Μοντέλα νευρωνικών δικτύων για την αναγνώριση και έλεγχο συστημάτων καθώς και την ανίχνευση σφαλμάτων στη λειτουργία τους

Περίληψη

Η απαίτηση για την ανάπτυξη αξιόπιστων και αποτελεσματικών συστημάτων αναγνώρισης, ελέγχου και ανίχνευσης σφαλμάτων αυξάνεται τα τελευταία χρόνια, λόγω της αυξανόμενης πολυπλοκότητας και του κόστους πολλών βιομηχανικών διεργασιών. Η προτεινόμενη ερευνητική εργασία προσπαθεί να ικανοποιήσει αυτήν την απαίτηση και έτσι είναι αφιερωμένη στη δημιουργία καινοτόμων συστημάτων αναγνώρισης, ελέγχου και ανίχνευσης βλαβών χρησιμοποιώντας σύγχρονες τεχνικές που βασίζονται σε νευρωνικά δίκτυα και αλγορίθμους βαθιάς μάθησης. Μια συνηθισμένη πρακτική σε πολλές βιομηχανικές εφαρμογές είναι η μοντελοποίηση δυναμικών άγνωστων συστημάτων και η δημιουργία συστημάτων διάγνωσης σφαλμάτων, με βάση δεδομένα που ανακτώνται από αισθητήρες που συνδέονται με τμήματα του συστήματος. Τα σύγχρονα νευρωνικά δίκτυα και οι τεχνικές βαθιάς μάθησης ταιριάζουν με αυτή την πρακτική ως αυτοματοποιημένοι εξαγωγείς χαρακτηριστικών από ανεπεξέργαστα δεδομένα, σε αντίθεση με τις συμβατικές τεχνικές μηχανικής μάθησης, στις οποί ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The demand for accurate and reliable system identification, control and fault detection is raising over the past years, due to the increasing complexity and cost of many industrial processes. The proposed research thesis tries to satisfy this requirement and so is devoted to devising system identification, control and fault detection approaches utilizing modern techniques based on neural networks and algorithms of deep learning. A common practice in many industrial applications is the build of mathematical models of dynamical unknown systems and fault diagnosis schemes, based on observed data from sensors attached to system parts. Modern neural networks and deep learning approaches fit with this practice as extractors of features or attributes from raw data, contrary to conventional machine learning (ML) techniques in which manual extraction of features, from prior expertise knowledge, is necessary. Therefore, the dissertation exploits the efficiency of deep learning and modern neural ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/47209
ND
47209
Εναλλακτικός τίτλος
Neural network models for system identification, control and fault detection
Συγγραφέας
Πλακιάς, Σπυρίδων του Βύρων
Ημερομηνία
2020
Ίδρυμα
Δημοκρίτειο Πανεπιστήμιο Θράκης (ΔΠΘ). Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρονικής και Τεχνολογίας Συστημάτων Πληροφορικής. Εργαστήριο Συστημάτων Αυτόματου Ελέγχου και Ρομποτικής
Εξεταστική επιτροπή
Μπούταλης Ιωάννης
Κοσματόπουλος Ηλίας
Θεοχάρης Ιωάννης
Ανδρεάδης Ιωάννης
Καρλής Αθανάσιος
Καρναβάς Ιωάννης
Χατζηχριστοφής Σάββας
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Νευρωνικά δίκτυα; Αναγνώριση συστήματος; Νευρωνικός έλεγχος; Μη γραμμικά συστήματα; Ανίχνευση βλαβών
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
xxx, 176 σ., πιν., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)