Machine learning techniques in categorical time series
analysis of manufacturing process

Μιχαηλίδης, Χαράλαμπος; Τουρνή, Ισιδώρα Χαρά; Michailidis, Charalampos; Tourni, Isidora Chara

dc.contributor.author	Μιχαηλίδης, Χαράλαμπος	el
dc.contributor.author	Τουρνή, Ισιδώρα Χαρά	el
dc.contributor.author	Michailidis, Charalampos	en
dc.contributor.author	Tourni, Isidora Chara	en
dc.date.accessioned	2016-09-13T11:57:17Z
dc.date.available	2016-09-13T11:57:17Z
dc.date.issued	2016-09-13
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43498
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.12360
dc.rights	Default License
dc.subject	Machine learning	en
dc.subject	Variable length classification	en
dc.subject	Categorical time series	en
dc.subject	Manufacturing process	en
dc.subject	Transition matrix	en
dc.title	Machine learning techniques in categorical time series analysis of manufacturing process	en
dc.title	Τεχνικές μηχανικής μάθησης στην ανάλυση κατηγορικών χρονοσειρών παραγωγικής διαδικασίας	el
heal.type	bachelorThesis
heal.classification	Computer Science	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-20
heal.abstract	The complexity of modern industrial processes and the constant innovations in production monitoring technologies and data collection, strongly outline the need for advancements in production data analysis. Data Mining is a rapidly growing field, aiming in understanding data and extracting previously unknown information, with the use of Machine Learning techniques, in order to optimize production. Our cooperation with Johnson & Johnson, enabled us to obtain and explore real case production data. The exploitation of them focused on two distinct goals. The first one was the visualization of the data and the graphical representation of all variables characterizing the mixing process, for an improved data overview. The second one was the Machine Learning algorithms’ modification and application on the properly pre-processed production data, to look into the possibilities of these techniques in the enterprise space. Machine Learning, by definition, sets to represent data as objects in space, utilizing labels and distances between them. In this direction, data were grouped into objects and vectorized with various techniques. Classification and Clustering algorithms were parameterized and implemented, investigating unique attributes of the provided data. Distance calculation methods for each algorithm were examined in depth, and each experiment was assessed through different evaluation metrics, in order to examine the performance of the algorithms and the result’s accuracy, compared to the initial data. Our conclusions indicate that Machine Learning can drive important business decisions, through process quantification, and further research can be done in each specific case.	en
heal.abstract	Η πολυπλοκότητα των σύγχρονων βιομηχανικών διεργασιών και οι συνεχείς καινοτομίες στον τομέα των τεχνολογιών παρακολούθησης της παραγωγής και της συλλογής δεδομένων, τονίζουν έντονα την ανάγκη για πρόοδο στον τομέα ανάλυσης δεδομένων παραγωγής. Το Data Mining είναι ένας ταχέως αναπτυσσόμενος τομέας, έχει ως κύριο στόχο την κατανόηση δεδομένων και την εξαγωγή προηγουμένως άγνωστης πληροφορίας, με τη χρήση τεχνικών μηχανικής μάθησης, με στόχο τη βελτιστοποίηση της παραγωγής. Η συνεργασία μας με την Johnson & Johnson, μας έδωσε τη δυνατότητα να εξερευνήσουμε δεδο- μένα παραγωγής μιας πραγματικής περίπτωσης. Η ανάλυσή τους επικεντρώθηκε σε δύο διαφορετικούς στόχους. Ο πρώτος ήταν η οπτικοποίηση των δεδομένων και η γραφική παράσταση όλων των μετα- βλητών που χαρακτηρίζουν την διαδικασία ανάμιξης, για να έχουμε μια βελτιωμένη επισκόπησή τους. Ο δεύτερος ήταν η τροποποίηση και εφαρμογή αλγορίθμων Μηχανικής Μάθησης, στα κατάλληλα προ-επεξεργασμένα δεδομένα της παραγωγής, καθώς επίσης και η εξέταση των δυνατοτήτων των τεχνικών αυτών στον χώρο της Βιομηχανίας. Η Μηχανική Μάθηση, εξ ορισμού, θέλει μια αντιπροσώπευση των δεδομένων ως αντικείμενα στο χώρο, χρησιμοποιώντας τις ετικέτες και τις αποστάσεις μεταξύ τους για να τα αναλύσει. Σε αυτή την κατεύθυνση, τα δεδομένα ομαδοποιήθηκαν σε αντικείμενα και διανυσματοποιήθηκαν με διάφορες τεχνικές. Αλγόριθμοι Classification και Clustering παραμετροποιήθηκαν και υλοποιήθηκαν, για τη διερεύνηση μοναδικών χαρακτηριστικών των παρεχόμενων δεδομένων. Επιπρόσθετα, μέθοδοι υπολογισμού αποστάσεων για κάθε αλγόριθμο εξετάστηκαν σε βάθος, και κάθε πείραμα εκτιμήθηκε χρησιμοποιώντας διαφορετικές μεθόδους αξιολόγησης, προκειμένου να εξεταστεί η απόδοση των αλγορίθμων και η ακρίβεια του αποτελέσματος, σε σύγκριση με τα αρχικά δεδομένα. Τα συμπεράσματά μας δείχνουν ότι οι αλγόριθμοι Μηχανικής Μάθησης μπορούν να αξιοποιηθούν και να βοηθήσουν στο να παρθούν σημαντικές επιχειρηματικές αποφάσεις, μέσω της ποσοτικοποίησης των παραγωγικών διαδικασιών, καθώς επίσης, περαιτέρω έρευνα μπορεί να γίνει σε κάθε εξειδικευμένη περίπτωση.	el
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Καρπούζης, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	122 σ.	el
heal.fullTextAvailability	true