Knowledge base: Warsaw University of Technology

Settings and your account

Back

Damage’s detection of the industrial compressors by use of neural networks

Jarosław Gralak

Abstract

Within the scope of the work there was made a neural network diagnosing the states of industrial air compressor. The model was implemented as a computer program written in Python language. The basis of compressor states analysis were exploitative data of existing device gathered by the monitoring system. Collected signals were written as csv-type files. The data set encompassed two types of files. In the first one there were physical parameters of the compressor, in the second there were gathered classes which indicated the state of the device. There were separated three states of tested compressor: correct work, incorrect work and transient state. The aim of the graduate work was to build the neural network that will be able to determine the state of the compressor. The first phase was preparation of the data into feeding the model. To achieve it the faulty files containing incomplete or unclassified data were eliminated. It is worth to notice that the volume of information in the artificial intelligence systems is big what significantly prolongs the time of calculation. The next step was removal of irrelevant parameters which was not influencing the state of the device. Taking into consideration that all the feeding signals have to be in the same range of values, the parameters need to be normalized. Normalization makes all the parameters are in the same scope. Normalized values were combined and put into a matrix. A vital issue was a type of neural network. Having in mind a kind of the task the most suitable choice was a deep neural network. The number of layer and neurons was an another question to solve. The model was built using API (Application Program Interface) Keras, that includes first-class support for TensorFlow-specific functionality. Use of the libraries supporting neural networks modeling was one of the goals of this graduate work. In the model there were set other arguments such as: the number of inputs, activation function, optimizer, the number of epochs and so on. The data were divided into testing and learning ones. The set of learning parameters were used to teach the model the testing set to test it. The most effective one was chosen during the tests of models with different numbers of layers and neurons. The results of the testing phase confirmed that the neural network is able to diagnose the states of given industrial compressor.
Diploma type
Engineer's / Bachelor of Science
Diploma type
Engineer's thesis
Author
Jarosław Gralak (FM) Jarosław Gralak,, Faculty of Mechatronics (FM)
Title in Polish
Detekcja uszkodzeń kompresora przemysłowego przy wykorzystaniu sieci neuronowych
Supervisor
Paweł Wnuk (FM/IACR) Paweł Wnuk,, The Institute of Automatic Control and Robotics (FM/IACR)Faculty of Mechatronics (FM)
Certifying unit
Faculty of Mechatronics (FM)
Affiliation unit
The Institute of Automatic Control and Robotics (FM/IACR)
Study subject / specialization
, Automatyka i Robotyka (Automation and Robotics)
Language
(pl) Polish
Status
Finished
Defense Date
16-12-2019
Issue date (year)
2019
Reviewers
Bartłomiej Fajdek (FM/IACR) Bartłomiej Fajdek,, The Institute of Automatic Control and Robotics (FM/IACR)Faculty of Mechatronics (FM) Paweł Wnuk (FM/IACR) Paweł Wnuk,, The Institute of Automatic Control and Robotics (FM/IACR)Faculty of Mechatronics (FM)
Keywords in Polish
sztuczna inteligencja, sieci neuronowe, TensorFlow, Keras
Keywords in English
artificial intelligence, neural networks, TensorFlow, Keras
Abstract in Polish
W ramach pracy wykonano sieć neuronową służącą do diagnozowania stanów pracy przemysłowej sprężarki powietrza. Model został zaimplementowany w formie programu komputerowego napisanego w języku Python. Podstawą do analizy stanów kompresora były dane eksploatacyjne istniejącego urządzenia. Dane te obejmowały parametry pracy zarchiwizowane przez system monitoringu. Zebrane sygnały były zapisane w plikach typu csv. Zbiór obejmował dwa rodzaje plików: pierwszy z zapisem parametrów fizycznych, drugi z zapisanym stanem urządzenia. Badana sprężarka miała wyodrębnione trzy stany: prawidłową pracę, wadliwą pracę oraz stan nieustalony. Każdy wiersz pliku zawierający dane z monitoringu był zaklasyfikowany do jednej z powyższych kategorii. Celem pracy dyplomowej była budowa modelu sieci neuronowej, która na podstawie chwilowych parametrów pracy będzie w stanie zdecydować czy sprężarka pracuje poprawnie czy nie, ewentualnie wskaże, iż urządzenie znajduje się w stanie nieustalonym. Pierwszym etapem pracy było przygotowanie danych do analizy. W tym celu z całego zasobu plików wyeliminowano zbiory wadliwe, na przykład zawierające niepełne dane lub zbiory nieskatalogowane tj. niezaklasyfikowane do jednej z trzech kategorii. Należy zaznaczyć, iż ilość danych przetwarzanych w systemach sztucznej inteligencji jest relatywnie duża, co znacząco wpływa na czas obliczeń. W kolejnym kroku usunięto parametry nieistotne tj. takie które nie wpływały na stan pracy urządzenia. Z uwagi na to, iż wartości wszystkich sygnałów na wejściu do sieci neuronowej muszą zawierać się w tym samym przedziale, dane poddano tzw. normalizacji czyli sprowadzono je do określonego zakresu. Następnie połączono wszystkie dane ze sobą w jedną macierz. Istotnym zagadnieniem był wybór typu sieci. Z uwagi na rodzaj zadania wybrano głęboką sieć neuronową, przy czym ilość warstw i neuronów było odrębną kwestią do rozwiązania. Model zbudowano przy pomocy API (interfejs programowania aplikacji) Keras, który jest częścią obszernej biblioteki TensorFlow. Wykorzystanie specjalistycznych narzędzi do modelowania sieci (takim narzędziem jest biblioteka TensorFlow) było jednym z celów pracy dyplomowej. W model, oprócz podstawowej struktury, określono inne parametry takie jak: ilość wejść, typ funkcji aktywacji, algorytmu optymalizacji wag, liczba iteracji i inne. Po podzieleniu danych na zbiór próbek uczących i zbiór próbek testujących przystąpiono do uczenia modelu czyli do wyznaczenia wag sieci. W tym celu na wejście podawano dane uczące w celu wyznaczeniu błędu i korekcji wag. Po etapie uczenia przystąpiono do testowania modelu zbiorem próbek testujących poprzez podanie na wejściu parametrów i porównanie wyjścia modelu z wartością oczekiwaną. Na podstawie wielokrotnych sesji testujących wybrano optymalny model. Uzyskane wyniki potwierdziły, iż zaimplementowany model jest w stanie diagnozować stany pracy analizowanego kompresora przemysłowego.
File
  • File: 1
    Praca_dyplomowa_Jaroslaw_Gralak.pdf
Request a WCAG compliant version
Local fields
Identyfikator pracy APD: 37204

Uniform Resource Identifier
https://repo.pw.edu.pl/info/bachelor/WUT51fd8f5ce54b406cbe3acbf3dc484746/
URN
urn:pw-repo:WUT51fd8f5ce54b406cbe3acbf3dc484746

Confirmation
Are you sure?
Report incorrect data on this page