Διερεύνηση εφαρμογής νευρωνικών δικτυών στην πρόβλεψη της καμπύλης του στατικού σφάλματος μετάδοσης μετωπικών οδοντωτών τροχών
| dc.contributor.advisor | Βασιλάς, Νικόλαος | |
| dc.contributor.author | Βοϊδονικόλα, Μαρία | |
| dc.date.accessioned | 2025-03-13T14:21:58Z | |
| dc.date.available | 2025-03-13T14:21:58Z | |
| dc.date.issued | 2025-03-06 | |
| dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/8749 | |
| dc.description.abstract | 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. | el |
| dc.format.extent | 101 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Δυτικής Αττικής | el |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές | * |
| dc.rights | Attribution-NonCommercial-NoDerivatives 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 | Γρανάζια | el |
| dc.subject | Feed forward neural network | el |
| dc.subject | Νευρωνικά δίκτυα | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Static transmission error | el |
| dc.subject | Ffnn | el |
| dc.subject | Mean absolute percentage error | el |
| dc.title | Διερεύνηση εφαρμογής νευρωνικών δικτυών στην πρόβλεψη της καμπύλης του στατικού σφάλματος μετάδοσης μετωπικών οδοντωτών τροχών | el |
| dc.title.alternative | Investigation of the application of neural networks for the prediction of the static error curve of spur gear transmission | el |
| dc.type | Διπλωματική εργασία | el |
| dc.contributor.committee | Μπαρδής, Γεώργιος | |
| dc.contributor.committee | Γεωργουλάκη, Χριστίνα | |
| dc.contributor.faculty | Σχολή Μηχανικών | el |
| dc.contributor.department | Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών | el |
| dc.description.abstracttranslated | 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. | el |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Πληροφορικής και Υπολογιστών
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