Development of bearing fault diagnostics methodology based on signal processing and machine learning tools

A tétel rövid nézete
dc.contributor.advisorKocsis, Imre
dc.contributor.authorDeák, Krisztián
dc.contributor.departmentInformatikai tudományok doktori iskolahu
dc.date.accessioned2020-03-02T07:10:51Z
dc.date.available2020-03-02T07:10:51Z
dc.date.created2020hu_HU
dc.date.defended2020-04-17
dc.description.abstractObjektum-orientált mérőrendszer és módszer került kifejlesztésre gördülőcsapágyak beköszörülésből eredő gyártási hibáinak kimutatásához. A rendszer részei: mérőpad, mérőberendezések, waveletek, algoritmusok, gépi tanulási rendszer. Diszkrét wavelet tervezés történt Parks-McClellan módszerrel a speciális hiba detektálásához és méretbecsléshez. A vonalmenti érintkezést mutató lineáris felületi köszörülési hibákat mutató gördülőcsapágyak mechanikai jelmodelljét meghatároztam, amely a wavelet tervezés alapjául szolgált. Komplex Morlet wavelet lett tervezve Duffing oszcillátorral gerjesztett zajos környezetben előforduló egyedi és kis energiaszintű felületi hibák detektáláshoz és méretbecsléshez. A komplex Morlet wavelet paraméteroptimalizálása genetikus algoritmussal történt. SVM és neurális hálózat (ANN) alapú hibaosztályozást valósítottam meg a rendszerparaméterek optimalizálásával különböző tanulóalgoritmusok esetén, amely az egyedi csapágyhibák többkategóriás osztályozását valósította meg és az Ipar 4.0 irányelveibe implementálható. Object-oriented measurement system and method was developed to detect rectangular shape manufacturing faults of roller bearings. The parts of the system: test-rig, measurement devices, wavelet functions, algorithms, machine learning system. Discrete wavelet was designed by Parks-McClellan method to reveal the special bearing faults and for fault size estimation. Mechanical signal model of roller bearing with line contact was developed which was used for wavelet design. Complex Morlet wavelet was design to detect the special bearing faults in noisy conditions which was generated by chaotic Duffing oscillator. Parameters of the complex Morlet wavelet were optimized by genetic algorithm. SVM and artificial neural network (ANN) were applied to multi-class fault classification of the special bearing faults which could be implemented in Industry 4.0.hu_HU
dc.description.correctorLB
dc.format.extent134hu_HU
dc.identifier.urihttp://hdl.handle.net/2437/281338
dc.language.isohuhu_HU
dc.language.isoenhu_HU
dc.subjectwavelet designhu_HU
dc.subjectwavelet tervezés
dc.subjectbearing diagnostics
dc.subjectcsapágydiagnosztika
dc.subjectsvm
dc.subjectann
dc.subjectmachine learning
dc.subjectgépi tanulás
dc.subject.disciplineInformatikai tudományokhu
dc.subject.sciencefieldMűszaki tudományokhu
dc.titleDevelopment of bearing fault diagnostics methodology based on signal processing and machine learning toolshu_HU
dc.title.translatedCsapágydiagnosztikai módszerek fejlesztése jelfeldolgozási és gépi tanulási módszerekkelhu_HU
Fájlok
Eredeti köteg (ORIGINAL bundle)
Megjelenítve 1 - 2 (Összesen 2)
Nincs kép
Név:
Thesis_Deak_Krisztian_Nyomtatasra_vegleges.pdf
Méret:
5.29 MB
Formátum:
Adobe Portable Document Format
Leírás:
Értekezés
Letöltés
Nincs kép
Név:
TEZISFUZET_Deak_Krisztian_Nyomtatasra_vegleges.pdf
Méret:
4.56 MB
Formátum:
Adobe Portable Document Format
Leírás:
Tézisfüzet
Letöltés
Engedélyek köteg
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
license.txt
Méret:
1.93 KB
Formátum:
Item-specific license agreed upon to submission
Leírás:
Letöltés
Gyűjtemények
Informatikai Tudományok Doktori Iskola