dc.contributor.author | Καλαούζης, Αντώνιος![]() |
el |
dc.contributor.author | Kalaouzis, Antonios![]() |
en |
dc.contributor.author | Σιρλαντζής, Κίμων![]() |
|
dc.contributor.author | Sirlantzis, Kimon![]() |
en |
dc.date.accessioned | 2020-05-28T15:13:15Z | |
dc.date.available | 2020-05-28T15:13:15Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/50703 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.18401 | |
dc.description | Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-Οικονομικά Συστήματα (ΜΒΑ)” | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Δεδομένα, μηχανική μάθηση, προγνωστική συντήρηση | el |
dc.subject | Data, machine learning, predictive maintenance | en |
dc.title | Η ανάπτυξη διαγνωστικής και προγνωστικής φιλοσοφίας συντήρησης σύνθετων συστημάτων με την αξιοποίηση της Τεχνολογίας Πληροφορικής και Επικοινωνιών και μεθόδων μηχανικής μάθησης. | el |
heal.type | masterThesis | |
heal.classification | ΒΑΣΙΚΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ | el |
heal.classification | ΣΥΝΤΗΡΗΣΗ ΜΗΧΑΝΩΝ | el |
heal.classificationURI | http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360 | |
heal.classificationURI | http://data.seab.gr/concepts/e83357702ad24f9de22065982909396406f4e18c | |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2019-02-19 | |
heal.abstract | Το κόστος συντήρησης και υποστήριξης των σύνθετων και εν γένει όλων των ηλεκτρομηχανολογικών συστημάτων αποτελεί το μεγαλύτερο ποσοστό του κόστους κύκλου ζωής τους. Η μείωση του υπόψη κόστους συντελεί στην αύξηση της ανταγωνιστικότητας των επιχειρήσεων που τα χρησιμοποιούν. Μια από τις μεθόδους που μπορεί να χρησιμοποιηθεί για την επίτευξη του υπόψη σκοπού είναι ο εκσυγχρονισμός της φιλοσοφίας συντήρησής τους, με τη χρήση της Τεχνολογίας Πληροφορίας και Επικοινωνιών και με στόχο η υπόψη φιλοσοφία να γίνει διαγνωστική και προγνωστική. Η εφαρμογή των υπόψη φιλοσοφιών συντήρησης παρουσιάζει πολλά πλεονεκτήματα, πέραν της μείωσης του κόστους, όπως για παράδειγμα, αύξηση της αξιοπιστίας, διαθεσιμότητας, συντηρησιμότητας και ασφάλειας χρήσης των συστημάτων. Απαραίτητη προϋπόθεση για την εφαρμογή των προαναφερθέντων φιλοσοφιών είναι η ύπαρξη ικανού αριθμού πρωτογενών δεδομένων. Αυτό μπορεί να επιτευχθεί με τη χρήση κατάλληλων αισθητήρων, οι οποίοι παράγουν τα δεδομένα, τα οποία στη συνέχεια μπορούν να αποθηκευτούν και να επεξεργασθούν για την παραγωγή χρήσιμων πληροφοριών, όπως τον εντοπισμό και την ταυτοποίηση βλαβών ή την εκτίμηση της υπολειπόμενης λειτουργικής ζωής ενός εξαρτήματος ή ενός συστήματος. Ο εντοπισμός και ταυτοποίηση βλαβών μέσω των συλλεγόμενων δεδομένων ονομάζεται διαγνωστική συντήρηση, ενώ η εκτίμηση της υπολειπόμενης λειτουργικής ζωής, προγνωστική. Οι υπόψη φιλοσοφίες καθίστανται όλο και σημαντικότερες καθώς αυξάνεται η ηλικία του χρησιμοποιούμενου εξοπλισμού. Τα κυριότερα μοντέλα που χρησιμοποιούνται για την ανάπτυξη των υπόψη φιλοσοφιών είναι αυτά που στηρίζονται μόνο σε καταγραφόμενα δεδομένα και εκείνα που βασίζονται σε κάποιο φυσικό μοντέλο. Οι προσεγγίσεις με βάση τη φυσική συνδυάζουν ένα φυσικό μοντέλο αστοχίας με δεδομένα μετρήσεων για να προβλέψουν τη μελλοντική συμπεριφορά μιας δυσλειτουργίας και να προσδιορίσουν την υπολειπόμενη λειτουργική ζωή (ΥΛΖ) του συστήματος. Αντίστοιχα αυτές που βασίζονται σε δεδομένα χρησιμοποιούν πληροφορίες που εξάγονται από τα συλλεγόμενα δεδομένα για τον προσδιορισμό των χαρακτηριστικών της εξέλιξης μιας δυσλειτουργίας και την πρόβλεψη της μελλοντικής κατάστασης του συστήματος. Μια από τις τεχνικές που ακολουθείται για την εφαρμογή των μοντέλων διάγνωσης και πρόγνωσης, τα οποία βασίζονται στα δεδομένα, είναι αυτή της μηχανικής μάθησης. Για την εφαρμογή της υπόψη τεχνικής ακολουθείται μια συγκεκριμένη μεθοδολογία: Εξαγωγή χαρακτηριστικών με χρήση των πεδίων του χρόνου και των συχνοτήτων εφόσον απαιτείται, οπτικοποίηση δεδομένων, επιλογή χαρακτηριστικών, επιλογή αλγόριθμου με τη μεγαλύτερη ακρίβεια πρόβλεψης, ρύθμιση παραμέτρων του αλγορίθμου και τέλος πραγματοποίηση της διάγνωσης ή της εκτίμησης. Η ανωτέρω μεθοδολογία αναλύεται μέσα από ένα παράδειγμα εφαρμογής σε ελικόπτερα του Ναυτικού των ΗΠΑ. Κρίνεται σκόπιμο να επισημανθεί ότι στην υπόψη περίπτωση η ανάλυση των δεδομένων οδήγησε σε αποτροπή μείζονος ατυχήματος μέσω της διάγνωσης βλάβης, η οποία δεν είχε εντοπιστεί από την εφαρμοζόμενη πολιτική συντήρησης. Επίσης εφαρμόστηκε σε μια μελέτη περίπτωσης εκτίμησης της ΥΛΖ κινητήρων αεροσκαφών, μέσω αλγορίθμων μηχανικής μάθησης. Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από διαδικτυακό τόπο της NASA. Από τα προαναφερθέντα καταδεικνύεται η σημασία ύπαρξης πρωτογενών δεδομένων, καθώς επίσης και η υψηλή αξία και το μεγάλο εύρος δυνατοτήτων που δύνανται να παράσχουν οι υπόψη φιλοσοφίες σε οργανισμούς που θα τις υιοθετήσουν, όπως π.χ. η σε πραγματικό χρόνο εκτίμηση της λειτουργικής κατάστασης των συστημάτων. Ως εκ τούτου προτείνεται η υιοθέτηση των υπόψη φιλοσοφιών και πρακτικών από οργανισμούς και εταιρείες. | el |
heal.advisorName | Ασκούνης, Δημήτριος | el |
heal.advisorName | Πανόπουλος, Δημήτριος | el |
heal.committeeMemberName | Ασκούνης, Δημήτριος | el |
heal.committeeMemberName | Πανόπουλος, Δημήτριος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 121 σ. | el |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: