Mechatronic product modularization in building safety systems, industrial and maritime applications

Abstract

The purpose of this dissertation is to contribute both theoretically, by introducing a novel algorithmic clustering approach, and practically, by proposing a suitable clustering algorithm and a decision-support framework for engineers working on complex mechatronic products. To achieve this, the dissertation evaluates the clustering results of several clustering algorithms on modularizing mechatronic products according to the structural and functional interdependencies among their components. Modularization is one of the most effective methods that industries use to drive profitability. This technique enables efficient management of complex products by dividing them into smaller clusters of components, thereby reducing the associated risks and the costs related to their design and production. This dissertation combines two distinct but complementary approaches: an unsupervised clustering study involving 175 real and simulated test products and a human-in-the-loop (HITL) evaluation using clusters generated by human experts for six real mechatronic products.Six clustering algorithms were examined in this dissertation: K-Means, Partitioning Around Medoids (PAM), Ward's method (WARD), Divisive Analysis (DIANA), Density-Based Spatial Clustering of Applications with Noise (DBSCAN), and Clustering by Fast Search and Find of Density Peaks (DPC). The performance of the clustering algorithms is evaluated using multiple validation indices, including the Silhouette Coefficient (SC), Composed Density Between and Within Clusters (CDbw), Agglomerative Coefficient (AC), and Divisive Coefficient (DC), in conjunction with expert-based clustering results. In this dissertation, the expert-generated clusters (which serve as benchmarks), and the two-dimensional visual analyses of the clustering outcomes are employed to identify the most suitable algorithm for modularizing mechatronic products, while ensuring consistency with expert judgment in real-world applications.

Σκοπός της παρούσας διατριβής είναι να συμβάλει τόσο θεωρητικά, με την εισαγωγή μιας νέας αλγοριθμικής προσέγγισης ομαδοποίησης (clustering), όσο και πρακτικά, με την πρόταση ενός κατάλληλου αλγορίθμου ομαδοποίησης και ενός πλαισίου υποστήριξης αποφάσεων για μηχανικούς που εργάζονται σε σύνθετα μηχατρονικά προϊόντα. Για την επίτευξη αυτού του σκοπού, η διατριβή αξιολογεί τα αποτελέσματα ομαδοποίησης διαφόρων αλγορίθμων που αφορούν στην τμηματοποίηση (modularization) μηχατρονικών προϊόντων, λαμβάνοντας υπόψη τις δομικές και λειτουργικές αλληλεξαρτήσεις μεταξύ των επιμέρους στοιχείων τους. Η τμηματοποίηση (modularization) αποτελεί μία από τις πιο αποτελεσματικές μεθόδους που χρησιμοποιούνται στη βιομηχανία, με σκοπό την αύξηση της κερδοφορίας. Η τεχνική αυτή επιτρέπει την αποδοτική διαχείριση σύνθετων προϊόντων μέσω του διαχωρισμού τους σε μικρότερα σύνολα επιμέρους στοιχείων τους, μειώνοντας έτσι τους σχετιζόμενους κινδύνους και το κόστος που αφορά τον σχεδιασμό και την παραγωγή τους. Η παρούσα διατριβή συνδυάζει δύο διαφορετικές αλλά συμπληρωματικές προσεγγίσεις: μια μελέτη μη επιβλεπόμενης ομαδοποίησης (unsupervised clustering) που περιλαμβάνει 175 πραγματικά και προσομοιωμένα δοκιμαστικά προϊόντα, καθώς και μια αξιολόγηση με τη συμμετοχή του ανθρώπινου παράγοντα (Human-in-the-Loop, HITL), χρησιμοποιώντας ομαδοποιήσεις που δημιουργήθηκαν από εξειδικευμένους επαγγελματίες για έξι πραγματικά μηχατρονικά προϊόντα. Έξι είναι και οι αλγόριθμοι ομαδοποίησης που εξετάζονται σε αυτή τη διατριβή: K-Means, Partitioning Around Medoids (PAM), Ward's method (WARD), Divisive Analysis (DIANA), Density-Based Spatial Clustering of Applications with Noise (DBSCAN) και Clustering by Fast Search and Find of Density Peaks (DPC). Η απόδοση αυτών των αλγορίθμων αξιολογείται με τη χρήση πολλαπλών δεικτών εγκυρότητας, όπως ο Συντελεστής Σιλουέτας (Silhouette Coefficient, SC), ο Σύνθετος Δείκτης Πυκνότητας Μεταξύ και Εντός Ομάδων (Composed Density Between and Within Clusters, CDbw), ο Συντελεστής Συγχωνευτικής Ομαδοποίησης (Agglomerative Coefficient, AC) και ο Συντελεστής Διαχωριστικής Ομαδοποίησης (Divisive Coefficient, DC), σε αντιπαράθεση με τα αποτελέσματα ομαδοποιήσεων που προήλθαν από τους εξειδικευμένους επαγγελματίες. Στην παρούσα διατριβή, τόσο οι ομαδοποιήσεις που δημιουργήθηκαν από τους εξειδικευμένους επαγγελματίες (οι οποίες χρησιμοποιούνται ως σημεία αναφοράς), όσο και η δισδιάστατη οπτική ανάλυση των αποτελεσμάτων ομαδοποίησης χρησιμοποιούνται για τον εντοπισμό του καταλληλότερου αλγορίθμου για την τμηματοποίηση (modularization) μηχατρονικών προϊόντων, διασφαλίζοντας παράλληλα τη συμβατότητα των αποτελεσμάτων του εν λόγω αλγορίθμου με την κρίση των εξειδικευμένων επαγγελματιών σε πραγματικές συνθήκες.