Μη επιβλεπόμενη ανίχνευση ανωμαλιών με χρήση βαθιών νευρωνικών δικτύων και εφαρμογή στη ναυτιλία

Αθανασόπουλος, Ανδρέας-Νικόλαος; Athanasopoulos, Andreas-Nikolaos

dc.contributor.author	Αθανασόπουλος, Ανδρέας-Νικόλαος	el
dc.contributor.author	Athanasopoulos, Andreas-Nikolaos	en
dc.date.accessioned	2020-05-14T18:37:21Z
dc.date.available	2020-05-14T18:37:21Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50583
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18281
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Recurrent neural network	en
dc.subject	Deep neural network	en
dc.subject	Machine learning	en
dc.subject	Anomaly detection	en
dc.subject	Outlier detection	en
dc.subject	Predictive maintenance	en
dc.subject	Predictive maintenance	en
dc.subject	Autoencoder	en
dc.subject	Adversarial autoencoder	en
dc.subject	Anomaly detection	en
dc.title	Μη επιβλεπόμενη ανίχνευση ανωμαλιών με χρήση βαθιών νευρωνικών δικτύων και εφαρμογή στη ναυτιλία	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-10-29
heal.abstract	This thesis explores with outlier detection techniques and their application in the real world problem of identifying anomalous data, in relation to the mechanical system of a merchant boat. The aim is to develop a predictive maintenance system by detecting anomalous behaviour and assess the correlation to historical engine damages. Three different deep neural network architectures were developed for the aforementioned purpose: an autoencoder, an adversarial autoencoder and a recurrent neural network that were compared to their ability to detect anomalies. We start by utilizing the autoencoder to identify anomalies when the reconstruction error exceeds a empirically defined threshold. Due to issues created by the high number of anomalous data, it was rendered difficult to create a statistically defined threshold. Furthermore we implemented the recurrent neural network, which served to compare it with the results of the autoencoder. In order to utilize the latent dimension on anomaly detection we integrated an adversarial autoencoder. Finally, we investigated the ability of adversarial autoencoder to identify anomalies in a clustering set-up with a categorical imposed probability and we concluded that besides the positive results, the training process was unstable when we imposed an imbalanced categorical distribution	en
heal.abstract	Η παρούσα διπλωματική εργασία ασχολείται με τις μεθόδους ανίχνευσης ανωμαλιών και την εφαρμογή τους σε δεδομένα που σχετίζονται με το μηχανολογικό σύστημα ενός εμπορικού πλοίου. Στόχος είναι η δημιουργία ενός συστήματος προβλεπτικής συντήρησης ανιχνεύοντας ανώμαλα δεδομένα στο σύστημα της μηχανής του πλοίου και συσχετίζοντας τα με ιστορικές βλάβες του πλοίου. Γίνεται χρήση τριών διαφορετικών βαθιών νευρωνικών δικτύων αυτών του αυτοκωδικοποιητή, ενός ανταγωνιστικού αυτοκωδικοποιητή και ενός ανατροφοδοτούμενου νευρωνικού δικτύου. Αρχίσαμε με την υλοποίηση του αυτοκωδικοποιητή ο οποίος ανιχνεύει ανώμαλα δεδομένα σε περίπτωση που το σφάλμα ανακατασκευής περάσει ένα εμπειρικώς ορισμένο κατώφλι απόφασης, αφού στην περίπτωση των στατιστικώς ορισμένων παρατηρήσαμε υψηλό αριθμό ανωμαλιών. Στην συνέχεια, υλοποιήσαμε το ανατροφοδοτούμενο νευρωνικό δίκτυο του οποίου συγκρίναμε τα αποτελέσματα με αυτά του παραπάνω αποκωδικοποιητή. Θέλοντας να χρησιμοποιήσουμε τον ενδιάμεσο χώρο προβολής υλοποιήσαμε έναν ανταγωνιστικό αυτοκωδικοποιητή για την ανίχνευση των ανωμαλιών. Τέλος ερευνήσαμε την ικανότητα του ανταγωνιστικού αυτοκωδικοποιητή στην ανίχνευση ανωμαλιών μέσω μιας αρχιτεκτονικής συσταδοποίησης δεδομένων περνώντας ιδιαίτερα ικανοποιητικά αποτελέσματα παρατηρώντας όμως αστάθεια των αποτελεσμάτων σε περίπτωση δυσανάλογων πιθανοτήτων των κλάσεων των συστάδων.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Λάμπρου, Μαρία	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	83 σ.	el
heal.fullTextAvailability	false