Ανίχνευση ανωμαλιών σε δεδομένα πραγματικού χρόνου για τη βιομηχανία 4.0

Φούκα, Αφροδίτη; Fouka, Afroditi

dc.contributor.author	Φούκα, Αφροδίτη	el
dc.contributor.author	Fouka, Afroditi	en
dc.date.accessioned	2021-09-29T08:31:45Z
dc.date.available	2021-09-29T08:31:45Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53903
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21601
dc.rights	Default License
dc.subject	Προβλεπτική ανάλυση	el
dc.subject	Βαθιά μηχανική μάθηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Προβλεπτική συντήρηση	el
dc.subject	Βιομηχανία 4.0	el
dc.title	Ανίχνευση ανωμαλιών σε δεδομένα πραγματικού χρόνου για τη βιομηχανία 4.0	el
heal.type	bachelorThesis
heal.classification	Τομέας ηλεκτρικών βιομηχανικών διατάξεων & συστημάτων αποφάσεων	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-19
heal.abstract	Λόγω της αναγκαιότητας της τεχνολογίας των αισθητήρων, ένας μεγάλος αριθμός αισθητήρων χρησιμοποιείται για να παρακολουθεί την κατάσταση υγείας του εξοπλισμού στις βιομηχανικές εγκαταστάσεις με αποτέλεσμα την αύξηση των δυνατοτήτων της στην πρόβλεψη ανωμαλιών σε (σχεδόν) πραγματικό χρόνο. Παρ’ όλα αυτά οι υπάρχοντες αλγόριθμοι στην προβλεπτική συντήρηση έχουν αρκετούς περιορισμούς σχετικά με την επεκτασιμότητα, την αποτελεσματικότητα και την αξιοπιστία τους αποτρέποντας την ευρεία εφαρμογή τους σε πολλούς βιομηχανικούς τομείς. Αυτή η διπλωματική εργασία προτείνει μία προσέγγιση για πρόβλεψη της κατάστασης υγείας του εξοπλισμού σε πραγματικό χρόνο χρησιμοποιώντας τη διαδικασία εξαγωγής χαρακτηριστικών στον τομέα του χρόνου (time-domain features extraction), ένα νευρωνικό δίκτυο Long-Short Term Memory (LSTM) και τον αλγόριθμο ανίχνευσης ανωμαλιών με Bayesian λογική (Bayesian Online Changepoint Detection). Η προτεινόμενη προσέγγιση έχει εφαρμοστεί σε δεδομένα από μία πραγματική βιομηχανία επεξεργασίας μετάλλου και πραγματοποιήθηκαν εκτενή πειράματα πάνω σε αυτά. Σε αυτή τη διπλωματική εργασία επίσης διεξήχθησαν πειράματα για εκτίμηση της κατάστασης υγείας του εξοπλισμού σε πραγματικό χρόνο χρησιμοποιώντας τη διαδικασία εξαγωγής χαρακτηριστικών στον τομέα του χρόνου (time-domain features extraction) και τον αλγόριθμο ανίχνευσης ανωμαλιών με Bayesian λογική (Bayesian Online Changepoint Detection) για την ίδια εφαρμογή. Τέλος, παρουσιάζονται τα αποτελέσματα και τα συμπεράσματα από την προτεινόμενη προσέγγιση και ολόκληρη την πειραματική διαδικασία.	el
heal.advisorName	Μέντζας, Γρηγόρης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Δούκας, Χάρης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	102 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false