Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorLiška Jindřich, Ing. Ph.D.
dc.contributor.authorŠiroký, Dan
dc.contributor.refereeJakl Jan, Ing. Ph.D.
dc.date.accepted2023-9-7
dc.date.accessioned2024-01-15T23:11:24Z-
dc.date.available2022-10-24
dc.date.available2024-01-15T23:11:24Z-
dc.date.issued2023
dc.date.submitted2023-8-24
dc.identifier93446
dc.identifier.urihttp://hdl.handle.net/11025/55134-
dc.description.abstractDTato 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.cs
dc.format105
dc.language.isocs
dc.publisherZápadočeská univerzita v Plzni
dc.rightsPlný text práce je přístupný bez omezení
dc.subjectdetekce anomáliícs
dc.subjectstrojové učenícs
dc.subjectocsvmcs
dc.subjectgmmcs
dc.subjectsignálový modelcs
dc.subjectvzdálené monitorování strojůcs
dc.subjectdiagnostika rotačních strojůcs
dc.subjectanalýza a zpracování signálůcs
dc.titleDetekce anomálií stavů turbíny v datech systému RMScs
dc.title.alternativeAnomaly detection of turbine states in RMS system dataen
dc.typediplomová práce
dc.thesis.degree-nameIng.
dc.thesis.degree-levelNavazující
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-programAplikované vědy a informatika
dc.description.resultObhájeno
dc.description.abstract-translatedThis 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.en
dc.subject.translatedanomaly detectionen
dc.subject.translatedmachine learningen
dc.subject.translatedocsvmen
dc.subject.translatedgmmen
dc.subject.translatedsignal modelen
dc.subject.translatedremote machine monitoringen
dc.subject.translatedrotating machine diagnosticsen
dc.subject.translatedsignal analysis and processingen
Vyskytuje se v kolekcích:Diplomové práce / Theses (KKY)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
DP_Siroky_2023.pdfPlný text práce61,6 MBAdobe PDFZobrazit/otevřít
PosudekVedoucihoSTAG.pdfPosudek vedoucího práce61,11 kBAdobe PDFZobrazit/otevřít
PosudekOponentaSTAG.pdfPosudek oponenta práce61,13 kBAdobe PDFZobrazit/otevřít
Prubeh obhajoby Siroky.pdfPrůběh obhajoby práce80,3 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/55134

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta aplikovaných věd / Faculty of Applied Sciences
  4. Katedra kybernetiky / Department of Cybernetics
  5. Diplomové práce / Theses (KKY)