Πρόβλεψη συμβάντων βλαβών σε εξοπλισμό παραγωγής με τεχνικές μηχανικής μάθησης

Ράπτης, Ευστάθιος; Raptis, Efstathios

dc.contributor.author	Ράπτης, Ευστάθιος	el
dc.contributor.author	Raptis, Efstathios	en
dc.date.accessioned	2024-04-18T09:46:00Z
dc.date.available	2024-04-18T09:46:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59218
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26914
dc.rights	Default License
dc.subject	Ανάλυση χρονοσειρών	el
dc.subject	Πρόβλεψη βλαβών	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ανάλυση δεδομένων	el
dc.subject	Σύστημα παραγωγής	el
dc.subject	Data Analysis	en
dc.subject	Predictive maintenance	en
dc.subject	Fault Prediction	en
dc.subject	Timeseries analysis	en
dc.subject	Production system	en
dc.title	Πρόβλεψη συμβάντων βλαβών σε εξοπλισμό παραγωγής με τεχνικές μηχανικής μάθησης	el
heal.type	masterThesis
heal.classification	Predictive Maintenance	en
heal.classification	Data Analysis	en
heal.classification	Machine Learning	el
heal.classification	Ανάλυση Δεδομένων	el
heal.classification	Προβλεπτική Συντήρηση	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-24
heal.abstract	In the modern era of automation and industrial processes, the need for effective fault detection and diagnosis techniques has become increasingly critical. Timely and accurate identification of faults is essential for ensuring the smooth operation, safety, and reliability of complex systems, such as manufacturing plants, power grids, transportation networks, and more. Traditional methods for fault detection often rely on rule-based systems or statistical approaches, which may struggle to handle the complexity and variability of real-world systems. This work addresses the topic of detecting plant failure events in advance by utilizing time series data of sensor measurements and control reference signals for multiple control components of a plant, as well as additional measurements from plant zones. The dataset consists of time series data collected over a period of three to four years, with approximately one sample recorded every 15 minutes. Plant failure events are characterized by a start time, end time, and failure code, with only faults of types 1-5 considered relevant, while code 6 represents other faults not of interest. The objective is to develop a predictive model that can accurately forecast future failure events of types 1-5 and predict their timing based on historical data. The proposed approach aims to leverage machine learning techniques to learn patterns and anomalies in the data, enabling early detection and proactive maintenance strategies to mitigate the risk of costly breakdowns. This thesis discusses the specific challenges associated with this problem, such as data availability, data preprocessing, feature engineering, model building, imbalanced classification, and model interpretability, and proposes potential solutions to address these challenges. The results obtained from the developed predictive model are presented, demonstrating its effectiveness in predicting future failure events and contributing to the improvement of plant reliability and operational efficiency. Namely, favourable values are attained in critical parameters such as the precision of non-failure events and the recall of failure events.	en
heal.abstract	Στη σύγχρονη εποχή του αυτοματισμού και των βιομηχανικών διαδικασιών, η ανάγκη για απο- τελεσματικές τεχνικές ανίχνευσης και διάγνωσης σφαλμάτων έχει γίνει όλο και πιο κρίσιμη. Ο έγκαιρος και ακριβής εντοπισμός σφαλμάτων είναι απαραίτητος για τη διασφάλιση της ομαλής λειτουργίας, της ασφάλειας και της αξιοπιστίας πολύπλοκων συστημάτων, όπως εργοστάσια παραγωγής, δίκτυα ηλεκτρικής ενέργειας, δίκτυα μεταφορών και άλλα. Οι παραδοσιακές μέθο- δοι πρόβλεψης σφαλμάτων βασίζονται συχνά σε συστήματα που βασίζονται σε κανόνες ή σε στατιστικές προσεγγίσεις, οι οποίες δυσκολεύονται να διαχειριστούν την πολυπλοκότητα και τη μεταβλητότητα των συστημάτων του πραγματικού κόσμου. Η παρούσα εργασία ασχολείται με το θέμα της πρόβλεψης συμβάντων βλάβης ενός εργοστα- σίου, χρησιμοποιώντας δεδομένα χρονοσειρών μετρήσεων αισθητήρων και σημάτων αναφοράς ελέγχου για πολλαπλά στοιχεία ελέγχου του εργοστασίου, καθώς και πρόσθετες μετρήσεις από τις ζώνες του εργοστασίου. Το σύνολο δεδομένων αποτελείται από δεδομένα χρονοσειράς που συλλέγονται για μια περίοδο τριών έως τεσσάρων ετών, με περίπου ένα δείγμα να κατα- γράφεται κάθε 15 λεπτά. Τα συμβάντα βλάβης της εγκατάστασης χαρακτηρίζονται από χρόνο έναρξης, χρόνο λήξης και κωδικό βλάβης, ενώ μόνο οι βλάβες των τύπων 1-5 θεωρούνται σχε- τικές, καθώς ο κωδικός 6 αντιπροσωπεύει άλλες βλάβες που δεν ενδιαφέρουν. Ο στόχος είναι να αναπτυχθεί ένα μοντέλο που να μπορεί να προβλέπει με ακρίβεια τα μελλοντικά συμβάντα βλάβης των τύπων 1-5 και να προβλέπει το χρόνο τους με βάση τα ιστορικά δεδομένα. Η προτεινόμενη προσέγγιση αποσκοπεί στην αξιοποίηση τεχνικών μηχανικής μάθησης για την εκμάθηση προτύπων και ανωμαλιών στα δεδομένα, επιτρέποντας την έγκαιρη πρόγνωση και την εφαρμογή στρατηγικών προληπτικής συντήρησης για τον μετριασμό του κινδύνου δαπα- νηρών βλαβών. Η εργασία εξετάζει τις συγκεκριμένες προκλήσεις που σχετίζονται με το πρόβλημα αυτό, όπως η διαθεσιμότητα δεδομένων, η προετοιμασία των δεδομένων,η μηχανική των ανεξάρ- τητων μεταβλητών, η ποιότητα των δεδομένων, η μοντελοποίηση του προβλήματος, οι μη σταθμισμένες κλάσεις και η ερμηνευσιμότητα του μοντέλου, και προτείνει πιθανές λύσεις για την αντιμετώπιση αυτών των προκλήσεων. Παρουσιάζονται τα αποτελέσματα που προέκυψαν από το μοντέλο πρόβλεψης που αναπτύχθηκε, καταδεικνύοντας την αποτελεσματικότητά του, αλλά και τις αδυναμίες του στην πρόβλεψη μελλοντικών συμβάντων βλάβης, συμβάλλοντας στη βελτίωση της αξιοπιστίας και της λειτουργικής αποδοτικότητας της του εργοστασίου. Ει- δικότερα, ενθαρρυντικές τιμές επετεύχθησαν σε κρίσιμες παραμέτρους όπως το precision των συμβάντων μη-βλάβης καθώς και το recall των συμβάντων βλάβης.	el
heal.advisorName	Μπενάρδος, Πανώριος	el
heal.committeeMemberName	Βοσνιάκος, Γεώργιος	el
heal.committeeMemberName	Πόνης, Σταύρος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false