Ανίχνευση διαρροής υδραυλικού ελαίου με χρήση τεχνητής νοημοσύνης
Detection of hydraulic oil leaks using artificial intelligence
Λέξεις-κλειδιά
Μηχανική μάθηση ; Ανίχνευση διαρροής ; Τεχνητή νοημοσύνη ; Αλγόριθμοι επιτηρούμενης μάθησης ; Ακουστικοί αισθητήρεςΠερίληψη
Η χρήση υποδομών καθώς και η εγκατάσταση σωληνώσεων μεταφοράς ρευστών σε συνδυασμό με την ανεπαρκή συντήρηση και τις κακές συνθήκες λειτουργίας που οφείλονται σε υψηλές πιέσεις, μπορεί να επιφέρουν διαρροές. Οι διαρροές αυτές μπορούν να προκαλέσουν καταστροφές που μπορεί να είναι περιβαλλοντικές καθώς και οικονομικές. Για να λυθούν γρήγορα τέτοια προβλήματα και να προχωρήσουν σε έγκαιρη επισκευή ή έλεγχο της κατάστασης, είναι απαραίτητη η χρήση μοντέλων σε συνεργασία χρήσης hardware και software. Αυτά δίνουν στοιχεία σε πραγματικό χρόνο και μπορούν να προβλέψουν το συμβάν
μιας διαρροής, όπως επίσης και να προσδιορίσουν το πιθανό σημείο. Η έρευνα που παρουσιάζεται σε αυτή την εργασία προτείνει ένα μοντέλο Τεχνητής Νοημοσύνης για ένα σύστημα παρακολούθησης, σε πραγματικό χρόνο, ικανό να εντοπίζει έγκαιρα την διαρροή που θα προκύψει σε έναν αγωγό ρευστών υπό πίεση. Στη συνέχεια γίνεται επιβεβαίωση των αποτελεσμάτων του μοντέλου με τιμές που λαμβάνονται από αισθητήρες. Το μοντέλο βασίζεται σε επιταχυνσιόμετρα τοποθετημένα εντός του δικτύου στην εξωτερική πλευρά των αγωγών. Τα σήματα που έχουν ληφθεί από τα επιταχυνσιόμετρα έχουν αναλυθεί και έχουν υποστεί
κανονικοποίηση για να μπορέσουν να εισαχθούν στο μοντέλο που θα χρησιμοποιηθεί. Επιλέχθηκαν τα Decision Trees και τα Random Forrest σαν βέλτιστα. Τα πειράματα πραγματοποιήθηκαν σε αγωγούς μήκους περίπου 28 μέτρων από ανθρακοχάλυβα με εξωτερική διάμετρο 48,3 mm και πάχος 1,5mm. Χρησιμοποιήθηκαν τεχνητές διαρροές για την παροχή των στοιχείων και των αποτελεσμάτων.
Περίληψη
The use of infrastructure and the installation of fluid transfer piping combined with poor maintenance and poor operating conditions due to high pressures can result in leaks. These leaks can cause disasters that can be environmental as well as financial. In order to solve such problems in time and to proceed to timely repair or control of the situation it is necessary to use models in hardware and software collaboration. These give real-time data and can predict the occurrence of a leakage as well as identify the possible location. The research presented in this paper proposes an AI model for a real-time monitoring system capable of detecting in time the leakage that will occur in a pressurized fluid pipeline. The results of the model are then validated with values obtained from sensors. The model is based on accelerometers placed inside the network on the outside of the pipelines. The signals obtained from the accelerometers have been analyzed and normalized to enable them to be input into the model to be used. Decision Trees
and Random Forrest were chosen as optimal. Experiments were carried out on approximately 28m long pipeline made of carbon steel with an outer diameter of 48.3 mm and a thickness of 1.5 mm. Artificial leaks were used to provide the data and results.
Αριθμός σελίδων
65Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών ΜηχανικώνΤμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής
Τίτλος Προγράμματος Μεταπτυχιακών Σπουδών
Τεχνητή Νοημοσύνη και Βαθιά ΜάθησηΓλώσσα
Ελληνικά
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές