Ψηφιακό δίδυμο κινητήρα οχήματος για την πρόβλεψη βλαβών με την χρήση τεχνητής νοημοσύνης
| dc.contributor.advisor | Σκόνδρας, Εμμανουήλ | |
| dc.contributor.author | Γιαννέτος, Κωνσταντίνος | |
| dc.date.accessioned | 2026-04-08T09:41:34Z | |
| dc.date.available | 2026-04-08T09:41:34Z | |
| dc.date.issued | 2026-03 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19157 | |
| dc.description.abstract | 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. | el |
| dc.format.extent | 82 | 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 | Ψηφιακό δίδυμο κινητήρα οχήματος για την πρόβλεψη βλαβών με την χρήση τεχνητής νοημοσύνης | el |
| dc.title.alternative | Digital twin of a vehicle engine for fault prediction using Artificial Intelligence | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This research work deals with the development of a digital twin thermal vehicle engine for fault prediction using Artificial Intelligence. It includes the study, analysis and evaluation of the measurements collected in files from the thermal engine, and used to create and train a machine learning model, and the appropriate classification and prediction algorithms. In each file, the measurements were recorded by a mobile phone application (Bimmerlink mobile app) installed on a mobile phone interconnected via Bluetooth with an OBD II diagnostic device. The OBD II diagnostic device was connected to the corresponding OBD port of a BMW passenger vehicle. The data concern snapshots of measurements from 32 engine parameters and the corresponding sensors that monitor the engine operation and the movement of the vehicle. The files with the snapshots of the measurements were processed using the Miniconda Orange data analysis application. In this application, a supervised machine learning model was created for the purpose of predicting vehicle failures, since it provides a set of widgets that allow the processing of data files, the creation of machine learning models, the training and evaluation of classification algorithms, the creation and evaluation of predictions. The deliverables include the analysis and processing of measurement data, in terms of parameter correlations, scatter plots, and the statistical evaluation indicators for the classification algorithms used. From the results obtained and in combination with studies from the international bibliography, conclusions have been drawn for the dataset and an assessment of which algorithm is the most appropriate to be used for data classification, failure prediction and preventive engine maintenance. | el |
| dc.contributor.master | Ψηφιακός Πολιτισμός, Έξυπνες Πόλεις, IoT και Προηγμένες Ψηφιακές Τεχνολογίες | el |
| dc.subject.keyword | Ψηφιακό δίδυμο | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Συσκευή OBD II | el |
| dc.subject.keyword | Πρόβλεψη βλαβών | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Digital twin | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | OBD II Device | el |
| dc.subject.keyword | Fault prediction | el |
| dc.subject.keyword | Artificial Intelligence | el |
| dc.date.defense | 2026-03-30 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα