Gépek és gyártási folyamatok diagnosztikai jellegű vizsgálatai

Napjainkban a gépek és a járművek számos olyan egységgel rendelkeznek, amelyek állapota kritikus az üzembiztonság és a termelés hatékonyságénak biztosítása céljából. Azért, hogy a kívánt állapotot és az üzemi paramétereket állandóságát biztosítani tudjuk fontos olyan karbantartási stratégia alkalmazása, amely folyamatosan, akár online módon nyomon követi a paraméterek trendbeli változását. Az eddig iparban alkalmazott, Fourier módszeren alapuló frekvenciatartománybeli vizsgálat hasznosnak bizonyult bizonyos hibák, mint például csapágyhibák, tengelyferdeségi hibák, kiegyensúlyozatlansági hibák detektálásához, viszont nem biztosítja az időben gyors lefolyású, tranziens jelek hatékony szűrését a zajjal terhelt mérési környezetben. Kutatásaim során a wavelet transzformáción alapuló vizsgálatokra támaszkodok, amely megfelelő bázisfüggvény választása esetén alkalmas tranziens folyamatok diagnosztizálására. A komplex Morlet waveletek középfrekvencia és eltolás paramétereit a vizsgálat jelhez megfelelően igazítva, annak szoros korrelációjával hatékony jeldetektálás végezhető. A paraméteroptimalizáláshoz globális optimalizációs eljárások megfelelőnek bizonyultak, kutatásaim során genetikus algoritmusok alkalmazásával végzek paraméteroptimalizálást. A diagnosztikai vizsgálatok mai modern iránya a gépi tanuló algoritmusok alkalmazása, hiszen az ember sok esetben nem képes gyors és hatékony hibafelismerést végezni nagy mennyiségű adathalmaz esetén. Kutatásaim során a mesterséges neurális hálók és a tartóvektor gépek (SVM) módszer hatékonyságát is összehasonlítom, és javaslatokat teszek a hálók súlyparamétereinek, transzferfüggvényeinek, valamint kernelfüggvényeinek hatékony kiválasztására, elsősorban az autóiparban alkalmazott csapágyak gyártási hibáinak diagnosztizálása céljából, amely hatékonyságában bizonyos esetekben felülmúlja a jelenleg alkalmazott módszereket.