| Περίληψη: | Στόχος της παρούσας εργασίας είναι η ανάπτυξη ενός συστήματος Τεχνητής Νοημοσύνης,
για την υποστήριξη αποφάσεων προληπτικής συντήρησης στην βιομηχανία. Στον πυρήνα
υλοποίησης των συστημάτων αυτών, βρίσκονται οι αλγόριθμοι Μηχανικής Μάθησης. Με
βάση αυτή την παραδοχή, σε ένα πρώτο επίπεδο η εργασία εστιάζεται στην παρουσίαση των
τεχνικών υλοποίησης, των κρίσιμων παραμέτρων και των πεδίων εφαρμογής τριών βασικών
αλγορίθμων επιτηρούμενης Μηχανικής Μάθησης. Συγκεκριμένα, οι αλγόριθμοι που
επιλέγονται είναι τα δέντρα αποφάσεων, ο ταξινομητής κατά Naïve Bayes και ο αλγόριθμος
των κοντινότερων γειτόνων (k-NN). Επιπλέον, έμφαση δίνεται και στο στάδιο προ –
επεξεργασίας των δεδομένων, το οποίο θεωρείται ιδιαίτερα σημαντικό για την αποτελεσματική
υλοποίηση των αλγορίθμων, ενώ καταγράφονται οι μετρικές αξιολόγησης της
αποτελεσματικότητας των αλγορίθμων. Σε ένα δεύτερο επίπεδο, το σύνολο των τεχνικών
εφαρμόζονται σε βάση πραγματικών δεδομένων βιομηχανίας. Τα αποτελέσματα που
αποκομίστηκαν από την υλοποίηση διάφορων συνδυασμών, έδειξαν ότι ο αλγόριθμος k – NN,
είναι ο πιο αποτελεσματικός έναντι των υπολοίπων, επιτυγχάνοντας τιμές
αποτελεσματικότητας που κυμαίνονται από 87% έως 90%, ανάλογα με την επιλογή των
παραμέτρων υλοποίησης. Επίσης ικανοποιητικά αποτελέσματα αποκομίστηκαν από τον Naïve
Bayes ταξινομητή, ενώ τα δέντρα αποφάσεων είχαν σημαντικά χαμηλότερη
αποτελεσματικότητα στο σύνολο των συνδυασμών που εξετάστηκα.
|
|---|
