Επιτομή:
Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η μελέτη των δεδομένων λειτουργίας
ενός μηχανολογικού συστήματος για την εκπαίδευση ενός μοντέλου μηχανικής μάθησης,
το οποίο θα χρησιμοποιηθεί σε ένα προτεινόμενο σύστημα τεχνητής νοημοσύνης που θα
χρησιμοποιηθεί για την προγνωστική συντήρηση του συστήματος. Με το προτεινόμενο σύστημα
τεχνητής νοημοσύνης για την προγνωστική συντήρηση, θα μπορεί ο χρήστης του να ελέγχει
την ορθή λειτουργία ενός μηχανολογικού συστήματος.
Τα δεδομένα λειτουργίας, θα συλλέγονται από αισθητήρες για παράδειγμα ήχου σε μια
βάση δεδομένων και ακολούθως θα κατηγοριοποιούνται και να εξάγονται προγνωστικά μοντέλα,
μέσω μηχανικής μάθησης.
Στόχοι:
• Καταγραφή σημάτων λειτουργίας π.χ. ήχου σε βάση δεδομένων.
• Κατηγοριοποίηση σημάτων λειτουργίας ήχου σε διαφορετικές κλάσεις (δημιουργία συνόλου
δεδομένων) εκπαίδευση, αξιολόγηση και εξαγωγή μοντέλου Μηχανικής Μάθησης.
• Αναγνώριση ενός σήματος λειτουργίας ήχου από το εκπαιδευμένο μοντέλο ΜΜ μεμονωμένα
ή σε πραγματικό χρόνο και κατάταξή του σε μια από τις υπάρχουσες κλάσεις.
• Πρόταση για την δημιουργία συστήματος Τεχνητής Νοημοσύνης που να ενσωματώνει τα
παραπάνω με μια εφαρμογή επαυξημένης πραγματικότητας για την απεικόνιση αυτών σε
πραγματικό χρόνο.
Θεωρητική μελέτη, ανάπτυξη και ανάλυση αλγορίθμων ΜΜ σε γλώσσες Python, SQL,
Τεχνολογίες Ultra Sound, Unity, OpenCV.
Χρήση αισθητήρων όπως: Ακουστικών, οπτικών, υπερήχων για συλλογή - κατηγοριοποίηση
δεδομένων μέσω Μηχανικής Μάθησης.
Υλοποίηση σε γλώσσα python της επεξεργασίας των δεδομένων ήχου των αισθητήρων
για την δημιουργία dataset για την εκπαίδευση μοντέλου ΜΜ, που θα χρησιμοποιηθεί για την
ανίχνευση της προγνωστικής συντήρησης με χρήση τεχνητής νοημοσύνης ως εξής:
• Με είσοδο ήχου ή εικόνας τα δεδομένα από τους αισθητήρες δημιουργείτε ένα φασματογραφικό
σύνολο δεδομένων που θα χρησιμοποιηθεί για εκπαίδευση, έλεγχο, δοκιμή και αξιολόγηση
του μοντέλου μηχανικής μάθησης.
• Από το παραπάνω dataset εκπαιδεύεται το μοντέλο μηχανικής μάθησης με χρήση Συνελικτικών
Νευρωνικών Δικτύων με PyTorch, Time-Frequency Analysis-Synthesis Toolbox
• Δοκιμάζεται το εκπαιδευμένο μοντέλο αν μπορεί να αναγνωρίσει καταστάσεις λειτουργίας
(διαφορετικές κλάσεις) του μηχανολογικού εξοπλισμού. Ώστε με αυτό τον τρόπο να
λάβουμε μια απόφαση για προγνωστική συντήρηση για παράδειγμα δημιουργία "συναγερμού"
συντήρησης.
