Προβλεπτική συντήρηση μηχανημάτων με περιστρεφόμενα μέρη χρησιμοποιώντας τα συνελικτικά νευρωνικά δίκτυα

Απειρανθίτης, Σταμάτιος

dc.contributor.advisor	ZACHARIA, PARASKEVI
dc.contributor.author	Απειρανθίτης, Σταμάτιος
dc.date.accessioned	2023-07-06T10:17:05Z
dc.date.available	2023-07-06T10:17:05Z
dc.date.issued	2023-06-09
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/4589
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-4427
dc.description.abstract	Σύμφωνα με το World Economic Forum, το 90% του παγκόσμιου εμπορίου μεταφέρεται δια θαλάσσης με εμπορικά πλοία. Τα πλοία κάθε είδους, αποτελούνται από δεκάδες πολύπλοκα μηχανήματα, κοινός παράγοντας των οποίων είναι τα περιστρεφόμενα μέρη και οι ηλεκτρικοί κινητήρες, τα οποία λειτουργούν σε ένα σύνθετο περιβάλλον με αυξημένη θερμοκρασία και υγρασία, κραδασμούς, κόπωση, και φορτίο. Μία βλάβη ή δυσλειτουργία ενός εκ των μηχανημάτων αυτών, μπορεί να έχει σημαντικές επιπτώσεις στη λειτουργία, αλλά ακόμη και στη ασφάλεια του πλοίου και κατά συνέπεια στην ασφάλεια του πληρώματος και του περιβάλλοντος. Η ναυτιλιακή βιομηχανία ξοδεύει τεράστια ποσά στην προληπτική συντήρηση και επισκευή, ώστε να διατηρεί τα πλοία όχι μόνο αξιόπλοα, αλλά πάνω από όλα ασφαλή. Στην παρούσα εργασία θα παρουσιάσουμε τα οικονομοτεχνικά οφέλη της προγνωστικής συντήρησης σε σχέση με την προληπτική και την επισκευαστική συντήρηση που ως σήμερα εφαρμόζεται στα πλοία. Θα δούμε, πως μελετώντας την πραγματική λειτουργική κατάσταση ενός μηχανήματος και εκμεταλλευόμενοι την σύγχρονη τεχνολογία και την Τεχνητή Νοημοσύνη, μπορούμε να προβλέψουμε πιθανές βλάβες, σε αρχικό ακόμα στάδιο, παρέχοντας έτσι τον απαραίτητο χρόνο για τον σωστό προγραμματισμό της απαραίτητης συντήρησης ή επισκευής. Στην πορεία της εργασίας θα προτείνουμε και αναπτύξουμε ένα συνελικτικό νευρωνικό δίκτυο, το οποίο θα το τροφοδοτήσουμε με ακατέργαστες μετρήσεις κραδασμών που έχουν συλλεγεί από τους σφαιροτριβείς ενός κινητήρα σε εργαστηριακό περιβάλλον. Στη συνέχεια θα μελετήσουμε αν και πως το προτεινόμενο δίκτυο μπορεί να ανιχνεύσει τη λειτουργική κατάσταση των σφαιροτριβέων, αλλά και να κατηγοριοποιήσει τυχών βλάβες. Τα συνελικτικά νευρωνικά δίκτυα αποτελούν τομέα των τεχνητών νευρωνικών δικτύων και της βαθιάς μάθησης και στις μέρες μας τυγχάνουν ιδιαίτερης προσοχής στο χώρο της αναγνώρισης εικόνων και φωνής.	el
dc.format.extent	161	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.publisher	Πανεπιστήμιο Αιγαίου	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Προβλεπτική συντήρηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Προγνωστική συντήρηση	el
dc.subject	Predictive maintenance	el
dc.subject	Preventive maintenance	el
dc.subject	Artificial neural networks	el
dc.subject	Convolutional neural network	el
dc.subject	Deep learning	el
dc.subject	Vibrations	el
dc.title	Προβλεπτική συντήρηση μηχανημάτων με περιστρεφόμενα μέρη χρησιμοποιώντας τα συνελικτικά νευρωνικά δίκτυα	el
dc.title.alternative	Rotating machinery condition based maintenance utilizing convolutional neural networks	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el
dc.contributor.committee	Παπουτσιδάκης, Μιχαήλ
dc.contributor.committee	Drosos, Christos
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής	el
dc.contributor.master	Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές	el
dc.description.abstracttranslated	According to the World Economic Forum, 90% of global trade is transferred by merchant vessels by sea. The vessels of all kinds consist of dozens of complex machineries, the common factor of which are the rotating parts and the electric motors that operate continuously in a harsh environment with excess temperature and humidity, vibration, fatigue, and load. A breakdown or malfunction of one of these machineries can significantly impact the vessel’s operation and safety, and consequently, the safety of the crew and the environment. To maintain operational efficiency and seaworthiness, the shipping industry invests substantial resources in preventive maintenance and repairs. This research, aims to present the economic and technical benefits of predictive maintenance over to traditional preventive maintenance and repair by replacement approaches in the maritime domain. By leveraging modern technology and Artificial Intelligence, we can analyze real-time operating conditions of machinery, enabling early detection of potential damages and allowing for effective planning of future maintenance and repair activities. In the course of the paper, we will propose and develop a Convolutional Neural Network, which it will be fed with raw vibration measurements had been acquired in laboratory environment from the ball bearings of a motor. Then, we will investigate whether the proposed network can accurately detect the functional state of ball bearings and categorize any possible failures present, contributing to improved maintenance practices in the shipping industry. Convolutional Neural Networks belong in the field of Artificial Neural Networks and Deep Learning, and nowadays, they are receiving researchers’ attention in the field of image and voice recognition.	el

Files in this item

Name:: Rotating Machinery Condition ...
Size:: 6.686Mb
Format:: PDF
Description:: Πτυχιακή Εργασία

View/Open

This item appears in the following Collection(s)

Μεταπτυχιακές διπλωματικές εργασίες - Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές