Machine learning techniques in categorical time series analysis of manufacturing process

DSpace/Manakin Repository

Show simple item record

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 http://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

Files in this item

This item appears in the following Collection(s)

Show simple item record