Evaluation the effectiveness of auto machine learning and traditional machine learning methods using a model that predicts electric motor bearing defects

Graduate papers

Search graduate papers

Description of the graduate paper

Form of studies	Master
Title of the study programm	Production Engineering
Title in original language	Automatizēta mašīnmācīšanās un tradicionālu mašīnmācīšanās metožu efektivitātes salīdzināšana izmantojot modeli, kas paredz elektromotora gultņa defektus
Title in English	Evaluation the effectiveness of auto machine learning and traditional machine learning methods using a model that predicts electric motor bearing defects
Department	Faculty Of Civil And Mehanical Engineering
Scientific advisor	Toms Torims
Reviewer	Kārlis Berkolds
Abstract	Ražošanas iekārtu dīkstāves ir tas, no kā katrs uzľēmums vēlas izvairīties. Bieži mehānikas inženieri lielāko daļu no sava laika pavada iekārtu remontos, atstājot maz laika apkopes sistēmas optimizācijai un uzlabojumiem. Augsts dīkstāves līmenis nozīmē, ka ražošana rezultāti būs zemi, un ekspluatācijas izmaksas augstas. Elektromotoru savlaicīga apkope var samazināt gan iekārtu dīkstāves, gan izmaksas. Visbiežāk sastopamā elektromotora atteice ir gultņu defekts, kas var būt izraisīts daţādu iemeslu dēļ. Vibrodiagnostika ir viena no metodēm, kas izvērtē un definē bojāto gultņa elementu. Mūsdienas vibrācijas sensori ļauj apstrādāt vibrodiagnostikas datus, izmantojot augstas veiktspējas programmatūras. Funkcijas daudzveidības un datu vizualizācijas rīki ļauj efektīvi atpazīt defektus. Iegūtie vibrācijas dati tiek izmantoti, lai gan novērtētu iekārtas stāvokli, gan varētu tos izmantot datus mašīnmācības rīkiem (ML). Pasaulē arvien vairāk iekārtu apkope tiek izmantots mākslīgs intelekts (AI). Tiek izveidoti klasifikācijas algoritmi, lai varētu veikt raţošanas apjoma prognozes, paredzēt iekārtu bojājumus un iekārtu lietderīgās lietošanas laiku (RUL). Visu to var panākt tikai ar mašīnmācīšanās rīkiem. Protams, tradicionālās metodes, piemēram, gultņu pārbaude darbības laikā un termogrāfija var atklāt problēmu, bet tas aizņem apkopes personāla laiku. Mašīnmācības rīki ļauj apvienot diagnostikas metodes ar jaunākiem izgudrojumiem mākslīgā intelektā jomā un sasniegt nozīmīgus rezultātus. Šobrīd lielākā daļa no pētījumiem ir saistīta ar efektīvu un precīzu mašīnmācībās rīku meklēšanu gultľu defektu klasifikācijā. Pētījuma mērķis ir, izmantojot mašīnmācības rīkus, paredzēt elektromotora defektus, kā arī salīdzināt daţādu metoţu efektivitāti dažādos iekārtas darbībās apstākļos.
Keywords	Iekārtu apkope, elektromotora gultņu defekti, mašīnmācībās rīki
Keywords in English	equipment maintenance, electric motor bearing faults, machine learning tools
Language	lv
Year	2022
Date and time of uploading	06.06.2022 21:55:47