| Název: | Detekce anomálií stavů turbíny v datech systému RMS |
| Další názvy: | Anomaly detection of turbine states in RMS system data |
| Autoři: | Široký, Dan |
| Vedoucí práce/školitel: | Liška Jindřich, Ing. Ph.D. |
| Oponent: | Jakl Jan, Ing. Ph.D. |
| Datum vydání: | 2023 |
| Nakladatel: | Západočeská univerzita v Plzni |
| Typ dokumentu: | diplomová práce |
| URI: | http://hdl.handle.net/11025/55134 |
| Klíčová slova: | detekce anomálií;strojové učení;ocsvm;gmm;signálový model;vzdálené monitorování strojů;diagnostika rotačních strojů;analýza a zpracování signálů |
| Klíčová slova v dalším jazyce: | anomaly detection;machine learning;ocsvm;gmm;signal model;remote machine monitoring;rotating machine diagnostics;signal analysis and processing |
| Abstrakt: | DTato diplomová práce se zabývá úlohou vzdáleného monitorování a diagnostiky točivých strojů, konrétně průmyslových parních turbín. Jejím cílem je navrhnout softwarové řešení detekce anomálií v oblasti, kde se setkáváme s vysokými objemy dat. V průmyslových systémech je úspěšná detekce anomálií klíčovým faktorem pro zajištění jejich bezpečného a spolehlivého provozu. S rostoucím množstvím dat se však tato úloha stáva pro člověka náročnou, a proto je vhodné využít pro její řešení metody strojového učení. V práci jsou použity dva reprezentativní přístupy k detekci anomálií: Gaussian Mixture Models (GMM) a One-Class Support Vector Machines (OCSVM). S jejich použitím byl navržen balíček implementovaný v jazyce Python, který umožňuje detekci anomálií v provozních datech turbíny. Významnou částí práce bylo testování navržených metod na reálných operačních datech parních turbín získaných z databáze systému Remote Monitoring System (RMS).Výsledky experimentů ukázaly, že oba analyzované přístupy jsou schopny efektivně detekovat anomálie v takto komplexních datech. GMM i OCSVM dosáhly srovnatelných úrovní úspěšnosti detekce, přičemž každý z nich disponuje vlastními přednostmi a nevýhodami. Tímto výzkumem se podařilo prokázat nejen použitelnost těchto metod, ale především navrženého řešení jako celku.Vytvořený softwarový balík je navíc možno dále rozšiřovat o nové metody detekce anomálií. Dosažené výsledky mají přínos pro průmyslovou oblast monitorování strojů a mohou být využity pro zlepšení provozní bezpečnosti a spolehlivosti parních turbín. |
| Abstrakt v dalším jazyce: | This thesis deals with the task of remote monitoring and diagnostics of rotating machines, industrial steam turbines in particular. Its goal is to design a software solution for anomaly detection in an area where high volumes of data are encountered. Successful anomaly detection is a key factor in ensuring a safe and reliable operation of such industrial systems. However, with the increasing amount of data, this task becomes difficult for human operators, and the use of machine learning methods is therefore advisable for this task. Two representative approaches to anomaly detection are used in this work: Gaussian MixtureModels (GMM)and One-Class SupportVectorMachines (OCSVM). With their use, a package implemented in Python was designed, which enables anomaly detection in operational turbine data. An important part of this work was the testing of the proposed methods on a real sets of operating data of steam turbines obtained from the database of the RemoteMonitoring System (RMS). The result of the experiments showed that both analyzed approaches are able to effectively detect anomalies in such complex data. BothGMMand OCSVMachieved comparable levels of detection success, with each having its own advantages and disadvantages. Through this research, it was possible to prove not only the suitability of these methods, but above all of the proposed solution as a whole. In addition, the created software package can be further expanded with additional anomaly detection methods. The achieved results bring benefits to the field of machine monitoring in industry and can be used to improve the operational safety and reliability of steam turbines. |
| Práva: | Plný text práce je přístupný bez omezení |
| Vyskytuje se v kolekcích: | Diplomové práce / Theses (KKY) |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| DP_Siroky_2023.pdf | Plný text práce | 61,6 MB | Adobe PDF | Zobrazit/otevřít |
| PosudekVedoucihoSTAG.pdf | Posudek vedoucího práce | 61,11 kB | Adobe PDF | Zobrazit/otevřít |
| PosudekOponentaSTAG.pdf | Posudek oponenta práce | 61,13 kB | Adobe PDF | Zobrazit/otevřít |
| Prubeh obhajoby Siroky.pdf | Průběh obhajoby práce | 80,3 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/55134Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.