Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης

Καλάρης, Απόστολος

dc.contributor.advisor	Νικολάου, Γρηγόριος
dc.contributor.author	Καλάρης, Απόστολος
dc.date.accessioned	2020-11-23T11:59:50Z
dc.date.available	2020-11-23T11:59:50Z
dc.date.issued	2020-10
dc.identifier.uri	http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5492
dc.description.abstract	Με τον αυξανόμενο αριθμό ενσωματωμένων συστημάτων υπολογιστών ανίχνευσης που έχουν εγκατασταθεί σε εγκαταστάσεις παραγωγής, μηχανήματα, αυτοκίνητα κ.λπ., υπάρχουν νέες δυνατότητες παρακολούθησης και καταγραφής των δεδομένων από τέτοια συστήματα. Αυτή η εξέλιξη καθιστά δυνατή την ανίχνευση ανωμαλιών και την πρόβλεψη των αστοχιών που επηρεάζουν τα σχέδια συντήρησης. Αυτή η διατριβή χωρίζει το πεδίο της ανίχνευσης τύπου αστοχίας και της προγνωστικής συντήρησης σε υποενότητες που εστιάζουν στην υλοποίησή της με χρήση τεχνικών μηχανικής μάθησης, όπου κάθε τομέας ανίχνευσης αποτυχιών και προγνωστικής συντήρησης εξηγεί και συνοψίζει τα πιο σχετικά ερευνητικά αποτελέσματα τα τελευταία χρόνια. Κάθε τεχνική παρουσιάζεται επισημαίνοντας τα πλεονεκτήματα και τα μειονεκτήματά της.	el
dc.format.extent	107	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	Προβλεπτική συντήρηση με χρήση μηχανικής μάθησης	el
dc.title.alternative	Predictive maintenance using machine learning	el
dc.type	Μεταπτυχιακή εργασία	el
dc.contributor.committee	Νικητάκος, Νικήτας
dc.contributor.committee	Παπουτσιδάκης, Μιχάλης
dc.contributor.master	Νέες Τεχνολογίες στη Ναυτιλία και τις Μεταφορές	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Προγνωστική συντήρηση	el
dc.subject.keyword	Προβλεπτική συντήρηση	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Predictive maintenance	el
dc.subject.keyword	Προληπτική συντήρηση	el
dc.description.abstracttranslated	With the growing number of integrated detection computer systems installed in production facilities, machinery, cars, etc., there are new possibilities for monitoring and recording data from such systems. This development makes it possible to detect anomalies and predict failures that affect maintenance plans. This thesis statement divides the field of failure detection and prognostic maintenance into subsections focusing on its implementation using machine learning techniques, where each area of failure detection and predictive maintenance explains and summarizes the most relevant research results in recent years. Each technique is presented highlighting its advantages and disadvantages.	el

Files in this item

Name:: ntst38.pdf
Size:: 2.215Mb
Format:: PDF
Description:: Διπλωματική Εργασία

View/Open

This item appears in the following Collection(s)

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

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα