ΑΝΙΧΝΕΥΣΗ ΑΝΩΜΑΛΙΩΝ ΣΕ ΔΕΔΟΜΕΝΑ ΠΡΑΓΜΑΤΙΚΟΥ ΧΡΟΝΟΥ ΓΙΑ ΤΗ ΒΙΟΜΗΧΑΝΙΑ 4.0

Abstract

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.