Τεχνικές προβλεπτικής συντήρησης με χρήση Μηχανικής Μάθησης

Abstract

Σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη Αλγορίθμων Μηχανικής Μάθησης με τη χρήση της προγραμματιστικής γλώσσας Python, στα πλαίσια της Προβλεπτικής Συντήρησης των σύγχρονων βιομηχανιών. Για την παραπάνω μελέτη χρησιμοποιήθηκαν δυο σύνολα δεδομένων με χαρακτηριστικές μετρήσεις ρουλεμάν οι οποίες συλλέχθηκαν από αισθητήρες κατά τη λειτουργία τους. Το πρώτο σύνολο δεδομένων βασίστηκε σε πειραματική μηχανική διάταξη κινητήρα, ενώ το δεύτερο συλλέχθηκε από πραγματικό βιομηχανικό εξοπλισμό υπό συνθήκες παραγωγικής διαδικασίας. Και στα δυο σύνολα δεδομένων έγινε εφαρμογή κατάλληλης αρχιτεκτονικής Τεχνητών Νευρωνικών Δικτύων. Συγκεκριμένα, το πρώτο σύνολο δεδομένων αντιμετωπίστηκε ως πρόβλημα Κατηγοριοποίησης για την Ανίχνευση Βλαβών με ένα μοντέλο Πολυεπίπεδου Αντιλήπτρου, ενώ το δεύτερο ως πρόβλημα Ανίχνευσης Ανωμαλιών μέσω της μεθόδου Ανακατασκευής ενός μοντέλου Αυτοκωδικοποιητή με νευρώνες Μακράς Βραχυπρόθεσμης Μνήμης. Ακόμη, στα πλαίσια εκπαιδευτικού χαρακτήρα, έγινε αναλυτική επεξήγηση όλων των στατιστικών μεθόδων και των τεχνικών Μηχανικής και Βαθιάς Μάθησης που εφαρμόστηκαν παραπάνω, τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο. Επίσης, έγινε αναφορά και παρουσιάστηκαν υλοποιήσεις ομαδοποίησης δεδομένων βάσει κλασσικών αλγορίθμων και τεχνικών. Σημειώνεται ότι, οι δυο βασικές εφαρμογές των συνόλων δεδομένων και τα συμπεράσματά τους αποτέλεσαν υλικό δημοσιεύσεων. Ειδικότερα, η μελέτη που βασίστηκε στο πρώτο σύνολο δεδομένων παρουσιάστηκε στο 9ο Διεθνές Συνέδριο Ελέγχου, Αποφάσεων και Πληροφορίας Τεχνολογιών (9 th International Conference on Control, Decision and Information Technologies), ενώ η μελέτη του δεύτερου συνόλου δεδομένων δημοσιεύτηκε στο περιοδικό Sensors του MDPI (Multidisciplinary Digital Publishing Institute).

The purpose of the thesis is the development of Machine Learning Algorithms using the Python programming language, in the context of Predictive Maintenance of modern industries. For the above study, two datasets were used containing characteristic measurements of bearings which were collected by sensors during their operation. The first dataset was based on an experimental mechanical engine setup, while the second was collected from real industrial equipment under actual production process conditions. An appropriate Artificial Neural Network architecture was applied to both datasets. Specifically, the first dataset was treated as a Classification problem for Fault Detection with a Multilayer Perceptron model, while the second as an Anomaly Detection problem through the Reconstruction method of an Autoencoder model implementing Long Short-Term Memory neurons. Furthermore, in the context of an educational nature, a detailed explanation of all the applied statistical methods and Machine and Deep Learning techniques was made, both at a theoretical and practical level. Implementations of data clustering based on traditional algorithms and techniques are also reported and presented. It is noted that the two main applications of the datasets and their results were used as publishing material. In particular, the study of the first dataset was presented at the 9th International Conference on Control, Decision and Information Technologies, while the study of the second dataset was published in MDPI’s Sensors magazine.