| dc.description.abstract | Ο όρος ”Τέταρτη Βιομηχανική Επανάσταση” χρησιμοποιείται για να περιγράψει
το συνεχιζόμενο μετασχηματισμό των βιομηχανιών με την ενσωμάτωση προηγμένων
τεχνολογιών, όπως το Διαδίκτυο των πραγμάτων (IoT), την τεχνητή νοημοσύνη (AI),
την υπολογιστική νέφους και την ανάλυση μεγάλων δεδομένων. Ο μετασχηματισμός
αυτός οδηγεί στη δημιουργία έξυπνων εργοστασίων, όπου οι μηχανές και τα
συστήματα επικοινωνούν και αλληλεπιδρούν μεταξύ τους, με αποτέλεσμα τη βελτίωση
της παραγωγικότητας, της αποδοτικότητας και της κερδοφορίας. Το Industry 4.0
αντιπροσωπεύει μια σημαντική αλλαγή στον τρόπο λειτουργίας των επιχειρήσεων,
καθώς επιτρέπει την αυτοματοποίηση πολλών διαδικασιών, τη δυνατότητα συλλογής και ανάλυσης τεράστιων ποσοτήτων δεδομένων σε πραγματικό χρόνο και τη
δυνατότητα ανάπτυξης νέων προϊόντων και υπηρεσιών.
Η παρούσα διπλωματική εργασία επικεντρώνεται στην εφαρμογή αλγορίθμων
επιβλεπόμενης μηχανικής μάθησης για την ανίχνευση ανωμαλιών σε βιομηχανικά
συστήματα ηλεκτρικής παραγωγής. Χρησιμοποιήθηκαν δύο σύνολα δεδομένων για
δυαδική και πολυταξική μέθοδο κατηγοριοποίησης, με την τελευταία να αντιμετωπi
ζεται και ως δυαδική για συγκριτικούς σκοπούς.
Για τη βελτίωση της απόδοσης των μοντέλων χρησιμοποιήθηκαν μέθοδοι βελτιστοποίησης παραμέτρων.
Τα αποτελέσματα των πειραμάτων καταδεικνύουν ότι οι προτεινόμενες μέθοδοι παρουσιάζουν
ένα πολλά υποσχόμενο επίπεδο επιδόσεων, υποδεικνύοντας σημαντικές δυνατότητες για μελλοντικές εφαμογές. Συνοψίζοντας, η παρούσα μελέτη παρέχει πολύτιμες πληροφορίες σχετικά με την αποτελεσματικότητα των αλγορίθμων μηχανικής μάθησης στο πλαίσιο της ανίχνευσης σφαλμάτων, με συνέπειες για τη μελλοντική έρευνα και την πρακτική εφαρμογή. | en_US |
