Název:
Strojové učení při diagnostice vodních strojů
Překlad názvu:
Machine learning in water machine diagnostics
Autoři:
Šebek, Denis ; Rudolf, Pavel (oponent) ; Habán, Vladimír (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2023
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstrakt: [cze][eng]
Práca sa zaoberá využitím vysokofrekvenčných metód merania veličín ako tlak, zvuk a akustická emisia a ich aplikovania do strojného učenia pre detekciu preváckových sta- vov vodných strojov. Úlohou tejto práce je navrhnúť spôsob strojného učenia, ktorý by dokázal z nameraných dát vyhodnotiť stavy kavitácie, prietoku a poruchy na testovacej trati. Prvá časť práce sa zaoberá teoretickým úvodom niektorých vysokofrekvenčných metód merania a základným úvodom strojného učenia. V druhej časti je popísaný samotný experiment spolu s vysvetlením úpravy vstupných dát a naprogramovaním neurónovej siete. V závere sú jednotlivé výsletky zhodnotené a porovnané.
The thesis focuses on utilizing high-frequency measurement methods for measuring pressure, sound, and acoustic emission, and their application in machine learning for detecting operational states in water machinery. This thesis aims to propose a machine-learning approach capable of evaluating cavitation, flow conditions, and faults based on the collected data. The first part of the thesis discusses the theoretical introduction to selected high-frequency measurement methods and provides a basic introduction to machine learning. The second part describes the experimental setup, including data preprocessing and the implementation of a neural network. In the conclusion, the individual results are evaluated and compared.
Klíčová slova:
Akustická emisia; Kavitácia; Neurónové siete; Prietok; Strojné učenie; Tlak; Zvuk; Acoustic emission; Cavitation; Fluid flow; Machine learning; Neural network; Pressure
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/212421