Digitální dvojče s DNN pro prognostiku a management stavu elektromechanických aktuátorů

Abstract

Cieľom tejto diplomovej práce bolo štúdium, dizajn a implementácia kontrolovaného a nekontrolovaného hlbokého digitálneho dvojčaťa pre lineárny elektromechanický aktuátor DSZY1. Táto práca detailne popisuje štruktúru lineárneho elektromechanického aktuátora s identifikáciou jeho najčastejších závad. Takisto obsahuje prehľad potenciálnych prístupov digitálneho dvojčaťa, končiac s nami navrhnutými riešeniami. Naša implementácia pomocou kontrolovaného učenia generuje indikátor zdravia s možnosťou identifikácie chyby. Navyše, naše riešenie pomocou nekontrolovaného učenia je natrénované iba na zdravých prúdových a napäťových prevádzkových dátach so schopnosťou generovať indikátor celkového zdravia. Toto robí naše riešenie jednoducho nasaditeľné pre heterogénne zariadenia.

This master thesis aimed to study, design and implement supervised and unsupervised deep digital twin for linear electromechanical actuator DSZY1. The thesis contains a detailed linear electromechanical actuator structure with its most common failure identification. It possesses an overview of potential digital twin approaches resulting with our proposed solutions. Our supervised implementation outputs a health indicator with the possibility of failure classification. Moreover, the unsupervised solution is trained just on healthy current and voltage operational data with the ability to create an overall state health indicator, which makes it easily deployable for heterogeneous fleets.