Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης
| Κύριος συγγραφέας: | |
|---|---|
| Μορφή: | Μεταπτυχιακή εργασία |
| Γλώσσα: | Greek |
| Έκδοση: |
Α.Ε.Ι. Πειραιά Τ.Τ.
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5492 |
| _version_ | 1780278386866782208 |
|---|---|
| abstract | Με τον αυξανόμενο αριθμό ενσωματωμένων συστημάτων υπολογιστών ανίχνευσης που έχουν εγκατασταθεί σε εγκαταστάσεις παραγωγής, μηχανήματα, αυτοκίνητα κ.λπ., υπάρχουν νέες δυνατότητες παρακολούθησης και καταγραφής των δεδομένων από τέτοια συστήματα. Αυτή η εξέλιξη καθιστά δυνατή την ανίχνευση ανωμαλιών και την πρόβλεψη των αστοχιών που επηρεάζουν τα σχέδια συντήρησης.
Αυτή η διατριβή χωρίζει το πεδίο της ανίχνευσης τύπου αστοχίας και της προγνωστικής συντήρησης σε υποενότητες που εστιάζουν στην υλοποίησή της με χρήση τεχνικών μηχανικής μάθησης, όπου κάθε τομέας ανίχνευσης αποτυχιών και προγνωστικής συντήρησης εξηγεί και συνοψίζει τα πιο σχετικά ερευνητικά αποτελέσματα τα τελευταία χρόνια. Κάθε τεχνική παρουσιάζεται επισημαίνοντας τα πλεονεκτήματα και τα μειονεκτήματά της. |
| abstracttranslated | With the growing number of integrated detection computer systems installed in production facilities, machinery, cars, etc., there are new possibilities for monitoring and recording data from such systems. This development makes it possible to detect anomalies and predict failures that affect maintenance plans. This thesis statement divides the field of failure detection and prognostic maintenance into subsections focusing on its implementation using machine learning techniques, where each area of failure detection and predictive maintenance explains and summarizes the most relevant research results in recent years. Each technique is presented highlighting its advantages and disadvantages. |
| advisor | |
| author | Καλάρης, Απόστολος |
| author_facet | Καλάρης, Απόστολος |
| author_sort | Καλάρης, Απόστολος |
| collection | Okeanis Institutional Repository |
| format | Μεταπτυχιακή εργασία |
| id | okeanis-123456789-5492 |
| institution | University of West Attica Campus II |
| keyword | Μηχανική μάθηση Προγνωστική συντήρηση Προβλεπτική συντήρηση Machine learning Predictive maintenance Προληπτική συντήρηση |
| language | Greek |
| physical | 107 |
| publishDate | 2020 |
| publisher | Α.Ε.Ι. Πειραιά Τ.Τ. |
| record_format | dspace |
| spelling | okeanis-123456789-54922020-11-23T11:59:52Z Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης Predictive maintenance using machine learning Καλάρης, Απόστολος Νικολάου, Γρηγόριος TPSH::Τεχνολογία Μηχανική μάθηση Προγνωστική συντήρηση Προβλεπτική συντήρηση Machine learning Predictive maintenance Προληπτική συντήρηση Με τον αυξανόμενο αριθμό ενσωματωμένων συστημάτων υπολογιστών ανίχνευσης που έχουν εγκατασταθεί σε εγκαταστάσεις παραγωγής, μηχανήματα, αυτοκίνητα κ.λπ., υπάρχουν νέες δυνατότητες παρακολούθησης και καταγραφής των δεδομένων από τέτοια συστήματα. Αυτή η εξέλιξη καθιστά δυνατή την ανίχνευση ανωμαλιών και την πρόβλεψη των αστοχιών που επηρεάζουν τα σχέδια συντήρησης. Αυτή η διατριβή χωρίζει το πεδίο της ανίχνευσης τύπου αστοχίας και της προγνωστικής συντήρησης σε υποενότητες που εστιάζουν στην υλοποίησή της με χρήση τεχνικών μηχανικής μάθησης, όπου κάθε τομέας ανίχνευσης αποτυχιών και προγνωστικής συντήρησης εξηγεί και συνοψίζει τα πιο σχετικά ερευνητικά αποτελέσματα τα τελευταία χρόνια. Κάθε τεχνική παρουσιάζεται επισημαίνοντας τα πλεονεκτήματα και τα μειονεκτήματά της. With the growing number of integrated detection computer systems installed in production facilities, machinery, cars, etc., there are new possibilities for monitoring and recording data from such systems. This development makes it possible to detect anomalies and predict failures that affect maintenance plans. This thesis statement divides the field of failure detection and prognostic maintenance into subsections focusing on its implementation using machine learning techniques, where each area of failure detection and predictive maintenance explains and summarizes the most relevant research results in recent years. Each technique is presented highlighting its advantages and disadvantages. 2020-10 Μεταπτυχιακή εργασία http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5492 el http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Α.Ε.Ι. Πειραιά Τ.Τ. Πανεπιστήμιο Αιγαίου 107 http://okeanis.lib2.uniwa.gr/xmlui/bitstream/123456789/5492/4/ntst38.pdf.jpg |
| spellingShingle | TPSH::Τεχνολογία Καλάρης, Απόστολος Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης |
| title | Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης |
| title_full | Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης |
| title_fullStr | Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης |
| title_full_unstemmed | Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης |
| title_short | Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης |
| title_sort | προβλεπτική συντήρηση με χρήση μηχανικής μάθησης |
| title_translated | Predictive maintenance using machine learning |
| topic | TPSH::Τεχνολογία |
| url | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5492 |