Διερεύνηση εφαρμογής νευρωνικών δικτυών στην πρόβλεψη της καμπύλης του στατικού σφάλματος μετάδοσης μετωπικών οδοντωτών τροχών
Investigation of the application of neural networks for the prediction of the static error curve of spur gear transmission
Λέξεις-κλειδιά
Γρανάζια ; Feed forward neural network ; Νευρωνικά δίκτυα ; Μηχανική μάθηση ; Static transmission error ; Ffnn ; Mean absolute percentage errorΠερίληψη
Η παρούσα διπλωματική εργασία επικεντρώνεται στη διερεύνηση της εφαρμογής νευρωνικών δικτύων
για την πρόβλεψη της καμπύλης του στατικού σφάλματος μετάδοσης (Static Transmission Error - STE)
σε γρανάζια. Οι παραδοσιακές μέθοδοι υπολογισμού του STE, όπως οι αναλυτικές προσεγγίσεις και η
μέθοδος των πεπερασμένων στοιχείων, παρουσιάζουν υψηλές υπολογιστικές απαιτήσεις και
περιορισμένη προσαρμοστικότητα σε πολύπλοκες γεωμετρίες. Η εργασία προτείνει τη χρήση τεχνικών
μηχανικής μάθησης, και ειδικότερα νευρωνικών δικτύων τύπου Feedforward Neural Networks (FFNN),
για τη δημιουργία ενός ισοδύναμου μοντέλου πρόβλεψης του STE. Αρχικά, γίνεται ανάλυση της
μηχανολογικής συμπεριφοράς των γραναζιών και των παραγόντων που επηρεάζουν το STE. Στη
συνέχεια, παρουσιάζονται βασικές αρχές μηχανικής μάθησης και νευρωνικών δικτύων, με έμφαση στη
διαδικασία εκπαίδευσης, τις αρχιτεκτονικές και τις μετρικές αξιολόγησης.
Για την ανάπτυξη του μοντέλου, συλλέγεται και προεπεξεργάζεται ένα μεγάλο σύνολο δεδομένων που
περιλαμβάνει παραμέτρους γεωμετρίας και λειτουργίας των γραναζιών. Το νευρωνικό δίκτυο
εκπαιδεύεται με στόχο τη βελτιστοποίηση της ακρίβειας πρόβλεψης της καμπύλης STE,
χρησιμοποιώντας μετρικές όπως το MAPE (Mean Absolute Percentage Error). Τα αποτελέσματα
αξιολογούνται και συγκρίνονται με τις κλασικές μεθόδους υπολογισμού, δείχνοντας ότι το
προτεινόμενο ισοδύναμο μοντέλο μπορεί να προσφέρει ακριβείς προβλέψεις με σημαντική μείωση του
υπολογιστικού κόστους. Η εργασία καταλήγει στο συμπέρασμα ότι τα νευρωνικά δίκτυα αποτελούν μια
αποδοτική εναλλακτική λύση για την πρόβλεψη του STE, συμβάλλοντας στη βελτιστοποίηση του
σχεδιασμού γραναζιών και τη μείωση του θορύβου και των κραδασμών σε συστήματα μετάδοσης
κίνησης.
Περίληψη
The present thesis focuses on investigating the application of neural networks for predicting the static
transmission error (STE) curve in gears. Traditional methods for calculating STE, such as analytical
approaches and the finite element method, involve high computational demands and limited adaptability
to complex geometries. This study proposes the use of machine learning techniques, specifically
Feedforward Neural Networks (FFNN), to develop an equivalent predictive model for STE.
Initially, an analysis is conducted on the mechanical behavior of gears and the factors influencing STE.
Subsequently, fundamental principles of machine learning and neural networks are presented, with an
emphasis on the training process, architectures, and evaluation metrics.
For model development, a large dataset is collected and preprocessed, incorporating gear geometry and
operational parameters. The neural network is trained with the objective of optimizing the accuracy of
STE curve predictions, using metrics such as Mean Absolute Percentage Error (MAPE). The results are
evaluated and compared with classical computational methods, demonstrating that the proposed
equivalent model can provide accurate predictions while significantly reducing computational costs.
The study concludes that neural networks represent an efficient alternative for predicting STE,
contributing to the optimization of gear design and the reduction of noise and vibrations in transmission
systems.
Αριθμός σελίδων
101Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Πληροφορικής και ΥπολογιστώνΓλώσσα
ΕλληνικάΣυλλογή
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