Η παρούσα εργασία αφορά την αξιολόγηση και σύγκριση διαφόρων μοντέλων μηχανικής μάθησης για εφαρμογές προβλεπτικής συντήρησης σε διάφορα σύνολα δεδομένων. Τα μοντέλα αξιολογήθηκαν χρησιμοποιώντας μετρικές απόδοσης, όπως ο μέσος τετραγωνικός σφάλμα (MSE), ο μέσος απόλυτος σφάλμα (MAE) και ο συντελεστής προσδιορισμού (R2).
Στο σύνολο δεδομένων του κινητήρα, το μοντέλο GRU ξεχώρισε με τα χαμηλότερα MSE και MAE. Στο σύνολο δεδομένων του δεξιού ρουλεμάν, τα μοντέλα LSTM και GRU επέδειξαν εξαιρετική ακρίβεια. Στο σύνολο δεδομένων του αριστερού ρουλεμάν, το LSTM και το GRU παρέδωσαν τα χαμηλότερα σφάλματα πρόβλεψης.
Ειδικότερα, στο ολοκληρωμένο σύνολο δεδομένων, το μοντέλο CNN ξεχώρισε με χαμηλό MSE και τον υψηλότερο R2. Επίσης, το μοντέλο GRU εμφάνισε καλή απόδοση με χαμηλό MSE και MAE.
Η επιλογή του καταλληλότερου μοντέλου εξαρτάται από τις απαιτήσεις κάθε εφαρμογής. Το μοντέλο GRU είναι κατάλληλο για ακριβείς προβλέψεις, ενώ το μοντέλο CNN είναι αποτελεσματικό στην καταγραφή προτύπων. Τελικά, το μοντέλο FNN είναι ευέλικτο και αξιόπιστο σε συγκεκριμένα σύνολα δεδομένων.
Συνοψίζοντας, αυτή η μελέτη παρέχει έναν συστηματικό πλαίσιο για την επιλογή του πιο κατάλληλου μοντέλου μηχανικής μάθησης για εφαρμογές προβλεπτικής συντήρησης, λαμβάνοντας υπόψη τις συγκεκριμένες απαιτήσεις και περιορισμούς κάθε εφαρμογής.
This research involves the evaluation and comparison of various machine learning models for predictive maintenance applications across different datasets. The models were assessed using performance metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE), and R-squared (R2).
In the motor dataset, the GRU model stood out with the lowest MSE and MAE. In the right bearing dataset, both LSTM and GRU models demonstrated exceptional accuracy. In the left bearing dataset, LSTM and GRU delivered the lowest prediction errors.
Specifically, in the integrated dataset, the CNN model excelled with low MSE and the highest R2. The GRU model also exhibited good performance with low MSE and MAE.
The choice of the most suitable model depends on the requirements of each application. The GRU model is suitable for precise predictions, while the CNN model is effective at capturing patterns. Ultimately, the FNN model is flexible and robust on specific datasets.
In summary, this study provides a comprehensive and systematic framework for selecting the most appropriate machine learning model for predictive maintenance applications, considering the specific requirements and constraints of the application.