Ανάπτυξη IΙοΤ συστήματος για προβλεπτική συντήρηση σε βιομηχανικό περιβάλλον με εφαρμογή τεχνικών μηχανικής μάθησης

Τα πλεονεκτήματα του ψηφιακού μετασχηματισμού των γραμμών παραγωγής ως μέρος της 4ης βιομηχανικής επανάστασης (Industry 4.0) είναι ευρέως διαδεδομένα αλλά η υιοθέτησης τους συνεχίζει να αποτελεί μία από τις κύριες προκλήσεις που αντιμετωπίζει η βιομηχανία στις μέρες μας κυρίως λόγω έλλειψης πόρων κα...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Κρούσαρλης, Μάριος
Άλλοι συγγραφείς: Krousarlis, Marios
Γλώσσα:Greek
Έκδοση: 2023
Θέματα:
Διαθέσιμο Online:https://hdl.handle.net/10889/24725
Περιγραφή
Περίληψη:Τα πλεονεκτήματα του ψηφιακού μετασχηματισμού των γραμμών παραγωγής ως μέρος της 4ης βιομηχανικής επανάστασης (Industry 4.0) είναι ευρέως διαδεδομένα αλλά η υιοθέτησης τους συνεχίζει να αποτελεί μία από τις κύριες προκλήσεις που αντιμετωπίζει η βιομηχανία στις μέρες μας κυρίως λόγω έλλειψης πόρων και γνώσεων. Σε αυτά τα πλαίσια, η συντήρηση των βιομηχανικών εγκαταστάσεων αποτελεί μια αναγκαία διαδικασία προκειμένου να διαφυλαχθεί η εύρυθμη και συνεχής λειτουργία της παραγωγικής δραστηριότητας, όμως μέχρι και σήμερα εξακολουθεί να βασίζεται στον επιτόπιο έλεγχο και σε χρονοπρογραμματισμένες εργασίες. Με την εφαρμογή ψηφιακών τεχνολογιών στον τομέα της συντήρησης μέσω της οργάνωσης ενός προγράμματος προβλεπτικής συντήρησης, η βιομηχανία έχει τη δυνατότητα να μεγιστοποιήσει την ωφέλιμη ζωή του εξοπλισμού καθώς και να δράσει έγκαιρα για την πρόληψη αστοχιών του. Σε αυτή τη προσπάθεια η ενσωμάτωση σύγχρονων συσκευών σε απαρχαιωμένο βιομηχανικό εξοπλισμό αποτελεί μια πρόκληση για τις βιομηχανίες. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη μιας χαμηλού κόστους εφαρμογής ΙΙοΤ με σκοπό την προβλεπτική συντήρηση μηχανημάτων σε πραγματικό βιομηχανικό περιβάλλον. Συγκεκριμένα, σχεδιάστηκε και αναπτύχθηκε ένα σύστημα δειγματοληψίας αποτελούμενο από διάφορους αισθητήρες όπως επιταχυνσιόμετρο, αισθητήρες θερμοκρασίας και μικρόφωνο για τη συλλογή δεδομένων. Τα δεδομένα που συλλέχθηκαν αξιοποιήθηκαν στη συνέχεια για την τροφοδότηση ενός μοντέλου βαθιάς μάθησης LSTM-Αυτοκωδικοποιητή με σκοπό την ανίχνευση ανωμαλιών. Παρά το μικρό πλήθος δεδομένων που συλλέχθηκαν, το μοντέλο μπορεί να ανιχνεύσει μη φυσιολογικά δεδομένα. Τέλος προτείνονται τρόποι με τους οποίους το υπάρχον σύστημα μπορεί να βελτιωθεί.