Prognostinių ir mašininio mokymosi modelių taikymas mechatroninių sistemų parametrams prognozuoti ir gedimams klasifikuoti

Abstract

Pastaruoju metu kuriant vis sudėtingesnes mechatronines sistemas susiduriama su įvairiomis šių sistemų eksploatavimo problemomis: priežiūra, palaikymu, gedimų identifikavimu bei šalinimu. Sudėtingų sistemų eksploatavimas reikalauja ieškoti naujų šiuolaikiškų šių problemų sprendimo būdų. Mokslinėje literatūroje ir prak- tikoje jau kuris laikas yra vystomi netiesioginiai mechatroninių sistemų priežiūros metodai tokie kaip virpesių analizė. Iš surinktų virpesių duomenų reikalingai informacijai išgauti taikomi dviejų tipų metodai: signalo apdorojimo ir duomenų struktūros požymių atpažinimo. Šie metodai remiasi automatizuotais duomenų apdorojimo algoritmais. Duomenų struktūros požymių atpažinimo metodai apima tris pagrindines dalis: duomenų rinkimą, požymių išskyrimą ir požymių atpažinimą. Šį darbą dabar jau gali atlikti dirbtinio intelekto sistemos su integruotais mašininio mokymosi modeliais gebančiais apdoroti itin kompleksiškus ir didelės dimensijos duomenų masyvus. Disertacijoje pateikiami vidaus degimo variklių ekologinių ir energinių parametrų statistiniai prognozavimo modeliai bei mašininio mokymosi modeliai skirti mechatroninių sistemų gedimams identifikuoti. Pateikti modeliai remiasi mechatroninių sistemų skleidžiamų virpesių bei garso slėgio signalų reikšmių analize. Mašininio mokymosi modeliai taikomi hipoidinės pavaros gedimams bei juostinio konvejerio apkrovos būsenoms identifikuoti. Disertacijos tema publikuoti 3 moksliniai darbai. Du darbai buvo publikuoti Clarivate Analytics Web of Science duomenų bazės leidiniuose, turinčiuose citavimo rodiklį, vienas – kituose leidiniuose. Disertacijoje atliktų tyrimų rezultatai buvo pristatyti 4 mokslinėse konferencijose Lietuvoje ir užsienyje: tarptautinėse konferencijose „Fizyka Uszkodzeń Eksploatacyjnych“, Demblinas (2022); „IEEE 8th Workshop on Advances in Information, Electronic and Electrical Engineering (AIEEE’20)“, Vilnius (2021); „ESMO 21st World Congress on Gastrointestinal Cancer, Barselona (2019) bei Lietuvoje vykusioje konferencijoje „10-asis Lietuvos jaunųjų matematikų susitikimas (LJMS’10)“, Vilnius (2021). Disertaciją sudaro įvadas, trys skyriai, bendrosios išvados ir literatūros šaltinių sąrašas.