Χρήση τεχνητής νοημοσύνης για τη λήψη αποφάσεων στο τομέα της προγνωστικής συντήρησης

Χαλάστρας, Λάμπρος-Μάριος; Chalastras, Lampros-Marios

dc.contributor.author	Χαλάστρας, Λάμπρος-Μάριος	el
dc.contributor.author	Chalastras, Lampros-Marios	en
dc.date.accessioned	2025-07-28T07:44:11Z
dc.date.available	2025-07-28T07:44:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62199
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29895
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	Τεχνητή Νοημοσύνη	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Προγνωστική Συντήρηση	el
dc.subject	Artificial Intelligence	en
dc.subject	Machine Learning	en
dc.subject	Deep Learning	en
dc.subject	Predictive Maintenance	en
dc.title	Χρήση τεχνητής νοημοσύνης για τη λήψη αποφάσεων στο τομέα της προγνωστικής συντήρησης	el
heal.type	bachelorThesis
heal.classification	Επιχειρησιακή Έρευνα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-21
heal.abstract	Η αυτοματοποίηση και η χρήση προηγμένων μηχανημάτων στη βιομηχανία καθιστούν την προγνωστική συντήρηση (Predictive Maintenance – PdM) απαραίτητη για τη διασφάλιση της αποδοτικότητας και κατ’ επέκταση της ασφάλειας των βιομηχανικών συστημάτων. Η παρούσα διπλωματική εργασία επικεντρώνεται στη συμβολή της τεχνητής νοημοσύνης στη διαδικασία της προγνωστικής συντήρησης, με στόχο την ανάπτυξη μιας πρώιμης ροής εργασιών που περιγράφει τα απαιτούμενα δεδομένα, τους κατάλληλους αλγορίθμους και τις απαραίτητες ενέργειες για τη δημιουργία ενός αξιόπιστου συστήματος πρόβλεψης βλάβης. Για την επίτευξη αυτού του στόχου, πραγματοποιήθηκε βιβλιογραφική ανασκόπηση, εξετάστηκαν μέθοδοι προετοιμασίας και ανάλυσης δεδομένων για την υλοποίηση ενός συστήματος PdM και διερευνήθηκαν τα προβλήματα συντήρησης που μπορούν να αντιμετωπιστούν με τη βοήθεια της τεχνητής νοημοσύνης. Επιπλέον, αναπτύχθηκαν δύο διαφορετικά μοντέλα κώδικα, τα οποία αξιοποιούν εργαλεία τεχνητής νοημοσύνης, στατιστικής και επεξεργασίας δεδομένων. Το πρώτο μοντέλο χρησιμοποιεί την Ανάλυση Κύριων Συνιστωσών (PCA) για τη δημιουργία μιας καμπύλης φθοράς που αποτυπώνει τη σταδιακή υποβάθμιση του συστήματος. Το δεύτερο μοντέλο βασίζεται σε Επαναλαμβανόμενα Νευρωνικά Δίκτυα (RNN), συγκεκριμένα στο Long Short-Term Memory (LSTM), και στοχεύει στην πρόβλεψη πιθανών βλαβών στις επόμενες Ν φορτίσεις ενός μηχανήματος. Τα αποτελέσματα του μοντέλου LSTM συγκρίθηκαν με εκείνα αλγορίθμων μηχανικής μάθησης, όπως το Τυχαίο Δάσος (Random Forest) και η Λογιστική Παλινδρόμηση (Logistic Regression). Τα ερευνητικά ευρήματα δείχνουν ότι η μέθοδος PCA μπορεί να είναι χρήσιμη σε περιπτώσεις περιορισμένων δεδομένων, αλλά απαιτείται περαιτέρω έρευνα για να επιβεβαιωθεί αν είναι δυνατή η γενίκευση της μεθόδου. Αντίθετα, όταν υπάρχουν επαρκή δεδομένα "Run-To-Failure", οι αλγόριθμοι τεχνητής νοημοσύνης όπως το LSTM επιτρέπουν τόσο την ταξινόμηση των πιθανών βλαβών όσο και την εκτίμηση του Υπολειπόμενου Χρόνου Ζωής (RUL) του συστήματος. Επιπλέον, προτείνεται η διερεύνηση της χρήσης Νευρωνικών Δικτύων τύπου GANs για τη δημιουργία συνθετικών δεδομένων, η μελέτη του συνδυασμού CNN και LSTM για τη βελτίωση των προβλέψεων καθώς και η χρήση οικονομικών παραγόντων για την εύρεση ιδανικού Threshold αποφάσεων που προσφέρει ικανοποιητικά αποτελέσματα προβλέψεων σε συνάρτηση με τα κόστη συντήρησης. Η σημασία της παρούσας μελέτης έγκειται στη διαμόρφωση μιας συστηματικής προσέγγισης για την επιλογή αλγορίθμων προγνωστικής συντήρησης με βάση τα διαθέσιμα δεδομένα. Τα ευρήματα παρέχουν ένα αρχικό πλαίσιο για την ανάπτυξη ολοκληρωμένων συστημάτων PdM, συμβάλλοντας έτσι στη μείωση του κόστους συντήρησης και στη βελτίωση της αποδοτικότητας των μηχανημάτων.	el
heal.abstract	As industries rely more on automation and advanced machinery, Predictive Maintenance (PdM) has become essential for keeping systems efficient and safe. This thesis looks at how artificial intelligence can improve predictive maintenance by outlining a basic workflow that identifies the necessary data, the best algorithms to use, and key steps for building a reliable fault prediction system. To investigate this topic, a literature review was conducted, followed by a detailed examination of how data should be processed and analyzed for a PdM system. The study also looks at common maintenance challenges that AI can help address. Two predictive models were developed using AI, statistical techniques, and data processing methods. The first model applies Principal Component Analysis (PCA) to monitor system wear and identify gradual degradation. The second model is built on Recurrent Neural Networks (RNN), specifically Long Short-Term Memory (LSTM), and is designed to predict possible failures within the next N load cycles of a machine. The performance of the LSTM model was evaluated against traditional machine learning methods such as Random Forest and Logistic Regression. The research shows that PCA can be useful when data is limited, but more studies are needed to see if it works well in all situations. However, when enough "Run-To-Failure" data is available, AI models like LSTM can accurately classify failures and estimate how long a system will last before needing maintenance. The study also suggests looking into Generative Adversarial Networks (GANs) for creating synthetic data, combining Convolutional Neural Networks (CNN) with LSTM to improve accuracy, and factoring in maintenance costs when setting decision thresholds. In the end, this research offers a clear method for choosing the right predictive maintenance algorithms based on the data available. The findings help lay the groundwork for more effective PdM systems, leading to lower maintenance costs and better machine performance.	en
heal.advisorName	Παναγιώτου, Νικόλαος	el
heal.advisorName	Panayiotou, Nikolaos	en
heal.committeeMemberName	Κηρυττόπουλος, Κωνσταντίνος	el
heal.committeeMemberName	Kirytopoulos, Konstantinos	en
heal.committeeMemberName	Πόνης, Σταύρος	el
heal.committeeMemberName	Ponis, Stavros	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Βιομηχανικής Διοίκησης και Επιχειρησιακής Έρευνας	el
heal.academicPublisherID	ntua
heal.numberOfPages	122 σ.	el
heal.fullTextAvailability	false