Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων : πτυχιακή εργασία
Στην παρούσα διπλωματική εργασία, πλήθος αντιπροσωπευτικών ταξινομητών της κατηγορίας των αλγορίθμων επιτηρούμενης μάθησης χρησιμοποιούνται στο σημαντικό και μη τετριμμένο πρόβλημα διάγνωσης βλαβών ενός, μεγάλης κλίμακας και αξίας, μηχανολογικού εξοπλισμού. Η διάγνωση της κατάστασης της μηχανής με μ...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Συγγραφή απο Οργανισμό/Αρχή: | |
| Μορφή: | Thesis Βιβλίο |
| Γλώσσα: | Greek |
| Δημοσίευση: |
2008.
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/8915 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | Στην παρούσα διπλωματική εργασία, πλήθος αντιπροσωπευτικών ταξινομητών της κατηγορίας των αλγορίθμων επιτηρούμενης μάθησης χρησιμοποιούνται στο σημαντικό και μη τετριμμένο πρόβλημα διάγνωσης βλαβών ενός, μεγάλης κλίμακας και αξίας, μηχανολογικού εξοπλισμού. Η διάγνωση της κατάστασης της μηχανής με μεθόδους εξόρυξης δεδομένων αντιμετωπίζεται ως ένα πρόβλημα αναγνώρισης προτύπων, βασισμένο σε μετρήσεις και επιλογή χαρακτηριστικών που προήλθαν από δώδεκα (12) διαφορετικά μετρητικά όργανα. Συγκεκριμένα εξετάζεται η διαγνωστική αποτελεσματικότητα των Νευρωνικών Δικτύων (MLP,RBF), της κατηγοριοποίησης κατά Bayes (Nave Bayes, Bayesian Nets), των Δέντρων Απόφασης (C4.5, Random Forests), των k-Πλησιέστερων Γειτόνων (k-NN) και των Μηχανών Διανυσμάτων Υποστήριξης (SVMs), χρησιμοποιώντας το λογισμικό μηχανικής μάθησης WEKA. Ιδιαίτερη έμφαση δίνεται στην μέγιστη δυνατή μείωση του αριθμού των μετρητικών οργάνων ώστε μαζί με τον αποτελεσματικότερο ταξινομητή να μας προμηθεύσουν την βάση για την δημιουργία ενός υψηλής επίδοσης αυτόματου διαγνωστικού συστήματος. Τα συμπεράσματα τα οποία προκύπτουν είναι γενικότερου ενδιαφέροντος.Τα πιθανά οφέλη της προαναφερθείσης έρευνας έχουν αναγνωρισθεί από δυο σημαντικά διεθνή συνέδρια, το 18ο Πανευρωπαϊκό Συνέδριο Τεχνητής Νοημοσύνης (ECCAI 2008) και το 19ο Διεθνές Συνέδριο Μηχανικής Συστημάτων (ICSENG 2008). In this final diploma thesis, a vast majority of representative machine learning supervised classifiers are used in a critical and at the same time non platitudinous problem concerning the diagnosis of Gas Turbine blading faults, portraying promising results. Machines status classification using Data Mining techniques is treated as a Pattern Recognition problem, based on measurements (acquired from twelve (12) different instruments) and feature selection. To be more specific, using the open-source workbench WEKA, the diagnostic capabilities of Neural Networks (MLP, RBF), Bayesian Classifiers (Nave Bayes, Bayesian Nets), Decision Trees (C4.5, Random Forests), k-Nearest Neighbors (k-NN) and Support Vector Machines (SVMs) were examined and analyzed. Emphasis is given on the selection of the least possible number of appropriate measuring instruments, in order to provide the basis of a high performance automated diagnostic system. The conclusions derived are of more general interest and applicability. The potential benefits of the aforementioned research were acknowledged by two important international conferences in the areas of Artificial Intelligence and Systems Engineering. More specifically, the results were published in the 18th European Conference on Artificial Intelligence (ECAI 2008) and the 19th International Conference on Systems Engineering (ICSENG 2008). |
|---|---|
| Περιγραφή τεκμηρίου: | Μέλη της εξεταστικής επιτροπής: Ευριπίδης Λουκής, Εμμανουήλ Μαραγκουδάκης, Ιωάννης Αναγνωστόπουλος. |
| Φυσική περιγραφή: | xi, 136 σ. : εγχρ. εικ., πιν. ; 30 εκ. |
| Βιβλιογραφία: | Βιβλιογραφία: σ. 96-102. |
| Πρόσβαση: | Διάθεση πλήρους κειμένου ; |