Εφαρμογή τεχνητής νοημοσύνης σε μετρήσεις λειτουργίας μηχανής WIN GD XDF-72

Πάλλας, Δημήτριος

dc.contributor.advisor	Τσουκαλάς, Βασίλειος
dc.contributor.author	Πάλλας, Δημήτριος
dc.date.accessioned	2019-10-30T09:32:22Z
dc.date.available	2019-10-30T09:32:22Z
dc.date.issued	2019-10
dc.identifier.uri	http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5080
dc.description.abstract	Σκοπός της παρούσας διατριβής είναι η δημιουργία ενός μοντέλου πρόβλεψης καλής ή κακής λειτουργίας της μηχανής Win GD XDF-72, το οποίο θα βασίζεται στην μηχανική μάθηση με ταξινόμηση χρησιμοποιώντας τους αλγορίθμους Exhaustive CHAID και τα νευρωνικά δίκτυα. Η έρευνα καλείται να απαντήσει τα εξής ερευνητικά ερωτήματα «Είναι εφικτή η εφαρμογή αλγορίθμων τεχνητής νοημοσύνης για πρόβλεψη καλής λειτουργίας της μηχανής Win GD XDF-72;» και «υπάρχει η δυνατότητα πρόβλεψης συγκεκριμένης μέτρησης για την λειτουργία της παραπάνω μηχανής;». Τα δεδομένα εκπαίδευσης αντλήθηκαν από 301 δείγματα μετρήσεων πετρελαίου (Diesel mode) και από 318 δείγματα μετρήσεων φυσικού αερίου (Gas mode) κατά την λειτουργία της μηχανής Win GD XDF-72 για το χρονικό διάστημα Απριλίου 2017 έως Μαΐου 2019. Τα αποτελέσματα της έρευνας μέσω του προγράμματος SPSS και συγκεκριμένα χρησιμοποιώντας τις μεθόδους Exhaustive CHAID με split-validation, Exhaustive CHAID με Cross validation και MLP με νευρωνικό δίκτυο, έδειξαν ότι είναι εφικτή η δημιουργία ενός τέτοιου μοντέλου πρόβλεψης στο οποίο οι παράμετροι tc_rpm και fuel αποτελούν καθοριστικούς παράγοντες για την καλή ή κακή λειτουργία της συγκεκριμένης μηχανής.	el
dc.format.extent	87	el
dc.language.iso	el	el
dc.publisher	Α.Ε.Ι. Πειραιά Τ.Τ.	el
dc.publisher	Πανεπιστήμιο Αιγαίου	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	TPSH::Τεχνολογία	el
dc.title	Εφαρμογή τεχνητής νοημοσύνης σε μετρήσεις λειτουργίας μηχανής WIN GD XDF-72	el
dc.title.alternative	Intelligence artificial’s application in performance of engine WIN GD XDF-72	el
dc.type	Μεταπτυχιακή εργασία	el
dc.contributor.committee	Αλαφοδήμος, Κωνσταντίνος
dc.contributor.committee	Παπουτσιδάκης, Μιχάλης
dc.contributor.master	Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές	el
dc.subject.keyword	Τεχνητή νοημοσύνη	el
dc.subject.keyword	Νευρωνικά δίκτυα	el
dc.subject.keyword	SPSS	el
dc.description.abstracttranslated	The purpose of this thesis is to create a prediction model for good or fault operation of vessels main engine Win GD XDF-72, based on mechanical learning with classification using the Exhaustive CHAID, algorithms and neural networks. The research is asked to answer the following research questions: “Is there a possibility of creating a prediction model for good or fault operation of vessels main engine Win GD XDF-72 through supervised mechanical learning?” And “is it feasible a certain parameter/measurement to be predicted through the operation of the above engine?”. Training data was drawn from 301 samples of performance data of diesel (Diesel mode) and 318 samples of performance data of natural gas (Gas mode) of the subject engine. The results of the research through SPSS program and more specifically using Exhaustive CHAID with split-validation, Exhaustive CHAID with Crossvalidation and MLP with neural network have shown that it is possible to create such a prediction model in which the tc_ rpm and fuel parameters are the determining factors for the good or fault operation of the subject engine.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: ntst 67.pdf
Μέγεθος:: 2.550Mb
Τύπος:: PDF

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές
Διπλωματικές εργασίες μεταπτυχιακών φοιτητών του προγράμματος Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα