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:
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!
_version_ 1828460406115401728
author Παντελίδης, Παναγιώτης
author_facet Παντελίδης, Παναγιώτης
author_sort Παντελίδης, Παναγιώτης
collection DSpace
description 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).
id oai:hellanicus.lib.aegean.gr:11610-8915
institution Hellanicus
language Greek
publishDate 2015
record_format dspace
spelling oai:hellanicus.lib.aegean.gr:11610-89152025-02-07T14:08:19Z Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων Παντελίδης, Παναγιώτης 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 Data mining Machine learning Neural networks (Computer science) 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). 2015-11-17T10:32:45Z 2015-11-17T10:32:45Z 2008 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 el application/pdf Σάμος
spellingShingle 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
Data mining
Machine learning
Neural networks (Computer science)
Παντελίδης, Παναγιώτης
Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων
title Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων
title_full Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων
title_fullStr Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων
title_full_unstemmed Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων
title_short Διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων
title_sort διάγνωση βλαβών μηχανολογικού εξοπλισμού μεγάλης κλίμακας με χρήση μεθόδων εξόρυξης δεδομένων
topic 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
Data mining
Machine learning
Neural networks (Computer science)
url 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
work_keys_str_mv AT pantelidēspanagiōtēs diagnōsēblabōnmēchanologikouexoplismoumegalēsklimakasmechrēsēmethodōnexoryxēsdedomenōn