Ενισχυτική Μάθηση για Πρόβλεψη Φθοράς Βιομηχανικού Εξοπλισμού

Abstract

Στον κόσμο της βιομηχανίας, όπου ο στόχος είναι η μείωση των εξόδων και η ελαχιστοποίηση των απωλειών, η συντήρηση, αν και απαραίτητη, συχνά συμβάλλει σε αυτά τα έξοδα και μπορεί να διαταράξει τη διαδικασία παραγωγής. Επομένως, η βελτιστοποίηση των στρατηγικών συντήρησης θα πρέπει να αποτελεί προτεραιότητα. Οι παραδοσιακές στατιστικές και ντετερμινιστικές προσεγγίσεις για το σχεδιασμό συστημάτων ελέγχου και προγραμματισμού είναι περιορισμένες στην αποτελεσματικότητά τους λόγω της πολύπλοκης, μη γραμμικής φύσης των προβλημάτων συντήρησης. Παρόλο που η Μηχανική Μάθηση (Μachine Learning) προσφέρει πιθανές λύσεις σε αυτές τις πολυπλοκότητες, δεν παύει να αποτελεί πρόκληση η απόκτηση επαρκών δεδομένων από ειδικούς, για την επιβλεπόμενη και μη επιβλεπόμενη μάθηση, οδηγώντας συχνά σε προσεγγιστικές και ανεπαρκής λύσεις. Η Ενισχυτική Μάθηση (Reinforcement Learning) παρουσιάζει έναν αυτόνομο μηχανισμό μάθησης που μπορεί να ξεπεράσει μερικούς από αυτούς τους περιορισμούς. Η παρούσα διπλωματική επικεντρώνεται στη χρήση διαφόρων αλγορίθμων RL για την αντιμετώπιση ενός προβλήματος Προγνωστικής Συντήρησης (Predictive Maintenance), συγκεκριμένα την πρόβλεψη φθοράς των flutes (φρεζοτρύπανων) σε διάφορες φρέζες CNC υψηλής ταχύτητας. Αυτή η πρόβλεψη βασίζεται σε δεδομένα από δυναμόμετρα, επιταχυνσιόμετρα και αισθητήρες ακουστικής εκπομπής. Όλοι οι αλγόριθμοι θα εκπαιδευτούν και θα αξιολογηθούν χρησιμοποιώντας πραγματικά δεδομένα, και θα διεξαχθεί μια ευρεία ανάλυση για να εξεταστεί η αποτελεσματικότητά τους.