|
|
Prediktivní údržba s bezdrátovým přenosem dat
Pernica, Michal ; Najman, Jan (oponent) ; Dobossy, Barnabás (vedoucí práce)
Tato práce se zabývá prediktivní údržbou a využitím sítě NB-IoT pro její účely. V první části práce jsou uvedené bezdrátové technologie pro přenos dat, následně jsou popsané různé druhy komunikačních protokolů a nakonec popsán postup vývoje prediktivní údržby. Ve druhé části práce je představena serverová aplikace pro účely prediktivní údržby, je zde představeno řízení soustav pomocí mikrokontroléru, NB-IoT modul SIM700E spolu s jeho specifikacemi, připojením k NB-IoT síti a implementací MQTT protokolu. Dále je popsán software serveru skládající se z MQTT brokera, Node-Red, Influx DB a Grafany. Následně je popsána aplikace prediktivní údržby na dvou zařízeních, konkrétně tepelná komora a pneustand. U těchto soustav je popsána jejich funkce, dále pak provedené úpravy. Poté jsou zmíněny poruchové stavy, které chceme detekovat a následně jsou natrénovány klasifikátory pro určení stavu. Nakonec je předěláno řízení soustav, tak aby to bylo možné pomocí mikrokontroléru. Nakonec jsou provedeny experimenty při provozu zařízení a ověření funkčnosti prediktivní údržby k identifikaci stavu.
|
|
|
Moderní přístupy k údržbě ve strojírenské praxi
Jiroušek, Lukáš ; Konečný, Antonín (oponent) ; Hammer, Miloš (vedoucí práce)
Diplomová práce se zabývá údržbou a implementací moderních přístupů údržby ve strojírenské praxi. Předkládaná diplomová práce je zaměřená na Totální produktivní údržbu (TPM). V první části práce jsou vymezeny obecné vlastnosti údržby, její dělení, včetně rozboru typů údržby. V souvislosti s údržbou podle technického stavu jsou dále představeny metody technické diagnostiky, jako je vibrodiagnostika, termodiagnostika, tribodiagnostika a akustická diagnostika. Druhá část práce se zaměřuje na filozofii a popis totální produktivní údržby (TPM) včetně jednotlivých pilířů a hodnocení celkové efektivity zařízení (OEE). Třetí část se zabývá samotnou praktickou implementací TPM ve firmě Schaeffler Production CZ s.r.o, a to s důrazem na autonomní údržbu, e-údržbu a koncept 7S. Závěrečná část diplomové práce shrnuje přínosy a výhody, které lze sledovat zavedením metody TPM ve firmě Schaeffler Production CZ s.r.o.
|
|
|
Data Analysis for Predictive Maintenance of a Robotic Arm
Žitný, Roland ; Rozman, Jaroslav (oponent) ; Janoušek, Vladimír (vedoucí práce)
The Mitsubishi MELFA robotic arms used in modern factories work almost without interruption and produce sensory data about their operation. Various analysis techniques can be applied to such data for predictive maintenance, which provide information on the condition and maintenance needs of such robotic arms. The proposed predictive maintenance process consists of a sensory data acquisition system using the slmpclient and mitsubishi-monitor libraries, an analysis method system with anomaly detection using a convolutional autoencoder, anomaly classification using convolutional neural networks, and data segmentation into segments of individual robot actions using hidden Markov models. Such analysis techniques provide information on the severity, type, and location of emerging faults and abnormalities in behavior, which then determine the time required to perform the required maintenance. This work presents a created chain of predictive maintenance processes, where the obtained findings provide valuable insights into the application of predictive maintenance of Mitsubishi MELFA robotic arms in an industrial environment.
|
|
|
Aplikace strojového učení pro prediktivní údržbu v Průmyslu 4.0
Navrátil, Tadeáš ; Richter, Miloslav (oponent) ; Horák, Karel (vedoucí práce)
Práce zpracovává algoritmy strojového učení pro použití v konceptu Průmysl 4.0. Největší důraz je kladen na prediktivní údržbu a vizuální inspekci. V teoretické části je práce zaměřena na literární rešerši metod strojového učení v oblasti detekce anomálií v časových řadách a obrazových datech. V praktické části se zabývá reimplementací vybraných metod a jejich zhodnocení pomocí matice záměn a metrik, které z ní vycházejí.
|
|
|
Automatická detekce zlomení nástroje při děrování plechů
Kluz, Jan ; Rajchl, Matej (oponent) ; Brablc, Martin (vedoucí práce)
Tato bakalářská práce se zabývá návrhem a následnou implementací systému automatické detekce zlomení razníku při procesu děrování plechů razníkem o malých rozměrech (0.5 x 12 mm). Navrhovaný systém má význam pro výrazné ulehčení práce operátora, zrychlení procesu výroby a rovněž šetření finančních prostředků firmy. V první části práce je předvedena řešena problematika. Následuje stručný teoretický úvod do oblasti digitálního zpracování signálu. V další části jsou prezentovány metody vyvinuté za účelem detekce signálu zlomení včetně pomocných algoritmů. Jedná se o metodu frekvenčních špiček, frekvenčních pásem, autokorelace, metody frekvenční korelace, klasifikaci strojovým učením včetně hlubokého strojového učení. Z použitých metod dosáhla nejlepších výsledků metoda hlubokého strojového učení neuronové sítě. Pro účely navržení klasifikačního systému byly použity charakteristiky z časové a frekvenční oblasti. Je popsána rovněž možnost prediktivní údržby nástroje včetně rešerše této oblasti v moderním průmyslu. Prezentovány jsou pak dosažené výsledky a jejich stručné zhodnocení. V poslední části se nachází popis procesu implementace celého systému do realtime podoby a jeho propojení s děrovacím lisem pomocí mikrokontroléru Arduino Uno a vytvořeného vstupně-výstupního signálového obvodu. Navrhovaný systém se povedlo sestavit, otestovat a uvést do zkušebního provozu.
|
|
|
Aplikace algoritmů prediktivní údržby na odhad RUL
Dvořák, Jan ; Brablc, Martin (oponent) ; Dobossy, Barnabás (vedoucí práce)
Cílem této práce je seznámit čtenáře s oblastí prediktivní údržby a jejími algoritmy především v rámci její prognostické části. Na datových sadách a provedeném experimentu dojde k určení zbývající životnosti daného systému pomocí vytvořených modelů v souladu s algoritmy popsanými v rešeršní části. Ke zpracování dat a tvorbě modelů bylo využito nástroje MATLAB a jeho dalších aplikací popsaných v práci.
|
|
|
Proposal for Improvements of Predictive Maintenance Services and its Promotion
Stránský, Štěpán ; Cabejšek, Tomáš (oponent) ; Kaňovská, Lucie (vedoucí práce)
The main goal of this bachelor’s thesis is to analyze the Power division of AXIMA company and its competitors with a focus on smart products and services and based on these analyses create proposals for improvements and promotion of AXIMA Power predictive maintenance services. The first main section is theoretical and includes definitions related to marketing, used analyses, and predictive maintenance followed by an analytical section where the current situation of the company is analyzed and key factors for the proposals are identified. The last section includes proposals for activities aimed at the improvement and promotion of the division’s predictive maintenance services and smart products.
|
|
|
Sběr provozních dat z 3D tiskárny
Fiala, Jan ; Baštán, Ondřej (oponent) ; Arm, Jakub (vedoucí práce)
Tato práce se zabývá návrhem a implementací funkčního modelu pro zpracování provozních veličin z 3D tiskárny s použitím různých senzorů v IoT konceptu. Naměřená data budou zpracována a převedena do základních jednotek s následným odesláním na cloud úložiště pro připojení k dalšímu systému. Práce zahrnuje výběr vhodných snímačů a členů pro realizaci zapojení, vytvoření funkčního modelu přenosu dat a následně implementaci celého návrhu na použitou 3D tiskárnu.
|
|
| |
|
|
Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení
Krč, Rostislav ; Vorel,, Jan (oponent) ; Plášek, Otto (oponent) ; Podroužek, Jan (vedoucí práce)
Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.
|
host ::
RSS.