prikaz prve stranice dokumenta Inteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje
  Preuzmi
PDF 2.64 MB
diplomski rad
Inteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje
Zagreb: Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje, 2019. urn:nbn:hr:235:199959
Kežman, Domagoj
Sveučilište u Zagrebu
Fakultet strojarstva i brodogradnje

Citirajte ovaj rad

Kežman, D. (2019). Inteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:235:199959

Kežman, Domagoj. "Inteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje." Diplomski rad, Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje, 2019. https://urn.nsk.hr/urn:nbn:hr:235:199959

Kežman, Domagoj. "Inteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje." Diplomski rad, Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje, 2019. https://urn.nsk.hr/urn:nbn:hr:235:199959

Kežman, D. (2019). 'Inteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje', Diplomski rad, Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje, citirano: 16.04.2024., https://urn.nsk.hr/urn:nbn:hr:235:199959

Kežman D. Inteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje; 2019 [pristupljeno 16.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:235:199959

D. Kežman, "Inteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje", Diplomski rad, Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje, Zagreb, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:235:199959

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:235:199959
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovInteligentna dijagnostika kvarova rotacijske opreme male brzine vrtnje
Naslov (engleski)Intelligent fault diagnosis in low-speed rotating machinery
AutorDomagoj Kežman
MentorDragutin Lisjak (mentor)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet strojarstva i brodogradnje
Zagreb
Datum i država obrane2019-07-11, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Strojarstvo
Sažetak
Održavanje tehničkih sustava u industriji jedna je od najvažnijih djelatnosti svakog poduzeća. Kako se tehnologija razvija, tako i procesi održavanja postaju sve važniji te se ciljevi održavanja redefiniraju od otklanjanja kvarova nakon nastanka prema poduzimanju mogućih radnji za izbjegavanje nastanka kvara koji bi prouzročio havariju. Za to se može koristiti strategija održavanja po stanju, opisana u ovom radu. Održavanje po stanju je simulirano mjerenjem i prikupljanjem podataka o vibracijama rotacijske opreme male brzine vrtnje na simulatoru kvarova. Cilj rada je bio na temelju prikupljenih podataka sa simulatora kvarova razviti računalni model koji će procjenjivati potencijalne kvarove na rotacijskoj opremi male brzine vrtnje. Za modeliranje je korištena konvolucijska neuronska mreža. Promatralo se kako promjene određenih hiperparametara utječu na točnost i vrijeme treniranja mreže. Ukupno su istrenirane 144 konvolucijske neuronske mreže te točnost u najboljoj mreži iznosi 100 %, a u najlošijoj 51 %.
Sažetak (engleski)
Maintenance of technical systems in the industry is one of the most important activities in a company. As technology develops, maintenance processes become more important because the maintenance goals are being redefined from eliminating failures after their occurrence to taking actions to avoid the occurrence of a fault that can cause breakdowns. To do this companies use condition based maintenance strategy described in this paper. Condition based maintenance was simulated by measuring and collecting vibration data of small speed rotation equipment on the fault simulator. The aim of this thesis was based on collecting the data from the failure simulator in order to develop a computer model that will evaluate potential faults in low-speed rotating machinery. A convolutional neural network was used for modeling. It was observed how changes in certain hyperparameters affect the accuracy and time needed to train the network. A total of 144 convolutional neural networks were trained and the accuracy in the best network was 100 % and in the worst 51 %.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:235:199959
Studijski programNaziv: Strojarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka strojarstva (mag. ing. mech.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
RepozitorijRepozitorij Fakulteta strojarstva i brodogradnje Sveučilišta u Zagrebu
Datum i vrijeme pohrane2019-07-04 09:42:34

(©) Nacionalna i sveučilišna knjižnica u Zagrebu 2015. Sva prava pridržana. | Hrvatske bratske zajednice 4 p.p. 550, 10000 Zagreb, Hrvatska Tel. ++ 385 1 616-4040
OIB: 84838770814 | IBAN: HR66 2340 0091 1000 1008 1, Porezni broj (PDV identifikacijski broj) - VAT Number: HR84838770814
Prijava u repozitorij