Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14493
Title: Πρόβλεψη βλαβών που σχετίζονται με το σύστημα παραγωγής πεπιεσμένου αέρα (APS) σε οχήματα της βιομηχανίας SCANIA, με τη χρήση τεχνικών μηχανικής μάθησης για την ελαχιστοποίηση του συνολικού κόστους ελέγχων
Other Titles: Prediction of failures related to the compressed Air Production System (APS) in Scania vehicles, using machine learning techniques to minimize the total inspection cost
Authors: Κρητικός, Ιωάννης
Keywords: Οχήματα Scania
Πρόβλεψη βλαβών
Μηχανική μάθηση
Πρόβλεψη κόστους
Keywords (translated): Scania vehicles
APS
Prediction of failure
Machine learning
Prediction of costs
Abstract: Στην παρούσα εργασία παρουσιάζεται το σύστημα παραγωγής πεπιεσμένου αέρα (Air Pressure System) σε οχήματα της βιομηχανίας Scania και ο τρόπος με τον οποίο μπορεί να προβλεφθεί και να ελαχιστοποιηθεί το συνολικό κόστος ελέγχου χρησιμοποιώντας τεχνικές μηχανικής μάθησης. Το APS χρησιμοποιείται σε δεξαμενές πεπιεσμένου αέρα οι οποίες είναι δεξαμενές υπό πίεση που περιέχουν συμπιεσμένο αέρα. Δεξαμενές πεπιεσμένου αέρα χρησιμοποιούνται στο σύστημα φρεναρίσματος και σε άλλα παρόμοια συστήματα που απαιτούν τη χρήση πεπιεσμένου αέρα. Το σύστημα APS ελέγχει την πίεση του αέρα στο σύστημα πεπιεσμένου αέρα του οχήματος και στο οποίο συμπεριλαμβάνονται εξαρτήματα που ανήκουν στο κύκλωμα τροφοδοσίας του αέρα. Η πρόβλεψη των βλαβών και του συνολικού κόστους συντήρησης και ελέγχων είναι εξαιρετικά σημαντική και χρησιμοποιείται σήμερα σε πολλούς τομείς όπως η αεροναυπηγική, η ναυτιλία και η σιδηροδρομική βιομηχανία. Αξιοποιώντας αυτές τις προβλέψεις είναι δυνατή η αύξηση της ασφάλειας και ταυτόχρονα η μείωση του άμεσου και έμμεσου κόστους συντήρησης. Για την βέλτιστη και μεγαλύτερης ακρίβειας πρόβλεψη χρησιμοποιείται η μηχανική μάθηση η οποία είναι υπολογιστικές μέθοδοι που χρησιμοποιούν αλγορίθμους πρόβλεψης. Τα δεδομένα που χρησιμοποιούν είναι πληροφορίες που είναι ήδη διαθέσιμες προς ανάλυση και με βάση αυτά οι τεχνικές μηχανικής μάθησης μπορούν να προβλέψουν ανεπιθύμητες καταστάσεις, να παρέχουν έγκαιρα προειδοποιήσεις και να προτείνουν προληπτικές ενέργειες σχετικά με προβλήματα ή αποκλίσεις από τους αρχικούς στόχους. Γενικότερα, η μηχανική μάθηση είναι άρρηκτα συνδεδεμένη με την επιστήμη των υπολογιστών αλλά και τη στατιστική, τις πιθανότητες και τη βελτιστοποίηση.
Abstract (translated): This study presents the Air Pressure System in Scania vehicles and how the overall control costs can be predicted and minimized using machine learning techniques. A compressed air tank is a pressurized tank that contains compressed air. Compressed air tanks are used in the braking system and other similar systems that require the use of compressed air. The APS system controls the air pressure in the compressed air system of the vehicle which includes components belonging to the air supply circuit. Prediction of failures and the total cost of maintenance and inspections is extremely important and is currently used in many sectors such as aerospace, shipping and the rail industry. Utilizing these predictions, it is possible to increase safety and at the same time reduce direct and indirect maintenance costs. In order to have the best and most accurate predictions, machine learning is used which is computational methods that use prediction algorithms. The data they use is information that is already available for analysis, and based on this, machine learning techniques can predict side effects, provide early warnings, and suggest preventative actions regarding problems or deviations from the original goals. In general, machine learning is linked to computer science but also to statistics, probability and optimization.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Kritikos(aer).pdf1.4 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.