Εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές
Η βιομηχανική παραγωγή σήμερα αποτελεί πυλώνα της οικονομίας. Οποιαδήποτε βλάβη και παύση της παραγωγικής διαδικασίας συνεπάγεται μειωμένα έσοδα και καθυστερήσεις. Στην εξάλειψη των βλαβών στις διαδικασίες παραγωγής συμβάλει η πληροφορική και η μηχανική μάθηση. Αυτό συμβαίνει χάρις στο πλήθος των πο...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/23464 |
| id |
nemertes-10889-23464 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-234642022-10-20T03:34:14Z Εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές Development of ICT applications for industrial machinery using machine learning technologies Γκιάλας, Θεοχάρης Gkialas, Theocharis Μηχανική μάθηση Εργαλειομηχανές παραγωγής Μάθηση με επίβλεψη Μάθηση χωρίς επίβλεψη Machine learning Industrial machinery Supervised learning Unsupervised learning Η βιομηχανική παραγωγή σήμερα αποτελεί πυλώνα της οικονομίας. Οποιαδήποτε βλάβη και παύση της παραγωγικής διαδικασίας συνεπάγεται μειωμένα έσοδα και καθυστερήσεις. Στην εξάλειψη των βλαβών στις διαδικασίες παραγωγής συμβάλει η πληροφορική και η μηχανική μάθηση. Αυτό συμβαίνει χάρις στο πλήθος των πολύτιμων δεδομένων που συλλέγονται. Αναλύονται λοιπόν σε αυτή την εργασία η μηχανική μάθηση, που επιτρέπει την εξόρυξη πληροφορίας από τα δεδομένα, και οι κατηγορίες της με παραδείγματα αλγορίθμων στην καθεμία. Ιδιαίτερη έμφαση δίνεται στην μάθηση με και χωρίς επίβλεψη καθώς χρειάζονται στη συνέχεια της εργασίας. Έπειτα παρουσιάζεται ένα πραγματικό παράδειγμα μηχανικής μάθησης με επίβλεψη με στόχο την αναγνώριση φάσης διαδικασίας και επίπεδο κρισιμότητας σε μια εργαλειομηχανή ξηρής κοκκοποίησης από μία φαρμακευτική εταιρία. Για αυτό γίνεται χρήση των αλγορίθμων Random Forest και Decision Jungle Algorithm.. Στη συνέχεια παρουσιάζεται ένα πραγματικό πρόβλημα μηχανικής μάθησης χωρίς επίβλεψη για την κατηγοριοποίηση και αξιολόγηση των δεδομένων από αισθητήρες σε δύο bottleneck μηχανές παραγωγής κινητήρων εσωτερικής καύσης και θα γίνει κατάταξή τους σε συστάδες κάνοντας χρήση του αλγορίθμου K-Means. Τέλος γίνεται ανάπτυξη κώδικα σε γλώσσα προγραμματισμού Python σύμφωνα με τη μεθοδολογία της πρώτης περίπτωσης. Industrial production in today’s global market is more important than ever. Any breakdown and stoppage imply reduced revenue and delays. Digital technologies and especially machine learning contribute to the elimination of defects in production processes. All that thanks to the amount of valuable data collected. Therefore, machine learning, which allows the extraction of information from data, and its sub-categories with examples of algorithms in each are analysed in this paper. Then a real-world example of supervised machine learning is presented to identify process phase and criticality level in a dry granulation machine tool from a pharmaceutical company. In order to achieve this, Random Forest and Decision Jungle Algorithms are used. After that a real unsupervised machine learning problem is presented to categorize and evaluate the data from sensors in two bottleneck internal combustion engine production machines. The data is then classified into clusters using of the K-Means algorithm. Finally, code is developed in Python programming language according to the methodology of the first case study. 2022-10-19T10:50:03Z 2022-10-19T10:50:03Z 2022-10-19 https://hdl.handle.net/10889/23464 el -; - Attribution-ShareAlike 3.0 United States http://creativecommons.org/licenses/by-sa/3.0/us/ application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Εργαλειομηχανές παραγωγής Μάθηση με επίβλεψη Μάθηση χωρίς επίβλεψη Machine learning Industrial machinery Supervised learning Unsupervised learning |
| spellingShingle |
Μηχανική μάθηση Εργαλειομηχανές παραγωγής Μάθηση με επίβλεψη Μάθηση χωρίς επίβλεψη Machine learning Industrial machinery Supervised learning Unsupervised learning Γκιάλας, Θεοχάρης Εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές |
| description |
Η βιομηχανική παραγωγή σήμερα αποτελεί πυλώνα της οικονομίας. Οποιαδήποτε βλάβη και παύση της παραγωγικής διαδικασίας συνεπάγεται μειωμένα έσοδα και καθυστερήσεις. Στην εξάλειψη των βλαβών στις διαδικασίες παραγωγής συμβάλει η πληροφορική και η μηχανική μάθηση. Αυτό συμβαίνει χάρις στο πλήθος των πολύτιμων δεδομένων που συλλέγονται. Αναλύονται λοιπόν σε αυτή την εργασία η μηχανική μάθηση, που επιτρέπει την εξόρυξη πληροφορίας από τα δεδομένα, και οι κατηγορίες της με παραδείγματα αλγορίθμων στην καθεμία. Ιδιαίτερη έμφαση δίνεται στην μάθηση με και χωρίς επίβλεψη καθώς χρειάζονται στη συνέχεια της εργασίας. Έπειτα παρουσιάζεται ένα πραγματικό παράδειγμα μηχανικής μάθησης με επίβλεψη με στόχο την αναγνώριση φάσης διαδικασίας και επίπεδο κρισιμότητας σε μια εργαλειομηχανή ξηρής κοκκοποίησης από μία φαρμακευτική εταιρία. Για αυτό γίνεται χρήση των αλγορίθμων Random Forest και Decision Jungle Algorithm.. Στη συνέχεια παρουσιάζεται ένα πραγματικό πρόβλημα μηχανικής μάθησης χωρίς επίβλεψη για την κατηγοριοποίηση και αξιολόγηση των δεδομένων από αισθητήρες σε δύο bottleneck μηχανές παραγωγής κινητήρων εσωτερικής καύσης και θα γίνει κατάταξή τους σε συστάδες κάνοντας χρήση του αλγορίθμου K-Means. Τέλος γίνεται ανάπτυξη κώδικα σε γλώσσα προγραμματισμού Python σύμφωνα με τη μεθοδολογία της πρώτης περίπτωσης. |
| author2 |
Gkialas, Theocharis |
| author_facet |
Gkialas, Theocharis Γκιάλας, Θεοχάρης |
| author |
Γκιάλας, Θεοχάρης |
| author_sort |
Γκιάλας, Θεοχάρης |
| title |
Εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές |
| title_short |
Εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές |
| title_full |
Εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές |
| title_fullStr |
Εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές |
| title_full_unstemmed |
Εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές |
| title_sort |
εφαρμογή τεχνολογιών μηχανικής μάθησης για πρόληψη βλαβών σε εργαλειομηχανές |
| publishDate |
2022 |
| url |
https://hdl.handle.net/10889/23464 |
| work_keys_str_mv |
AT nkialastheocharēs epharmogētechnologiōnmēchanikēsmathēsēsgiaprolēpsēblabōnseergaleiomēchanes AT nkialastheocharēs developmentofictapplicationsforindustrialmachineryusingmachinelearningtechnologies |
| _version_ |
1771297152303104000 |
