Ενσωµάτωση τεχνολογίας ψηφιακών διδύµων και νευρωνικών δικτύων σε περιβάλλον Kubernetes για αναγνώριση βλάβης σε επιβατικά αυτοκίνητα
| datacite.contributor.RelatedPerson | Ψαράκης, Εμμανουήλ | |
| datacite.contributor.RelatedPerson | Κοσμόπουλος, Δημήτριος | |
| datacite.contributor.Supervisor | Δερματάς, Ευάγγελος | |
| dc.contributor.author | Πάνου, Ζωή | |
| dc.contributor.other | Panou, Zoe | |
| dc.date.accessioned | 2024-07-10T05:47:55Z | |
| dc.date.available | 2024-07-10T05:47:55Z | |
| dc.date.issued | 2024-07-08 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η συνεχής πρόοδος των τεχνολογιών που εφαρμόζονται στην αυτοκινητοβιομηχανία απαιτεί καινοτόμες λύσεις για την αντιμετώπιση ολοένα και πιο περίπλοκων απαιτήσεων για παρακολούθηση και διάγνωση σφαλμάτων σε πραγματικό χρόνο. Αυτή η διπλωματική παρουσιάζει ένα σύστημα που λειτουργεί ως Ψηφιακό ∆ίδυμο (Digital Twin) για την ανίχνευση βλαβών σε οχήματα, αξιοποιώντας δεδομένα OBD-II για τη βελτίωση των διαγνωστικών και των δυνατοτήτων παρακολούθησης. Το σύστημα που αναπτύσσεται σε container όπου φιλοξενείται ένα μοντέλο μηχανικής μάθησης εκτελείται σε περιβάλλον Kubernetes για να διασφαλίσει επεκτασιμότητα και ανθεκτικότητα. Χρησιμοποιώντας τις δυνατότητες των αυτοκωδικοποιητών (autoencoders) για την ανίχνευση ανωμαλιών, αυτή η προσέγγιση εντοπίζει, προβλέπει και συμβάλλει στη διόρθωση προβλημάτων οχημάτων, βελτιώνοντας τη διαδικασία παρακολούθησης της υγείας του οχήματος. Η πρακτική εφαρμογή της προτεινόμενης λύσης επιδεικνύει την ικανότητά της να επεξεργάζεται και να αναλύει αποτελεσματικά δεδομένα OBD-II σε ένα κατανεμημένο περιβάλλον, δείχνοντας έτσι την ικανότητα του συστήματος να μετριάζει αποτελεσματικά τους περιορισμούς απόδοσης μέσω από μία διαδικασία συνεχούς ανατροφοδότησης. | |
| dc.description.translatedabstract | The continuous advancement of automotive technologies necessitates innovative solutions to address increasingly complex requirements for real-time vehicle monitoring and diagnostics. This thesis introduces a novel system that acts as a Digital Twin for detecting malfunctions in vehicles, leveraging OBD-II data to enhance vehicle diagnostics and monitoring capabilities. The implementation is encapsulated within a container hosting an autoencoder, which is deployed in a Kubernetes cluster to ensure scalability and resilience. By utilizing the potential of autoencoders for anomaly detection, this approach autonomously identifies, predicts, and rectifies vehicular issues, thereby improving the overall vehicle health monitoring system. The practical applicability of the proposed solution demonstrates its ability to efficiently process and analyze OBD-II data within a distributed containerized environment, thus showcasing the system's capability to efficiently mitigate performance constraints through a continuuous feedback loop. | |
| dc.identifier.uri | https://hdl.handle.net/10889/27493 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | |
| dc.subject | Ψηφιακό δίδυμο | |
| dc.subject | Αυτοκωδικοποιητές | |
| dc.subject | Προγνωστική διάγνωση | |
| dc.subject | Νευρωνικά δίκτυα | |
| dc.subject.alternative | Digital twin | |
| dc.subject.alternative | Neural networks | |
| dc.subject.alternative | Autoencoder | |
| dc.subject.alternative | Predictive mentainance | |
| dc.subject.alternative | Kubernetes | |
| dc.title | Ενσωµάτωση τεχνολογίας ψηφιακών διδύµων και νευρωνικών δικτύων σε περιβάλλον Kubernetes για αναγνώριση βλάβης σε επιβατικά αυτοκίνητα | |
| dc.title.alternative | Digital twin and neural network integration in Kubernetes for fault detection in vehicles |