Intelligent system for fault diagnosis in agricultural tractor mechanical subsystems

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Ευφυές σύστημα για τη διάγνωση βλαβών στα μηχανικά υποσυστήματα του γεωργικού ελκυστήρα
Intelligent system for fault diagnosis in agricultural tractor mechanical subsystems

Kateris, Dimitrios
Κατέρης, Δημήτριος

PhD Thesis

2015


The aim of this Thesis is the development of a prototype intelligent fault - failure diagnosis system (design and implementation). Both the development and confirmation were performed in an agricultural tractor mechanical gearbox. The system was based on this particular idea: When fault occurs at a single bearing of a gearbox, this leads to the replacement of all of its bearings even though they are still operational. This way the repair costs raise to an unreasonably high level. This intelligent system was developed to diagnose quickly and with a great accuracy faults and failures at any of the agricultural tractor mechanical subsystem. It is also able to diagnose at which bearing exactly the fault occurs, so that the repair of it is selective and the maintenance costs reduced. The system is based on the performance of either one or two Bayesian Multilayer Perceptron Neural Network with Automatic Relevance Determination, MLP-ARD, which combine data from monoaxial and triaxial accelerometers that were placed at selected positions of the gearbox. The results of the system evaluation were considered highly satisfactory and confirmed in an absolute way the objectives of this Thesis.
Σκοπός της παρούσας διδακτορικής διατριβής είναι η ανάπτυξη (σχεδιασμός και υλοποίηση) ενός πρωτότυπου ευφυούς συστήματος διάγνωσης σφαλμάτων – βλαβών. Η ανάπτυξη και η επιβεβαίωση πραγματοποιήθηκε σε ένα μηχανικό κιβώτιο ταχυτήτων ενός Γεωργικού Ελκυστήρα. Η φιλοσοφία του συστήματος στηρίζεται στο σκεπτικό ότι η εμφάνιση μιας βλάβης σε κάποιο από τα έδρανα κύλισης ενός κιβωτίου ταχυτήτων οδηγεί σε αντικατάσταση όλων των εδράνων του. Μια τέτοια κίνηση όμως επιβαρύνει το κόστος επισκευής λόγω αντικατάστασης εδράνων που δεν έχουν φτάσει ακόμη στο τέλος της λειτουργικής τους ζωής. Προκειμένου να αποφευχθούν τέτοιου είδους “σπατάλες” αποφασίστηκε η ανάπτυξη του εν λόγω ευφυούς συστήματος. Το σύστημα είναι σε θέση να διαγιγνώσκει γρήγορα και με μεγάλη ακρίβεια σφάλματα και βλάβες σε οποιοδήποτε μηχανικό υποσύστημα του γεωργικού ελκυστήρα. Επίσης μπορεί να διαγιγνώσκει σε ποιο από τα έδρανα του κιβωτίου εμφανίζεται το σφάλμα προκειμένου η επισκευή να είναι επιλεκτική, μειώνοντας με αυτόν τον τρόπο το κόστος συντήρησης. Το σύστημα βασίζεται στην εκτέλεση ενός ή δύο κατά περίπτωση Μπαγεσιανών (Bayesian) πολυστρωματικών νευρωνικών δικτύων με αυτόματο προσδιορισμό συνάφειας (Multilayer Perceptron Neural Network with Automatic Relevance Determination, MLP-ARD) τα οποία συνδυάζουν δεδομένα από μονοαξονικά και τριαξονικά επιταχυνσιόμετρα που τοποθετήθηκαν σε επιλεγμένες θέσεις επάνω στο κιβώτιο ταχυτήτων. Τα αποτελέσματα της αξιολόγησης του συστήματος κρίθηκαν άκρως ικανοποιητικά επιβεβαιώνοντας απόλυτα τις αρχικούς στόχους της παρούσας διδακτορικής διατριβής.

Γεωπονικές Επιστήμες και Κτηνιατρική ➨ Άλλες Γεωπονικές Επιστήμες

Νευρωνικά δίκτυα
Fault diagnosis
Βearings
Agricultural and Veterinary Sciences
Άλλες Γεωπονικές Επιστήμες
Γεωπονικές Επιστήμες και Κτηνιατρική
Έδρανα κύλισης
Neural networks
Other Agricultural Sciences
Διάγνωση βλαβών
condition monitoring
παρακολούθηση κατάστασης

Ελληνική γλώσσα

Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ)
Aristotle University Of Thessaloniki (AUTH)

Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Γεωπονίας, Δασολογίας και Φυσικού Περιβάλλοντος. Τμήμα Γεωπονίας




*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.