Ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω MISO transmittance και νευρωνικών δικτύων
Θεματικό άξονα της παρούσας Διπλωματικής Εργασίας αποτελεί η ανίχνευση βλαβών μικρής έκτασης στο σύνολο των εξαρτημάτων της ανάρτησης ενός σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες λειτουργίας. Οι συνθήκες αυτές είναι η ταχύτητα του οχήματος και η μεταβολή του γεωμετρικού προφίλ των σιδηρο...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16407 |
| id |
nemertes-10889-16407 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα Πολλαπλά Μοντέλα Αναρτήσεις σιδηροδρομικών οχημάτων Ανίχνευση πρώιμων βλαβών Neural networks MISO transmittance ARX Multiple models Railway vehicle’s suspension Minor fault detection |
| spellingShingle |
Νευρωνικά δίκτυα Πολλαπλά Μοντέλα Αναρτήσεις σιδηροδρομικών οχημάτων Ανίχνευση πρώιμων βλαβών Neural networks MISO transmittance ARX Multiple models Railway vehicle’s suspension Minor fault detection Χειμώνας, Ηλίας Δημήτριος Ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω MISO transmittance και νευρωνικών δικτύων |
| description |
Θεματικό άξονα της παρούσας Διπλωματικής Εργασίας αποτελεί η ανίχνευση βλαβών μικρής έκτασης στο σύνολο των εξαρτημάτων της ανάρτησης ενός σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες λειτουργίας. Οι συνθήκες αυτές είναι η ταχύτητα του οχήματος και η μεταβολή του γεωμετρικού προφίλ των σιδηροδρομικών γραμμών λόγω φθοράς. Η παρακολούθηση της κατάστασης υγείας των εξαρτημάτων της ανάρτησης σε πραγματικό χρόνο συμβάλει στην αύξηση της ασφάλειας ταξιδιού αλλά και στην μείωση του κόστους συντήρησης και διακοπής λειτουργίας του οχήματος, καθώς αυτό συντηρείται βάσει της πραγματικής κατάστασης των εξαρτημάτων που το αποτελούν. Η ανίχνευση βλαβών βασίζεται σε ταλαντωτικά σήματα, τα οποία μετρούνται επί του σιδηροδρομικού οχήματος μέσω του προγράμματος προσομοίωσης Simpack και επεξεργάζονται με τη βοήθεια του υπολογιστικού προγράμματος Matlab, προκειμένου να εξεταστεί η ανίχνευση της βλάβης. Τα μετρούμενα σήματα ταλάντωσης μοντελοποιούνται μέσω αναπαραστάσεων Πολλαπλών Εισόδων Μονής Εξόδου (Multiple Input Single Output – MISO) Transmittance Function ARX, των οποίων οι εξαχθέντες παράμετροι δεν επηρεάζονται από την μεταβολή της γεωμετρίας των σιδηροτροχιών λόγω φθοράς. Το χαρακτηριστικό διάνυσμα των παραμέτρων αυτής της μοντελοποίησης τροφοδοτείται σε Νευρωνικό Δίκτυο, το οποίο με την σωστή εκπαίδευση καλείται να προσφέρει εύρωστη ανίχνευση ως προς την μεταβαλλόμενη ταχύτητα του οχήματος. Η αρχιτεκτονική του Νευρωνικού Δικτύου που χρησιμοποιείται είναι απλή και βασίζεται σε περιορισμένα σήματα εκπαίδευσης. Η ανίχνευση κρίνεται αποτελεσματικότερη με τη χρήση της μεθόδου των Πολλαπλών Μοντέλων που εφαρμόζεται για λόγους σύγκρισης. Η τελευταία πετυχαίνει ανίχνευση των πρώιμων βλαβών ακόμη και με ποσοστό ορθών διαγνώσεων 100% για 0% ψευδοσυναγερμούς, σε σχέση με τα Νευρωνικά Δίκτυα, τα οποία παρουσιάζουν χαμηλότερη απόδοση( 75% ορθές διαγνώσεις για 10% ψευδοσυναγερμών). |
| author2 |
Cheimonas, Ilias Dimitrios |
| author_facet |
Cheimonas, Ilias Dimitrios Χειμώνας, Ηλίας Δημήτριος |
| author |
Χειμώνας, Ηλίας Δημήτριος |
| author_sort |
Χειμώνας, Ηλίας Δημήτριος |
| title |
Ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω MISO transmittance και νευρωνικών δικτύων |
| title_short |
Ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω MISO transmittance και νευρωνικών δικτύων |
| title_full |
Ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω MISO transmittance και νευρωνικών δικτύων |
| title_fullStr |
Ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω MISO transmittance και νευρωνικών δικτύων |
| title_full_unstemmed |
Ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω MISO transmittance και νευρωνικών δικτύων |
| title_sort |
ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω miso transmittance και νευρωνικών δικτύων |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16407 |
| work_keys_str_mv |
AT cheimōnasēliasdēmētrios anichneusēblabōnseanartēsēsidērodromikouochēmatosypometaballomenessynthēkesmesōmisotransmittancekaineurōnikōndiktyōn AT cheimōnasēliasdēmētrios faultdetectioninrailwaysuspensionsundervaryingoperatingconditionsviamisotransmittancefunctionsandneuralnetworks |
| _version_ |
1771297159343243264 |
| spelling |
nemertes-10889-164072022-09-05T05:37:31Z Ανίχνευση βλαβών σε ανάρτηση σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες, μέσω MISO transmittance και νευρωνικών δικτύων Fault detection in railway suspensions under varying operating conditions via MISO transmittance functions and neural networks Χειμώνας, Ηλίας Δημήτριος Cheimonas, Ilias Dimitrios Νευρωνικά δίκτυα Πολλαπλά Μοντέλα Αναρτήσεις σιδηροδρομικών οχημάτων Ανίχνευση πρώιμων βλαβών Neural networks MISO transmittance ARX Multiple models Railway vehicle’s suspension Minor fault detection Θεματικό άξονα της παρούσας Διπλωματικής Εργασίας αποτελεί η ανίχνευση βλαβών μικρής έκτασης στο σύνολο των εξαρτημάτων της ανάρτησης ενός σιδηροδρομικού οχήματος υπό μεταβαλλόμενες συνθήκες λειτουργίας. Οι συνθήκες αυτές είναι η ταχύτητα του οχήματος και η μεταβολή του γεωμετρικού προφίλ των σιδηροδρομικών γραμμών λόγω φθοράς. Η παρακολούθηση της κατάστασης υγείας των εξαρτημάτων της ανάρτησης σε πραγματικό χρόνο συμβάλει στην αύξηση της ασφάλειας ταξιδιού αλλά και στην μείωση του κόστους συντήρησης και διακοπής λειτουργίας του οχήματος, καθώς αυτό συντηρείται βάσει της πραγματικής κατάστασης των εξαρτημάτων που το αποτελούν. Η ανίχνευση βλαβών βασίζεται σε ταλαντωτικά σήματα, τα οποία μετρούνται επί του σιδηροδρομικού οχήματος μέσω του προγράμματος προσομοίωσης Simpack και επεξεργάζονται με τη βοήθεια του υπολογιστικού προγράμματος Matlab, προκειμένου να εξεταστεί η ανίχνευση της βλάβης. Τα μετρούμενα σήματα ταλάντωσης μοντελοποιούνται μέσω αναπαραστάσεων Πολλαπλών Εισόδων Μονής Εξόδου (Multiple Input Single Output – MISO) Transmittance Function ARX, των οποίων οι εξαχθέντες παράμετροι δεν επηρεάζονται από την μεταβολή της γεωμετρίας των σιδηροτροχιών λόγω φθοράς. Το χαρακτηριστικό διάνυσμα των παραμέτρων αυτής της μοντελοποίησης τροφοδοτείται σε Νευρωνικό Δίκτυο, το οποίο με την σωστή εκπαίδευση καλείται να προσφέρει εύρωστη ανίχνευση ως προς την μεταβαλλόμενη ταχύτητα του οχήματος. Η αρχιτεκτονική του Νευρωνικού Δικτύου που χρησιμοποιείται είναι απλή και βασίζεται σε περιορισμένα σήματα εκπαίδευσης. Η ανίχνευση κρίνεται αποτελεσματικότερη με τη χρήση της μεθόδου των Πολλαπλών Μοντέλων που εφαρμόζεται για λόγους σύγκρισης. Η τελευταία πετυχαίνει ανίχνευση των πρώιμων βλαβών ακόμη και με ποσοστό ορθών διαγνώσεων 100% για 0% ψευδοσυναγερμούς, σε σχέση με τα Νευρωνικά Δίκτυα, τα οποία παρουσιάζουν χαμηλότερη απόδοση( 75% ορθές διαγνώσεις για 10% ψευδοσυναγερμών). The focus of this Diploma Thesis it the detection of minor faults in all railway vehicle’s suspension component types under varying operational conditions. These conditions are the speed of the vehicle and the change in geometric profile of the railway tracks due to wear. Monitoring the health condition of suspension components in real time helps to increase the travel safety, but also to reduce the cost of maintenance and downtime of the vehicle, as this is maintained based on the actual condition of its components. Damage detections is based on the vibration signals retrieved from the vehicle using the Simpack simulation program and are being processed with the help of Matlab computing program to detect the presence of a fault. The measured vibration signals are modeled though representations of Multiple Input Single Output (MISO) Transmittance Function ARX, the output parameters of which are not affected by the change in the geometry of the rails due to wear. The characteristic vector of the parameters of this modeling is fed into a Neural Network, which with the right training is called to offer robust detection in terms of the changing speed of the vehicle. The Neural Network architecture used is simple and based on limited training signals. The detection is considered more effective using the Multiple Models method, which is applied for comparison reasons. The latter succeeds in detecting minor damages even with a percentage of 100% correct diagnoses for 0% false alarms, in relation to Neural Networks, which show a lower efficiency (75% correct diagnoses for 10% false alarms). 2022-07-07T07:30:58Z 2022-07-07T07:30:58Z 2022-07-05 http://hdl.handle.net/10889/16407 gr application/pdf |
