Ενίσχυση της προγνωστικής συντήρησης στο IoT : συγκριτική μελέτη αλγορίθμων ανίχνευσης ανωμαλιών με χρήση Python

Abstract

Η παρούσα διατριβή, "Ενίσχυση της προγνωστικής συντήρησης στο IoT: Συγκριτική μελέτη αλγορίθμων ανίχνευσης ανωμαλιών με χρήση Python", περιηγείται στις περιπλοκές της προβλεπτικής συντήρησης στο Διαδίκτυο των Πραγμάτων (IoT). Χρησιμοποιώντας τους αλγορίθμους k-Nearest Neighbors (kNN), Support Vector Machine (SVM), Random Forest και Long Short-Term Memory (LSTM) σε Python, η μελέτη αξιολογεί την απόδοσή τους στο σύνολο δεδομένων της NASA - που περιλαμβάνει μετρήσεις κινητήρων αεριωθούμενων αεροσκαφών. Η προσαρμοστικότητα της Python αναδεικνύεται στην προεπεξεργασία δεδομένων, στην υλοποίηση αλγορίθμων και στην οπτικοποίηση. Μετρώνται βασικές μετρικές απόδοσης - R2, RMSE, χρόνος εκπαίδευσης, χρόνος πρόβλεψης και συνολικός χρόνος - παρέχοντας insights στην αποτελεσματικότητα των αλγορίθμων. Η παρούσα έρευνα συμβάλλει στη βελτιστοποίηση των στρατηγικών προβλεπτικής συντήρησης με επίκεντρο την Python, προσφέροντας στους επαγγελματίες πολύτιμη καθοδήγηση σε πραγματικές εφαρμογές IoT.