Επεξηγήσιμη τεχνητή νοημοσύνη για ανάλυση χρονοσειρών και προληπτική συντήρηση

Κούκος, Βασίλειος

dc.contributor.advisor	Κυριαζής, Δημοσθένης
dc.contributor.author	Κούκος, Βασίλειος
dc.date.accessioned	2023-12-04T11:32:05Z
dc.date.available	2023-12-04T11:32:05Z
dc.date.issued	2023-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/16051
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3473
dc.description.abstract	Αυτή η εργασία ερευνά τη χρήση μεθόδων Τεχνητής Νοημοσύνης στην ανάλυση χρονοσειρών και την προγνωστική συντήρηση, με στόχο την παροχή εις βάθος γνώσεων και ρεαλιστικών λύσεων για προκλήσεις σε αυτούς τους τομείς καθώς και την εφαρμογή μεθόδων Επεξηγήσιμης Τεχνητής Νοημοσύνης (XAI) στην ανάλυση χρονοσειρών τονίζοντας την ανάγκη για κατανοητά και ερμηνεύσιμα αποτελέσματα. Σημαντικό μέρος αυτής της εργασίας είναι η ανάπτυξη μιας πρωτότυπης εφαρμογής για την παρακολούθηση και την προγνωστική συντήρηση των κύριων κινητήρων σε εμπορικά πλοία. Η εφαρμογή έχει σχεδιαστεί για τον έγκαιρο εντοπισμό πιθανών βλαβών, αξιοποιώντας δεδομένα χρονοσειρών από διάφορους αισθητήρες κινητήρων. Αυτή η προληπτική προσέγγιση βοηθά στην αποφυγή δαπανηρών και χρονοβόρων επισκευών, διασφαλίζοντας την αδιάλειπτη και ασφαλή λειτουργία των πλοίων. Όπως και άλλος βιομηχανικός εξοπλισμός, τα πλοία είναι εξοπλισμένα με αισθητήρες που συλλέγουν δεδομένα σχετικά με τη συνολική τους λειτουργία και την κατάσταση των εξαρτημάτων τους. Αυτά τα δεδομένα, όταν αναλύονται μέσω τεχνικών τεχνητής νοημοσύνης, δίνουν πληροφορίες για πιθανά σφάλματα του κινητήρα. Αυτές οι πληροφορίες καθοδηγούν τις διαδικασίες λήψης αποφάσεων, όπως η παραγγελία ανταλλακτικών ή η αλλαγή δρομολόγησης πλοίων για συντήρηση. Αυτή η εργασία εισάγει μια προσέγγιση δύο επιπέδων για την προγνωστική συντήρηση, χρησιμοποιώντας τεχνικές μηχανικής και βαθιάς εκμάθησης σε δεδομένα αισθητήρων για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της μηχανής ενός πλοίου. Η προσέγγιση περιλαμβάνει μια σειρά μοντέλων που αναλύονται και εφαρμόζονται ειδικά για τη ναυτιλιακή βιομηχανία, καθώς και ένα σύνολο από αυτά τα μοντέλα για βελτιωμένη ακρίβεια πρόβλεψης. Η αποτελεσματικότητα αυτής της προσέγγισης αποδεικνύεται χρησιμοποιώντας δεδομένα πραγματικού κόσμου από μια ναυτιλιακή εταιρεία. Επιπλέον, η εργασία υπερβαίνει τη συμβατική εξόρυξη δεδομένων και την προεπεξεργασία στο ML, τονίζοντας τη σημασία της εμπιστοσύνης και της ερμηνείας του μοντέλου, ειδικά σε σενάρια λήψης αποφάσεων στην πραγματικότητα. Το XAI είναι κεντρικό από αυτή την άποψη, υποστηρίζοντας σαφέστερες εξηγήσεις των αποφάσεων μοντέλων ML, πέρα από τις βασικές μετρήσεις απόδοσης. Η εργασία διερευνά διάφορες τεχνικές επεξήγησης, τόσο ενσωματωμένες όσο και εφαρμοσμένες μετά την ανάπτυξη του μοντέλου, για τη βελτίωση της κατανόησης και της εφαρμογής των αποτελεσμάτων. Παρουσιάζεται ένα Βαθύ Νευρωνικό Δίκτυο (DNN) με αρχιτεκτονική δασκάλου-μαθητή (μοντέλο απόσταξης), το οποίο προσφέρει ερμηνευτικότητα σε εργασίες ταξινόμησης χρονοσειρών. Η μέθοδος περιλαμβάνει τη μετατροπή χρονοσειρών σε 2D γραφικά και τη χρήση μεθόδων επισήμανσης εικόνων όπως το LIME και το Grad-Cam για να γίνουν κατανοητές οι προβλέψεις. Αν και αυτή η προσέγγιση προσφέρει αυξημένη ακρίβεια, έρχεται με την αντιστάθμιση του εκτεταμένου χρόνου εκπαίδευσης. Τέλος, η εργασία αντιμετωπίζει τις προκλήσεις των μη ισορροπημένων συνόλων δεδομένων, υπογραμμίζοντας την ανάγκη για στοχευμένη εκπαίδευση μοντέλων για τη βελτίωση της της ακρίβειας, ιδιαίτερα για τις κατηγορίες μειοψηφίας, με μεθόδους όπως το SMOTE και το ADASYN που χρησιμοποιούνται για τον μετριασμό αυτών των προκλήσεων.	el
dc.format.extent	74	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	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.title	Επεξηγήσιμη τεχνητή νοημοσύνη για ανάλυση χρονοσειρών και προληπτική συντήρηση	el
dc.title.alternative	XAI for timeseries analysis and predictive maintenance	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This thesis explores the use of Explainable Artificial Intelligence (XAI) in timeseries analysis and predictive maintenance, aiming to provide in-depth insights and pragmatic solutions for challenges in these areas. It emphasizes the need for understandable and interpretable results. A significant part of this work is the development of a prototype application for monitoring and predictive maintenance of main engines in commercial ships. The application is designed for the early detection of potential faults, leveraging timeseries data from various engine sensors. This proactive approach helps prevent costly and time-consuming repairs, ensuring uninterrupted and safe operation of ships. Similar to other industrial equipment, ships are fitted with sensors that gather data about their overall functioning and the condition of their components. This data, when analyzed through AI techniques, yields insights into potential engine faults. These insights guide decision-making processes, such as ordering spare parts or rerouting ships for maintenance. This paper introduces a two-tiered approach to predictive maintenance, utilizing machine and deep learning techniques on sensor data to anticipate the condition of specific parts of a ship's engine. The approach includes an array of models analyzed and applied specifically for the maritime industry, as well as an ensemble of these models for enhanced predictive accuracy. The effectiveness of this approach is demonstrated using real-world data from a maritime company. Furthermore, the thesis goes beyond conventional data mining and preprocessing in ML, stressing the importance of model trust and interpretability, especially in real-life decision-making scenarios. XAI is central in this regard, advocating for clearer explanations of ML model decisions, beyond basic performance metrics. The thesis investigates various explanation techniques, both embedded in and applied after model development, to enhance result comprehension and application. A Deep Neural Network (DNN) with a teacher-student architecture (distillation model) is presented, offering interpretability in timeseries classification tasks. The method involves transforming time series into 2D plots and using image highlighting methods like LIME and Grad-Cam to make predictions understandable. While this approach offers increased accuracy, it does come with the trade-off of extended training time. Additionally, the thesis addresses challenges of imbalanced datasets, underscoring the need for targeted model training to improve accuracy, particularly for minority classes, with methods like SMOTE and ADASYN employed to mitigate these challenges.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Επεξηγήσιμη τεχνητή νοημοσύνη	el
dc.subject.keyword	XAI	el
dc.subject.keyword	Timeseries	el
dc.subject.keyword	Predictive maintenance	el
dc.subject.keyword	Ανάλυση χρονοσειρών	el
dc.subject.keyword	Προληπτική συντήρηση	el
dc.date.defense	2023-09-29

Files in this item

Name:: Koukos_me2019.pdf
Size:: 2.862Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

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