| Περίληψη: | Η χρησιμοποίηση έξυπνων συστημάτων, δηλαδή συστημάτων λογισμικού που ενσωματώνουν εργαλεία τεχνητής νοημοσύνης (π.χ. τεχνητά νευρωνικά δίκτυα (ΤΝΔ), ασαφή λογική κ.λπ.), σε προβλήματα που πραγματεύεται η επιστήμη του μηχανικού ολοένα και αυξάνεται καθώς παρουσιάζουν κάποια πλεονεκτήματα σε σχέση με τα κλασικά υπολογιστικά εργαλεία που χρησιμοποιούνται. Σκοπός της εργασίας είναι η ανάδειξη των πλεονεκτημάτων αυτών στο πρόβλημα ενός ατελούς ευθυγραμμισμένου κυλινδρικού εδράνου ολίσθησης και πιο συγκεκριμένα στον υπολογισμό των δυνάμεων και των ροπών που ασκούνται στον άξονα, οι οποίες είναι κρίσιμες παράμετροι για την αντιμετώπιση της ατελούς αυτής ευθυγράμμισης.
Τα έξυπνα συστήματα, έχουν την ικανότητα να «μαθαίνουν» χαρακτηριστικά πολύπλοκων συστημάτων με πολλές μεταβλητές και συχνά δίνουν αποτελέσματα ταχύτερα και με λιγότερο υπολογιστικό κόστος σε σχέση με τα παραδοσιακά μαθηματικά μοντέλα που θα έπρεπε να εφαρμοστούν. Ένας τρόπος με τον οποίο επιτυγχάνεται αυτό, είναι με την χρήση τεχνητών νευρωνικών δικτύων. Τα ΤΝΔ προσομοιώνουν το βιολογικό νευρωνικό δίκτυο αποτελούμενα από νευρώνες διασυνδεδεμένους μεταξύ τους και έχουν την δυνατότητα να μαθαίνουν μέσω κατάλληλων δειγμάτων εκπαίδευσης.
Ένα από τα κυριότερα προβλήματα που αντιμετωπίζουν τα έδρανα ολίσθησης είναι η ατελής ευθυγράμμιση του άξονα από το έδρανο. Το επακόλουθο της ατελούς ευθυγράμμισης είναι η μείωση της ικανότητας παραλαβής φορτίου, η φθορά είτε στον άξονα είτε στο έδρανο (κυρίως στο έδρανο), η αύξηση των απωλειών ενέργειας και η δημιουργία ταλαντώσεων που συνοδεύεται από φαινόμενα συντονισμού, εναλλασσόμενων φορτίσεων (κόπωσης), διάδοσης ρωγμών και αυξημένο επίπεδο θορύβου. Συνεπώς, είναι κρίσιμο να μελετηθεί το πρόβλημα αυτό και να βρεθούν τρόποι για τον περιορισμό του.
Στην παρούσα εργασία, η ανάλυση του προβλήματος υδροδυναμικής λίπανσης του ατελώς ευθυγραμμισμένου κυλινδρικού εδράνου γίνεται με δύο τρόπους. Αρχικά, το πρόβλημα αναλύεται με αριθμητικό τρόπο, εφαρμόζοντας ένα μοντέλο πεπερασμένων διαφορών (ΠΔ) για την επίλυση της μερικής διαφορικής εξίσωσης του Reynolds. Έπειτα, για την εφαρμογή του «έξυπνου» συστήματος εκπαιδεύεται ένα ΤΝΔ με δείγματα εκπαίδευσης που προκύπτουν από την μέθοδο των ΠΔ. Τέλος, τα αποτελέσματα με την χρήση του μοντέλου των ΠΔ και του τεχνητού νευρωνικού δικτύου συγκρίνονται μεταξύ τους, ως προς το υπολογιστικό κόστος και ως προς την απόκλιση.
Εν κατακλείδι, συμβολή αποτελεί η ανάπτυξη της ιδέας και η απόδειξη, ότι η εφαρμογή μοντέλων μηχανικής μάθησης σε προβλήματα υδροδυναμικής λίπανσης δίνει αποτελέσματα με ανεκτό σφάλμα σε σχέση με τις αριθμητικές μεθόδους. Μάλιστα σε περιπτώσεις προβλημάτων πολύπλοκων και με πολλές μεταβλητές, όπου δεν υπάρχουν αναλυτικές σχέσεις, το τεχνητό νευρωνικό δίκτυο παρέχει αποτελέσματα ακαριαία με λίγη υπολογιστική ισχύ ενώ οι αριθμητικές μέθοδοι απαιτούν μεγάλη υπολογιστική ισχύ και περισσότερο χρόνο. Έτσι, αυτή η προσέγγιση είναι ελπιδοφόρα για εφαρμογές online παρακολούθησης της κατάστασης και διάγνωσης βλαβών των υδροδυναμικών εδράνων ολίσθησης γενικότερα.
|
|---|
