Ψηφιακό δίδυμο κινητήρα οχήματος για την πρόβλεψη βλαβών με την χρήση τεχνητής νοημοσύνης
Digital twin of a vehicle engine for fault prediction using Artificial Intelligence

Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Ψηφιακό δίδυμο ; Μηχανική μάθηση ; Συσκευή OBD II ; Πρόβλεψη βλαβών ; Τεχνητή νοημοσύνη ; Digital twin ; Machine learning ; OBD II Device ; Fault prediction ; Artificial IntelligenceΠερίληψη
Η παρούσα ερευνητική εργασία ασχολείται με την ανάπτυξη ενός ψηφιακού διδύμου θερμικού
κινητήρα οχήματος για την πρόβλεψη βλαβών με την χρήση Τεχνητής Νοημοσύνης. Περιλαμβάνει
την μελέτη, ανάλυση και αξιολόγηση των μετρήσεων που συλλέχθηκαν σε αρχεία από το θερμικό
κινητήρα, και χρησιμοποιήθηκαν για την δημιουργία και εκπαίδευση ενός μοντέλου μηχανικής
μάθησης, και των κατάλληλων αλγορίθμων ταξινόμησης και πρόβλεψης. Σε κάθε αρχείο οι
μετρήσεις κατεγράφησαν από μία εφαρμογή για κινητό τηλέφωνο (Bimmerlink mobile app)
εγκατεστημένη σε ένακινητό τηλέφωνο διασυνδεδεμένο μέσω Bluetooth με μια διαγνωστική
συσκευή OBD II. Η διαγνωστική συσκευή OBD II ήταν συνδεδεμένη στην αντίστοιχη θύρα OBD
ενός επιβατικού οχήματος μάρκας BMW. Τα δεδομένα αφορούν στιγμιότυπα μετρήσεων από 32
παραμέτρους του κινητήρα και τους αντίστοιχους αισθητήρες που παρακολουθούν την λειτουργία
του κινητήρα και την κίνηση του οχήματος. Τα αρχεία με τα στιγμιότυπα μετρήσεων
επεξεργάστηκαν χρησιμοποιώντας την εφαρμογή ανάλυσης δεδομένων Miniconda Orange. Στην
εφαρμογή αυτή δημιουργήθηκε ένα μοντέλο εποπτευόμενης μηχανικής μάθησης με σκοπό την
πρόβλεψη βλαβών στο όχημα, αφού παρέχει ένα σύνολο από widgets που επιτρέπουν την
επεξεργασία αρχείων δεδομένων, την δημιουργία μοντέλων μηχανικής μάθησης, την εκπαίδευση
και αξιολόγηση αλγορίθμων ταξινόμησης, την δημιουργία και αξιολόγηση προβλέψεων. Στο
παραδοτέο περιέχονται η ανάλυση και η επεξεργασία των δεδομένων μετρήσεων, όσον αφορά
τις συσχετίσεις των παραμέτρων, τα διαγράμματα διασποράς, αλλά και τους στατιστικούς δείκτες
αξιολόγησης για τους αλγορίθμους ταξινόμησης που χρησιμοποιήθηκαν. Από τα αποτελέσματα
που προέκυψαν και σε συνδυασμό με μελέτες από την διεθνή βιβλιογραφία έχουν εξαχθεί
συμπεράσματα για το σύνολο των δεδομένων (dataset) και εκτίμηση σχετικά με το ποιος
αλγόριθμος είναι ο πιο κατάλληλος να χρησιμοποιηθεί για την κατηγοριοποίηση των δεδομένων,
την πρόβλεψη βλαβών και την προληπτική συντήρηση του κινητήρα.


