1. Αρχική σελίδα
  2. Αναζήτηση

Ανίχνευση ανωμαλιών σε δεδομένα πραγματικού χρόνου για τη βιομηχανία 4.0

Το τεκμήριο παρέχεται από τον φορέα :
Εθνικό Μετσόβιο Πολυτεχνείο   

Αποθετήριο :
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Ανίχνευση ανωμαλιών σε δεδομένα πραγματικού χρόνου για τη βιομηχανία 4.0 (EL)
Φούκα, Αφροδίτη (EL)
Fouka, Afroditi (EN)
ntua (EL)
Μέντζας, Γρηγόρης (EL)
Δούκας, Χάρης (EL)
Ασκούνης, Δημήτριος (EL)
bachelorThesis
2021-09-29T08:31:45Z
2021-07-19
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)
Προβλεπτική συντήρηση (EL)
Προβλεπτική ανάλυση (EL)
Μηχανική μάθηση (EL)
Βαθιά μηχανική μάθηση (EL)
Βιομηχανία 4.0 (EL)
Ελληνική γλώσσα
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων (EL)
Default License
Εθνικό Μετσόβιο Πολυτεχνείο
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA
Κεντρική Βιβλιοθήκη Ε.Μ.Π.
Ιδρυματικό Αποθετήριο
Διπλωματικές Εργασίες



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.