Proactive Computing in Industrial Maintenance Decision Making

Bousdekis, Alexandros; Μπουσδέκης, Αλέξανδρος

dc.contributor.author	Bousdekis, Alexandros	en
dc.contributor.author	Μπουσδέκης, Αλέξανδρος	el
dc.date.accessioned	2018-07-09T09:25:09Z
dc.date.available	2018-07-09T09:25:09Z
dc.date.issued	2018-07-09
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47224
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.2986
dc.rights	Default License
dc.subject	Industry 4.0, Proactive Decision Making, Proactive Maintenance, Event Processing, Uncertainty	en
dc.subject	Βιομηχανία 4.0, Προδραστική Λήψη Αποφάσεων, Προδραστική Συντήρηση, Επεξεργασία Γεγονότων, Αβεβαιότητα	el
dc.title	Proactive Computing in Industrial Maintenance Decision Making	en
dc.title	Προδραστική Πληροφορική στη Λήψη Αποφάσεων Βιομηχανικής Συντήρησης	el
dc.contributor.department	Information Management Unit (IMU)	el
heal.type	doctoralThesis
heal.classification	Proactive Computing, Industry 4.0, Operations Management, Decision Making, Industrial Maintenance	en
heal.classification	Προδραστική Πληροφορική, Βιομηχανία 4.0, Διοίκηση Επιχειρησιακών Λειτουργιών, Λήψη Αποφάσεων, Βιομηχανική Συντήρηση	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-04
heal.abstract	Proactive event-driven computing refers to the use of event-driven information systems having the ability to eliminate or mitigate the impact of future undesired events, or to exploit future opportunities, on the basis of real-time sensor data and decision making technologies. Maintenance management can benefit from these advancements in order to tackle with the increasing challenges in today’s dynamic and complex manufacturing environment in the context of Industry 4.0. To this end, the current thesis combines and brings together the research fields of Industry 4.0, Maintenance Management and Proactive Computing in order to frame maintenance management and information systems in the context of Industry 4.0. Therefore, it paves the way for the next generation of maintenance management in the frame of Industry 4.0, i.e. Proactive Maintenance. The focus of the cur-rent thesis is on proactive decision making. Consequently, it proposes proactive decision methods, capable of handling uncertainty, applicable to maintenance management and its interrelationships with other manufacturing operations, algorithms for continuous improvement of proactive decision making through the proposed Sensor-Enabled Feedback (SEF) approach and algorithms for context-awareness in proactive decision making. To do this, it utilizes methods and techniques for operational research, data analytics and machine learning. The aforementioned algorithms have been embedded in a proactive information system for decision making which was integrated with other tools in order to implement all the steps of the Proactive Maintenance framework. The system has been deployed and evaluated in real industrial environment, while further evaluation was conducted with extensive simulation experiments. Finally, the lessons learned and the managerial implications of the proposed approaches are discussed.	en
heal.abstract	Η προδραστική πληροφορική οδηγούμενη από γεγονότα αφορά τη χρήση πληροφοριακών συστημάτων οδηγούμενων από γεγονότα που έχουν την ικανότητα να εξαλείφουν ή να αμβλύνουν την επίδραση μελλοντικών ανεπιθύμητων γεγονότων ή να αξιοποιούν μελλοντικές ευκαιρίες με βάση δεδομένα αισθητήρων πραγματικού χρόνου και τεχνολογίες λήψης αποφάσεων. Η διοίκηση συντήρησης μπορεί να επωφεληθεί από την προδραστική πληροφορική για να αντιμετωπίσει τις προ-κλήσεις στο πλαίσιο της Βιομηχανίας 4.0 (Industry 4.0). Για το σκοπό αυτό, η παρούσα διατριβή συνδυάζει τους ερευνητικούς τομείς της Βιομηχανίας 4.0, της Διοίκησης Συντήρησης και της Προδραστικής Πληροφορι-κής. Με αυτό τον τρόπο, ανοίγει το δρόμο για την επόμενη γενιά διοίκησης συντή-ρησης στο πλαίσιο της Βιομηχανίας 4.0, την Προδραστική Συντήρηση (Proactive Maintenance). Το επίκεντρο της διατριβής είναι η λήψη προδραστικών αποφάσεων. Συνεπώς, προτείνει μεθόδους προδραστικών αποφάσεων για βιομηχανική συντή-ρηση, αλγόριθμους για συνεχή βελτίωση της λήψης προδραστικών αποφάσεων μέσω της προτεινόμενης προσέγγισης Ανατροφοδότηση Υποβοηθούμενη από Αισθητήρες (Sensor-Enabled Feedback - SEF) και αλγόριθμους για την επίγνωση πλαισίου. Για να γίνει αυτό, αξιοποιεί μεθόδους και τεχνικές επιχειρησιακής έρευνας, ανάλυσης δεδομένων και μηχανικής μάθησης. Οι προαναφερθέντες αλγόριθμοι έχουν ενσωματωθεί σε ένα προδραστικό πληροφοριακό σύστημα για τη λήψη αποφάσεων το οποίο ολοκληρώθηκε με άλλα εργαλεία για την υλοποίηση όλων των βημάτων του πλαισίου της Προδραστικής Συντήρησης. Το σύστημα εγκαταστάθηκε και αξιολογήθηκε σε πραγματικό βιομη-χανικό περιβάλλον, ενώ πραγματοποιήθηκε περαιτέρω αξιολόγηση με εκτεταμένα πειράματα προσομοίωσης.	el
heal.sponsor	- ProaSense (Proactive Sensing Enterprise), Research and Innovation Action project under Grant Agreement 612329, FP7-ICT-2013-10 (Framework Program 7 – Information and Communication Technologies), ICT-2013.1.3 - Digital Enterprise. - UPTIME (Unified PredicTIve Maintenance system) , Innovation action project under Grant Agreement 768634, H2020-FOF-2017 (Horizon 2020 – Factories-Of-the-Future), FOF-09-2017 - Novel design and predictive maintenance technologies for increased operating life of production systems	en
heal.advisorName	Mentzas, Gregoris	en
heal.committeeMemberName	Psarras, Ioannis	en
heal.committeeMemberName	Neves-Silva, Rui	en
heal.committeeMemberName	Askounis, Dimitris	en
heal.committeeMemberName	Tatsiopoulos, Ilias	en
heal.committeeMemberName	Apostolou, Dimitris	en
heal.committeeMemberName	Leopoulos, Vrassidas	el
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	344
heal.fullTextAvailability	true