Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19207
Πλήρες αρχείο μεταδεδομένων
Πεδίο DC ΤιμήΓλώσσα
dc.contributor.authorΑγγλογάλλος, Αναστάσιος-
dc.date.accessioned2024-07-22T09:17:30Z-
dc.date.available2024-07-22T09:17:30Z-
dc.date.issued2024-07-15-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19207-
dc.description.abstractΣτον 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.en_US
dc.languageelen_US
dc.subjectΠρογνωστική Συντήρησηen_US
dc.subjectΕνισχυτική Μάθησηen_US
dc.subjectMDPen_US
dc.subjectΠρόβλεψη Φθοράςen_US
dc.subjectΜηχανική Μάθησηen_US
dc.subjectWear Predictionen_US
dc.subjectPredictive Maintenanceen_US
dc.subjectReinforcement Learningen_US
dc.subjectMachine Learningen_US
dc.titleΕνισχυτική Μάθηση για Πρόβλεψη Φθοράς Βιομηχανικού Εξοπλισμούen_US
dc.description.pages182en_US
dc.contributor.supervisorΜέντζας Γρηγόρηςen_US
dc.departmentΤομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεωνen_US
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
Aglogallos Anastasios Master Thesis.pdf7.54 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.