο καιρό ως ένα νέο βιομηχανικό στάδιο στο οποίο αρκετές αναδυόμενες τεχνολογίες θα δούμε να συγκλίνουν, ώστε να παράγονται λύσεις. Ζωτικής σημασίας βεβαίως είναι η υιοθέτηση και η ενσωμάτωση της ψηφιακής τεχνολογίας για τη συλλογή και την ανάλυση δεδομένων σε πραγματικό χρόνο, τα οποία θα παρέχουν χρήσιμες πληροφορίες στις βιομηχανίες. Μέσα στη βιομηχανική παραγωγική διαδικασία υπάρχουν εκατοντάδες χιλιάδες μηχανές που εκ περιτροπής παρουσιάζουν προβλήματα. Ένα από τα βασικότερα σημεία φθοράς μιας μηχανής, είναι τα περιστρεφόμενα ρουλεμάν της. Για την ακρίβεια υπάρχουν 3 βασικά είδη σφαλμάτων που δίνουν αυτά τα ρουλεμάν και είναι το εσωτερικό (inner race), το εξωτερικό (outer race) και αυτό του περιστρεφόμενου στοιχείο (rolling element). Για την επίτευξη του σκοπού αυτού, σχεδιάσαμε ένα σύστημα 3 επίπεδων με αισθητήρες για να λαμβάνουν τα δεδομένα σε πραγματικό χρόνο, μικροεπεξεργαστές για να τα μετασχηματίζουν σε εικόνες κλίμακας του γκρι και μια υπηρεσία στην οποία θα τρέχει ένα συνελικτικό νευρωνικό δίκτυο αποφάσεων κατάταξης. Το δίκτυο αυτό θα έχει υποστεί εκπαίδευση από πριν και για την υγιή κατάσταση αλλά και για τις κατηγορίες σφαλμάτων των ρουλεμαν ώστε κάθε χρονοσειρά που θα γίνει εικόνα και στη συνέχεια είσοδος σε αυτό, να καταταχτεί είτε ως healthy είτε ως inner race είτε ως outer race είτε τέλος ως rolling element σφάλμα. Με τον τρόπο αυτό θα προσπαθήσουμε να παρέχουμε κάποιου είδους πρόγνωση στις μηχανές και στους μηχανικούς γλυτώνοντάς τους από κρίσιμες διακοπές της παραγωγής.
    • Intelligent Machine Condition Monitoring (MCM) and Prediction for machine bearings is very important for efficient Industrial 5G applications. Common fault diagnosis and other classification methods usually extract time domain and frequency features or try to decrease noise from raw time sensory data. Afterwards, features are sought in time domain and statistical classifiers can be applied do the diagnosis. However, these methods suffer from expertise of feature selection and robustness in real time condition monitoring. In this paper, we present a prediction-as-a-service model for estimating machine bearing health status in industry 4.0 5G applications based on Deep Neural Networks (DNN). The proposed model constructs 3D grayscale images from raw time series data and performs prediction more efficiently. The paper also presents testing and evaluation of the model’s prediction and categorization capacity.
  15. Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές