Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων

Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων

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...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:
Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Παντελίδης, Παναγιώτης
Γλώσσα:Greek
Δημοσίευση: 2015
Θέματα:
Εξόρυξη δεδομένων
Μηχανική μάθηση
Νευρωνικά δίκτυα
Κατηγοριοποίηση κατά Bayes
Δέντρα απόφασης
Κ-Πλησιέστεροι γείτονες
Μηχανές διανυσμάτων υποστήριξης
Διάγνωση βλαβών
Data mining
Machine learning
Neural networks
Bayesian classification
Decision trees
K-Nearest neighbors
Support vector machines
Weka
Fault diagnosis
Neural networks (Computer science)
Διαθέσιμο Online:https://vsmart.lib.aegean.gr/webopac/List.csp?SearchT1=%CE%A0%CE%B1%CE%BD%CF%84%CE%B5%CE%BB%CE%AF%CE%B4%CE%B7%CF%82%2C+%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82&Index1=Keywordsbib&Database=1&SearchMethod=Find_1&SearchTerm1=%CE%A0%CE%B1%CE%BD%CF%84%CE%B5%CE%BB%CE%AF%CE%B4%CE%B7%CF%82%2C+%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82&OpacLanguage=gre&Profile=Default&EncodedRequest=v*F5U*E8*C9F*E8*C1*2BC*0F6*5C*04*C0*D0&EncodedQuery=v*F5U*E8*C9F*E8*C1*2BC*0F6*5C*04*C0*D0&Source=SysQR&PageType=Start&PreviousList=RecordListFind&WebPageNr=1&NumberToRetrieve=50&WebAction=NewSearch&StartValue=0&RowRepeat=0&ExtraInfo=&SortIndex=Year&SortDirection=-1&Resource=&SavingIndicator=&RestrType=&RestrTerms=&RestrShowAll=&LinkToIndex=
http://hdl.handle.net/11610/8915
Ετικέτες: Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
Περιγραφή
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 (Naïve 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).

Παρόμοια τεκμήρια