Operational Anomaly Detection Using Clustering Methods and Machine Learning Models

Apostolakos, Georgios; Αποστολάκος, Γεώργιος

dc.contributor.author	Apostolakos, Georgios	el
dc.contributor.author	Αποστολάκος, Γεώργιος	en
dc.date.accessioned	2024-01-26T10:26:55Z
dc.date.available	2024-01-26T10:26:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58678
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26374
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	Ανίχνευση Ανωμαλιών	el
dc.subject	Ναυτικοί Κινητήρες	el
dc.subject	Συσταδοποίηση	el
dc.subject	Anomaly Detection	en
dc.subject	Clustering	el
dc.title	Operational Anomaly Detection Using Clustering Methods and Machine Learning Models	en
dc.title	Ανίχνευση Λειτουργικών Ανωμαλιών Βασισμένη σε Αλγορίθμους Συσταδοποίησης Δεδομένων και Μοντέλα Μηχανικής Μάθησης	el
heal.type	bachelorThesis
heal.classification	Ανίχνευση Ανωμαλιών	el
heal.classification	Anomaly Detection	en
heal.classification	Ναυτικοί Κινητήρες	el
heal.classification	Marine Engines	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-09-27
heal.abstract	This thesis addresses the critical issue of anomaly detection in marine operational systems using clustering methods and machine learning models. The study aims to develop an effective methodology for identifying anomalies within complex cargo vessel main engine data. The research investigates the application of various unsupervised machine learning techniques to detect anomalies, with a particular emphasis on the practical implementation of K-Means Clustering, Gaussian Mixture Models, Density-Based Spatial Clustering of Applications with Noise, and Self Organising Maps. Following the introductory section, where the purpose of this study is stated, an extensive literature review of the marine engine anomaly detection topic is presented. All the fundamental theories and insights concerning the algorithms employed are found in the theoretical background. In this section are also presented the methodologies behind the machine learning algorithms which are utilized for anomaly detection. The methodology section delves into data preparation, encompassing data cleaning, de-noising, steady state identification, normalization, and dimensionality reduction. The anomaly detection framework for each model is then presented followed by a presentation of the simulated anomalies which are utilized for model testing purposes. In the case study and results are presented detailed descriptions of the data used, the data preparation procedure, and the implementation of anomaly detection algorithms. The results showcase the effectiveness of each algorithm in identifying anomalies within operational data. All models delivered good results. These results are critically analyzed in the discussion section, along with potential improvements. Additionally addressed are few data-related challenges such as the importance of maintaining the time sequence in time-series data and overall data quality as a results affecting parameter. Also examined, are the impact of dimensionality reduction on the accuracy of anomaly detection and the detection of simulated anomalies. The key findings along with future research proposals in this field are summarized in the conclusion section.	el
heal.abstract	Η παρούσα εργασία εξετάζει το ζήτημα της ανίχνευσης λειτουργικών ανωμαλιών βασισμένες σε μεθόδους συσταδοποίησης (clustering) και σε μοντέλα μηχανικής μάθησης (machine learning). Η μελέτη στοχεύει στην ανάπτυξη μιας αποτελεσματικής μεθοδολογίας για τον εντοπισμό ανωμαλ- ιών σε περίπλοκα δεδομένα που προέρχονται από την κύρια μηχανή εμπορικών πλοίων. Κατά τη διάρκεια της εργασίας διερευνάται η εφαρμογή πολλών μη επιβλεπόμενων (unsupervised) τεχνικών μηχανικής μάθησης για την ανίχνευση ανωμαλιών, με ιδιαίτερη έμφαση στην πρακτική εφαρμογή της συσταδοποίησης K-Means, των Gaussian Mixture Models, Density-Based Spatial Clustering of Applications with Noise και Self Organising Maps. Μετά την εισαγωγή, που αναφέρεται ο σκοπός της εργασίας, ακολουθεί μια εκτενής βιβλιογραφική ανασκόπηση πάνω στο θέμα της ανίχνευσης αν- ωμαλιών σε ναυτικούς κινητήρες. Στη συνέχεια, παρουσιάζεται το θεωρητικό υπόβαθρο που αφορά τις έννοιες που χρησιμοποιούνται στην πορεία της εργασίας. Παράλληλα αναπτύσσονται οι θεω- ρίες και οι μεθοδολογίες των αλγορίθμων μηχανικής μάθησης που χρησιμοποιούνται. Η ενότητα που αφορά τη μεθοδολογία εμβαθύνει στην προετοιμασία των δεδομένων που περιλαμβάνει τα εξής: λεπτομερείς περιγραφές των δεδομένων που χρησιμοποιήθηκαν, τη διαδικασία προετοιμασίας δε- δομένων και την εφαρμογή αλγορίθμων ανίχνευσης ανωμαλιών. Στα αποτελέσματα που ακολου- θούν, φαίνεται η αποτελεσματικότητα κάθε αλγορίθμου στον εντοπισμό ανωμαλιών με βάση τα επιχειρησιακά δεδομένα. ΄Ολα τα μοντέλα παρουσίασαν αρκετά καλά αποτελέσματα. Αυτά αναλύον- ται στην ενότητα επεξεργασίας και κριτικής των αποτελεσμάτων, μαζί με πιθανές βελτιώσεις για αυτά. Επιπροσθέτως, αντιμετωπίζονται κάποιες προκλήσεις που σχετίζονται με τα δεδομένα, όπως η σημασία της διατήρησης της χρονικής σειράς σε τέτοιου τύπου δεδομένα αλλά και η συνολική ποιότητα των δεδομένων σαν παράμετρος που επηρεάζει τα αποτελέσματα. Εξετάζονται επίσης ο αντίκτυπος των μεθόδων μείωσης διαστάσεων (dimensionality reduction) των δεδομένων στην ακρίβεια της ανίχνευσης ανωμαλιών αλλά και η ανίχνευση προσομοιωμένων ανωμαλιών. Τα βασικά ευρήματα μαζί με μελλοντικές προτάσεις σε αυτό το περιβάλλον συνοψίζονται στην ενότητα των συμπερασμάτων.	el
heal.advisorName	Θεμελής, Νίκος	el
heal.advisorName	Themelis, Nikos	en
heal.committeeMemberName	Σπύρου, Κωνσταντίνος	el
heal.committeeMemberName	Ζερβάκη, Άννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Μελέτης Πλοίου και Θαλάσσιων Μεταφορών	el
heal.academicPublisherID	ntua
heal.numberOfPages	123 σ.	el
heal.fullTextAvailability	false