Συγκριτική αξιολόγηση μοντέλων μηχανικής μάθησης για την ταξινόμηση ελαττωμάτων σε χαλύβδινες πλάκες

Κορδάτος, Ιωάννης; Kordatos, Ioannis

dc.contributor.author	Κορδάτος, Ιωάννης	el
dc.contributor.author	Kordatos, Ioannis	en
dc.date.accessioned	2021-07-16T11:30:02Z
dc.date.available	2021-07-16T11:30:02Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53640
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21338
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Συστήματα Αυτοματισμού”	el
dc.rights	Default License
dc.subject	Automated manufacturing	en
dc.subject	Fault diagnosis	en
dc.subject	Multiclass classification	en
dc.subject	Imbalanced learning	en
dc.subject	Random forests	en
dc.subject	Συστήματα αυτοματισμού	el
dc.subject	Ταξινόμηση πολλαπλών κλάσεων	el
dc.subject	Μάθηση μη σταθμισμένων κλάσεων	el
dc.subject	Τυχαία δάση	el
dc.subject	Αναγνώριση ελαττωμάτων	el
dc.title	Συγκριτική αξιολόγηση μοντέλων μηχανικής μάθησης για την ταξινόμηση ελαττωμάτων σε χαλύβδινες πλάκες	el
heal.type	masterThesis
heal.secondaryTitle	Comparative analysis of machine learning algorithms for steel plates defects classification	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Συστήματα Αυτοματισμού	el
heal.classification	Παραγωγή Χάλυβα	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-07
heal.abstract	Αντικείμενο της παρούσας μεταπτυχιακής εργασίας είναι η συγκριτική αξιολόγηση διάφορων αλγορίθμων μηχανικής μάθησης για την ταξινόμηση ελαττωμάτων σε πλάκες χάλυβα. Η σωστή διάγνωση και κατηγοριοποίηση (fault diagnosis) των ελαττωμάτων σε πλάκες χάλυβα αποτελεί μία σημαντική πρόκληση για τον τομέα της Παραγωγής. Μοντέλα μηχανικής μάθησης μπορούν να χρησιμοποιηθούν επικουρικά για την ανίχνευση ελαττωμάτων με σκοπό την καλύτερη ποιότητα του τελικού προϊόντος. Λάθος κατηγοριοποιήσεις και καταγραφές ελαττωμάτων που γίνονται κατά τον Ποιοτικό Έλεγχο των εργοστασίων μπορεί να έχουν σοβαρές επιπτώσεις που φτάνουν μέχρι και σε αστοχίες κατασκευών. Το σύνολο δεδομένων που χρησιμοποιήθηκε προέρχεται από το ερευνητικό κέντρο Semeion στην Ρώμη της Ιταλίας και αποτελείται από 1941 παρατηρήσεις, 27 χαρακτηριστικά και 7 τύπους ελαττωμάτων. Τα χαρακτηριστικά έχουν εξαχθεί, μέσω εργαλείων επεξεργασίας εικόνας, από φωτογραφίες των πλακών χάλυβα και αποτυπώνουν την γεωμετρική φύση των ελαττωμάτων. Οι τύποι των ελαττωμάτων για τις πλάκες χάλυβα είναι οι Pastry, Z_Scratch, K_Scatch, Stains, Dirtiness, Bumps και Other_Faults. Το πρόβλημα ανήκει στην κατηγορία πολλαπλής ταξινόμησης ελαττωμάτων με ανομοιογενή δεδομένα (imbalanced multiclass classification). Έγινε εφαρμογή πέντε μοντέλων μηχανικής μάθησης, τα οποία είναι τα Logistic Regression , Support Vector Machines, k-Nearest Neighbor, Random Forest και Gradient Boosting Trees, για την δημιουργία συγκρίσεων και επιπλέον υλοποιήθηκαν τεχνικές ανάλυσης, προ-επεξεργασίας, μετασχηματισμοί και οπτικοποιήσεις των δεδομένων. Πραγματοποιήθηκε ρύθμιση των παραμέτρων (hyperparameter tuning) και βελτιστοποίηση των μοντέλων με την δημιουργία πλέγματος για διαφορετικά εύρη των τιμών τους. Ακόμα, χρησιμοποιήθηκαν τεχνικές εύρεσης της σημαντικότητας των χαρακτηριστικών μέσω μοντέλων (model based feature importances) και αμοιβαίας πληροφορίας (mutual information). Για όλες τις διαφορετικές προ-επεξεργασίες των δεδομένων που πραγματοποιήθηκαν, το μοντέλο Random Forest έδωσε τα υψηλότερα αποτελέσματα. Η μεγαλύτερη ορθότητα ταξινόμησης για το RF ήταν 0.825 με πολυωνυμική προ-επεξεργασία (n=2) των δεδομένων και δημιουργία ενός καινούριου dataset με 54 χαρακτηριστικά. Επίσης, χρησιμοποιήθηκε η τεχνική παραγωγής συνθετικών δεδομένων (Adasyn) με το μοντέλο RF να δίνει αποτελέσματα ορθότητας 0.910. Τέλος, αναπτύχθηκε ένας προσαρμοσμένος ταξινομητής τριών σταδίων ταξινόμησης (three stages – custom classifier) με ορθότητα μεγαλύτερη του 0.90 σε κάθε στάδιο. Συνολικά, έγιναν 22 πειράματα εφαρμογής μοντέλων μηχανικής μάθησης και όλοι οι πίνακες σύγχυσης αντιστοιχούν στα τεστ ελέγχου. Η ανάπτυξη λογισμικού έγινε στην Python 3.8.8 με χρήση Jupyter για notebook που τρέχει μέσα σε περιβάλλον Αnaconda (Windows). Τα δεδομένα προμηθεύτηκαν από το UCI Machine Learning Repository του University College of Irving (Provider).	el
heal.advisorName	Μπενάρδος, Πανώριος	el
heal.committeeMemberName	Βοσνιάκος, Γεώργιος-Χριστόφορος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Μπενάρδος, Πανώριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	133 σ.	el
heal.fullTextAvailability	false