Successfully reported this slideshow.
Your SlideShare is downloading. ×

Punctual fault identification through Machine Learning techniques

Punctual fault identification through Machine Learning techniques

Download to read offline

The technology uprising in the premises of the 4th industrial revolution has led to the modernization of the maintenance field and the migration from preventive to predictive maintenance through machine learning methods and techniques. This diploma thesis aims, through research of classical and state of the art algorithms in the timeseries anomaly detection and classification domain, to the development of a user friendly and accurate tool of fault identification. To achieve this, it is essential to research for the most suitable machine learning techniques and consequently implement, adjust and evaluate their results in a real industrial environment.

The technology uprising in the premises of the 4th industrial revolution has led to the modernization of the maintenance field and the migration from preventive to predictive maintenance through machine learning methods and techniques. This diploma thesis aims, through research of classical and state of the art algorithms in the timeseries anomaly detection and classification domain, to the development of a user friendly and accurate tool of fault identification. To achieve this, it is essential to research for the most suitable machine learning techniques and consequently implement, adjust and evaluate their results in a real industrial environment.

More Related Content

Slideshows for you

More from ISSEL

Related Books

Free with a 30 day trial from Scribd

See all

Punctual fault identification through Machine Learning techniques

  1. 1. Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους Μηχανικής Mάθησης Α ρ ι σ τ ο τ έ λ ε ι ο Π α ν ε π ι σ τ ή μ ι ο Θ ε σ σ α λ ο ν ί κ η ς , Τ μ ή μ α Η λ ε κ τ ρ ο λ ό γ ω ν Μ η χ α ν ι κ ώ ν κ α ι Μ η χ α ν ι κ ώ ν Υ π ο λ ο γ ι σ τ ώ ν , Ε ρ γ α σ τ ή ρ ι ο Ε π ε ξ ε ρ γ α σ ί α ς Π λ η ρ ο φ ο ρ ί α ς κ α ι Υ π ο λ ο γ ι σ μ ώ ν . Ψ α ρ ο δ ή μ ο υ Μ α ρ ί α , Α Ε Μ : 8 9 4 6 , Σ υ μ ε ω ν ί δ η ς Α ν δ ρ έ α ς , 1 3 I ο υ λ ί ο υ 2 0 2 1
  2. 2. Περιεχόμενα Εισαγωγή ◦ Σκοπός Διπλωματικής Εργασίας ◦ Βιβλιογραφική Μελέτη ◦ Η συνεισφορά μας Υλοποίηση ◦ Πειραματικό Περιβάλλον ◦ Τεχνολογική Επισκόπηση Αξιολόγηση ◦ Τεχνικών ανίχνευσης ◦ Τεχνικών Ταξινόμησης ◦ T-test Ιούλιος 2021 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης 2 Συμπεράσματα Μελλοντική Εργασία Δημοσιεύσεις / Διακρίσεις Πηγές
  3. 3. Εισαγωγή Εφαρμογή Αλγορίθμων Μηχανικής Μάθησης σε παραγωγικούς τομείς ◦ Αυτοκινητοβιομηχανία ◦ Ανανεώσιμες πηγές ενέργειας Ιούλιος 2021 3 Βιομηχανικό Πλαίσιο ◦ Μετάβαση από Προληπτική σε Προβλεπτική συντήρηση στα πλαίσια της 4ης βιομηχανικής επανάστασης [1] ◦ Αύξηση Χρόνου Ζωής Μηχανημάτων ◦ Μείωση χρόνου αδράνειας ◦ Βελτίωση τελικού προϊόντος Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  4. 4. Σκοπός της διπλωματικής εργασίας 1. Έρευνα και εφαρμογή κλασσικών και καινοτόμων τεχνολογιών στον τομέα της Ανίχνευσης και Ταξινόμησης Ανωμαλιών σε χρονοσειρές. 2. Σύγκριση τεχνικών Μηχανικής Μάθησης και αξιολόγηση της απόδοσης τους. 3. Υλοποίηση ενός πλήρες και ευπροσάρμοστου εργαλείου ταυτοποίησης βλαβών. 4. Ενίσχυση βιομηχανίας στην μετάβαση σε προβλεπτική συντήρηση. Ιούλιος 2021 4 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  5. 5. Βιβλιογραφική Μελέτη Ανίχνευση Ανωμαλιών ◦ Υλοποίηση και σύγκριση ◦ Γραμμικής Παλινδρόμησης, ◦ Τυχαία Δάση, ◦ Δένδρα Απόφασης, ◦ Μηχανών Διανυσμάτων Υποστήριξης (ΜΔΥ), ◦ Αναδρομικά Νευρωνικά Δίκτυα (ΑΝΔ) και ◦ Long Short Term Μemory (LSTM) δίκτυα [2][3][4] ◦ Συνδυασμός Συνελικτικών Νευρωνικών Δικτύων (ΣΝΔ) και LSTM βαθιάς εκμάθησης διπλής κατεύθυνσης (Deep Learning Bi-directional LSTM) [5] ◦ Matrix Profile [36] Ιούλιος 2021 5 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  6. 6. Βιβλιογραφική Μελέτη Ταυτοποίηση Μοτίβων ◦ Αναγνώριση ◦ Νευρωνικά Δίκτυα βαθύ επιπέδου, ΣΝΔ, ΑΝΔ, Περιορισμένες Μηχανές Boltzmann βαθύ επιπέδου [7] ◦ Αυτό-Οργανωμένος Χάρτης – κατηγοριοποίηση εισερχόμενα μοτίβα σε νέες η προκαθορισμένες ομάδες [6], [10] ◦ Mueen –Keogh (ΜΚ) και οι επεκτάσεις του για ανακάλυψη μοτίβων μεταβαλλόμενου μήκους [14] ◦ Δυναμική Χρονική Στρέβλωση (Dynamic Time Warping) [8], [9] ◦ Matrix Profile [11] ◦ Ταξινόμηση ◦ Δένδρα Απόφασης, συνδυασμοί πινάκων απόφασης , ομαδοποίηση με τον κοντινότερο γείτονα [12], [13] ◦ Faiss [15] Ιούλιος 2021 6 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  7. 7. Η Συνεισφορά μας 1. Αυτόματη αναγνώριση μοτίβων στο στάδιο της προ - επεξεργασίας με ενσωμάτωση τεχνικών αναγνώρισης μοτίβων. 2. Χρήση μη ή/και ημί - επιβλεπόμενων τεχνικών που παρουσιάζουν μικρές απαιτήσεις ύπαρξης ιστορικών δεδομένων. 3. Ανάπτυξη ποικίλων ευπροσάρμοστων σε διαφορετικά σενάρια χρήσης τεχνικών Μηχανικής Μάθησης . 4. Συγκριτική μελέτη τεχνικών Μηχανικής Μάθησης σε πραγματικά βιομηχανικά δεδομένα. 5. Υλοποίηση συνδυαστικής μεθόδου ανίχνευσης ανωμαλιών και μετέπειτα κατηγοριοποίησης τους ως ένα πλήρες πακέτο ταυτοποίησης βλαβών. Ιούλιος 2021 7 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  8. 8. Υλοποίηση Ιούλιος 2021 8 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  9. 9. Πειραματικό Περιβάλλον Μηχάνημα λείανσης (grinding machine) που αναλύθηκε σε πειραματικό περιβάλλον από την βιομηχανία παραγωγής του. Χαρακτηριστικά Δεδομένων ◦ Διάρκεια ΚΠ: ~23 secs ◦ Ρυθμός Δειγματοληψίας: 2ms ◦ 10 μετρήσεις αισθητήρων Ιούλιος 2021 9 Αισθητήρες Wheelhead Power Wheelhead Actual Speed X Axis Force X Axis Commanded Speed X Axis Actual Speed X Axis Actual Position X Axis Real Position C Axis Torque C Axis Commanded Speed Φυσιολογικός Κύκλος Παραγωγής (ΚΠ) Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  10. 10. Προκλήσεις Πειραματικού Περιβάλλοντος 1. Οι εργαστηριακές δοκιμές προσφέρουν περιορισμένο πλήθος δεδομένων οπότε καθίσταται δύσκολη η πλήρης αξιολόγηση μεθόδων ή/ και η χρήση επιβλεπομένων τεχνικών. 2. Τα δεδομένα της ροής παραγωγής δεν διαχωρίζονται ανά Κύκλους Παραγωγής (ΚΠ). 3. Τα δεδομένα που συλλέγονται αντικατοπτρίζουν την κατάσταση ενός καινούργιου και σχετικά υγιούς μηχανήματος οπότε το πλήθος σφαλμάτων είναι μικρό. 4. Τα σφάλματα παρουσιάζουν ποικιλομορφία και απαιτούν την υλοποίηση ευπροσάρμοστων μεθοδολογιών ανάλυσης. Ιούλιος 2021 10 Τύποι Σφαλμάτων: Πρόωρης επαφής Ακουστική Παραμόρφωση Παραμόρφωση Δόνησης Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  11. 11. Δομή εργαλείου ταυτοποίησης Ιούλιος 2021 11 Προ - επεξεργασία Ανάλυση Δεδομένων Ταυτοποίηση Σφαλμάτων Ανίχνευση Σφαλμάτων Ταξινόμηση Σφαλμάτων Απόκτηση Δεδομένων Γραφική Απεικόνηση Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  12. 12. Τεχνική Επισκόπηση Προ – επεξεργασία ◦ Ταυτοποίηση ΚΠ ◦ Φιλτράρισμα ΚΠ Ανάλυση Δεδομένων ◦ Ανίχνευση Σφαλμάτων ◦ Αλγορίθμους Εντοπισμού Σημείων Αλλαγής Κλίσης (ΕΣΑΚ) ◦ Matrix Profile (MP) ◦ Faiss ◦ LSTM ◦ Ταξινόμηση Σφαλμάτων ◦ MP ◦ Mueen’s Algorithm for Similarity Search (MASS) ◦ Dynamic Time warping (DTW) ◦ Faiss ◦ Faiss with MP/CPD ◦ MPDist Ιούλιος 2021 12 DTW Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  13. 13. Προ - επεξεργασία Ταυτοποίηση ΚΠ με τον Matrix Profile και τον MASS αλγόριθμο. Ιούλιος 2021 13 Ιστορικά Δεδομένα Ανιχνευμένος ΚΠ Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  14. 14. Προ - επεξεργασία Ιούλιος 2021 14 ΕΣΑΚ Φιλτράρισμα ταχύτητας Περικοπή των ΚΠ με φίλτρο ταχύτητας και αλγορίθμους ΕΣΑΚ Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  15. 15. Μη επιβλεπόμενη τεχνική Ανίχνευσης Σφαλμάτων Αλγόριθμοι ΕΣΑΚ ◦ Pelt ◦ Binary Segmentation ◦ Window Sliding Ιούλιος 2021 15 Διαφορά Σημείων Αλλαγών Κλίσης Αυτόματη επιλογή κατάλληλου αλγορίθμου ΕΣΑΚ και εξομάλυνσης με βάση ενός μηχανισμού παραμετροποίησης που αναπτύχθηκε με το ray πακέτο της python Τεχνικές Εξομάλυνσης ◦ Moving Average ◦ Exponential Average ◦ Savitzky-Golay Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης Λειτουργία μεθόδου:
  16. 16. Ημί-επιβλεπόμενες τεχνικές Ανίχνευσης Σφαλμάτων Ανίχνευση μοτίβων (αλγόριθμος Matrix Profile) ◦ Αυτόματη ή μη παραμετροποίηση Ιούλιος 2021 16 Σφάλματα Δείγμα Ανίχνευση Σφάλμα Faiss βιβλιοθήκη καταλογοποίησης ◦ Εξαγωγή στατιστικών ◦ Επιλογή χαρακτηριστικών (Aλγόριθμος Relief) Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  17. 17. Επιβλεπόμενη τεχνική Ανίχνευσης Σφαλμάτων LSTM Networks ◦ Μόνο για σφάλματα πρόωρης επαφής ◦ Απαραίτητη επιπλέον ΕΣΑΚ προ- επεξεργασία για βελτίωση αποτελεσμάτων Ιούλιος 2021 17 Σημεία Αλλαγής Κλίσης Σφάλμα Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  18. 18. Ταξινόμηση Σφαλμάτων Ιούλιος 2021 18 Αξιοποίηση ιστορικών δειγμάτων (samples) σφαλμάτων για κατηγοριοποίηση εισερχόμενων Κύκλων Παραγωγής (query) Αλγόριθμος Παράμετροι Τιμές Αλγόριθμος Παράμετροι Τιμές MP – Automated Window Correlation Threshold 0.98 Faiss με στατιστικά χαρακτηριστικά Index Indexflatl2 Upper Window Length of query Features (chosen with Relief) Media, Percentile 95, percentile 80 DTW Open_end True Faiss με υπακολουθίες Automatic window * CPD Open_begin True MPDist Automatic window * CPD Pattern Asymmetric MASS Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης *Ανάπτυξη μηχανισμών εύρεσης αυτόματου παραθύρου.
  19. 19. Ιούλιος 2021 19 Δείγμα Νέος ΚΠ Πρόωρη επαφή Ακουστική Παραμόρφωση Παραμόρφωση Δόνησης Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  20. 20. Αξιολόγηση Ιούλιος 2021 20 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  21. 21. Αξιολόγηση Ανίχνευσης Σφαλμάτων Μετρικές Αξιολόγησης Ιούλιος 2021 21 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης Καλύτερο αποτέλεσμα με Precision = Recall = F1 = 1 Faiss και LSTM Πίνακας σύγχυσης Ανίχνευση ενός ΚΠ ως σφάλμα Μη ανίχνευση ενός ΚΠ ως σφάλμα ΚΠ σφάλματος TP FN ΚΠ κανονικής λειτουργίας FP TN
  22. 22. Αξιολόγηση Ταξινόμησης Σφαλμάτων Πίνακα Σύγχυσης: Ιούλιος 2021 22 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης Ταξινόμηση σφάλματος ως τύπο Α Ταξινόμηση σφάλματος ως τύπο Β ή Γ ΚΠ σφάλματος τύπου Α TP FN ΚΠ σφάλματος τύπου Β ή Γ FP TN Μέγιστο αποτέλεσμα Precision = Recall = F1 = 1 Μετρικές Αξιολόγησης:
  23. 23. Αξιολόγηση Ταξινόμησης Σφαλμάτων Ιούλιος 2021 23 Μέθοδος Μέση τιμή F1 score Faiss με στατιστικά χαρακτηριστικά 0.95 MPDist 0.86 Matrix Profile (MP) 0.85 Faiss με υπακολουθίες 0.79 MASS 0.77 DTW 0.56 Καλύτερο αποτέλεσμα μέσης τιμής F1 score – Faiss με στατιστικά χαρακτηριστικά Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  24. 24. T-test Ιούλιος 2021 24 Αλγόριθμος 1 Αλγόριθμος 2 T value P value DTW MASS -1.20733 0.293812 DTW MP -2.03858 0.111122 DTW Faiss -2.77668 0.049988 DTW Faiss-MP -1.80211 0.145879 DTW MPDist -2.2972 0.083195 MASS MP -0.57628 0.595302 MASS Faiss -1.15537 0.312257 MASS Faiss-MP -0.13167 0.901602 MASS MPDist -0.6505 0.550841 MP Faiss -0.80779 0.464508 MP Faiss-MP 0.862261 0.437171 MP MPDist 0 1 Faiss Faiss-MP 3.041144 0.038359 Faiss MPDist 1.38675 0.237796 Faiss-MP MPDist -1.73422 0.157901 Αλγόριθμος 1 Αλγόριθμος 2 T value P value Faiss MP 3.2 0.08 Ανίχνευσης με f1 score ως μετρική Ταξινόμησης με f1 score ως μετρική Null hypothesis: Αναμενόμενες F1 score τιμές δεν έχουν στατιστικά σημαντική διαφορά Alpha: 0.1 - 10% αβεβαιότητα 3 διαθέσιμα F1 scores για ταξινόμηση (βαθμοί ελευθερίας=4) και 2 για Ανίχνευση (βαθμοί ελευθερίας =2) Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  25. 25. Συμπεράσματα 1. Αναπτύχθηκε ένας αυτόματος μηχανισμός ανίχνευσης Κύκλων Παραγωγής (ΚΠ). 2. Υλοποιήθηκαν τεχνικές αναγνώρισης ανωμαλιών με δυνατότητα γενίκευσης σε πολλαπλούς τύπους βλαβών. 3. Αξιοποιήθηκαν μη και ημί-επιβλεπόμενες τεχνικές Μηχανικής Μάθησης που παρουσιάζουν χαμηλές απαιτήσεις ιστορικών δεδομένων και μεγάλη προσαρμοστικότητα. 4. Ολοκληρώθηκε το αρχικό στάδιο αξιολόγησης των τεχνικών με προοπτική σύγκλισης σε ποιο σταθερά αποτελέσματα κατά την εξέλιξη της παραγωγής. 5. Υλοποιήθηκε ένα πλήρες εργαλείο ταυτοποίησης βλαβών που προσφέρει ένα φιλικό προς τον χρήστη περιβάλλον για την ανάκτηση και ανάλυση των δεδομένων. Ιούλιος 2021 25 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  26. 26. Μελλοντική Εργασία • Αξιολόγηση • Ενίσχυση της πειραματικής αξιολόγησης με επιπλέον δεδομένα • Αξιολόγηση σε μη ελεγχόμενο περιβάλλον (ανάπτυξη σε γραμμή παραγωγής) • Τεχνικές • Επέκταση χρήσης του LSTM δικτύου για την ανίχνευση και άλλων τύπων σφαλμάτων • Ενίσχυση της Faiss μεθόδου με δοκιμή άλλων δεικτών • Επέκταση τεχνικών για πρόβλεψη βλαβών • Εργαλείο • Εφαρμογή σε περισσότερα μηχανήματα και αξιολόγηση της προσαρμοστικότητας του • Δυναμική ανανέωση των ιστορικών δειγμάτων. Ιούλιος 2021 26 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  27. 27. Διακρίσεις, Δημοσιεύσεις Παρουσίαση στην ημερίδα «Machine Learning and Artificial Intelligence for Quality 4.0 – Digital Tech Talk» μέσα στα πλαίσια του ευρωπαϊκού έργου Qu4lity (https://qu4lity-project.eu/project/machine-learning- and-artificial-intelligence-for-quality-4-0/) Ιούλιος 2021 27 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  28. 28. Πηγές [1] T. P. Carvalho, F. A. A. M. N. Soares, R. Vita, R. da P. Francisco, J. P. Basto, and S. G. S. Alcalá, “A systematic literature review of machine learning methods applied to predictive maintenance,” Comput. Ind. Eng., vol. 137, p. 106024, 2019, doi: https://doi.org/10.1016/j.cie.2019.106024. [2] R. Accorsi, R. Manzini, P. Pascarella, M. Patella, and S. Sassi, “Data Mining and Machine Learning for Condition-based Maintenance,” Procedia Manuf., vol. 11, pp. 1153–1161, 2017, doi: https://doi.org/10.1016/j.promfg.2017.07.239. [3] Q. Wang, S. Bu, and Z. He, “Achieving Predictive and Proactive Maintenance for High-Speed Railway Power Equipment with LSTM-RNN,” IEEE Trans. Ind. Informatics, pp. 1–1, Jan. 2020, doi: 10.1109/tii.2020.2966033. [4] A. Z. Hinchi and M. Tkiouat, “Rolling element bearing remaining useful life estimation based on a convolutional long-short-Term memory network,” in Procedia Computer Science, 2018, vol. 127, pp. 123–132, doi: 10.1016/j.procs.2018.01.106. [5] S. Zhang, Y. Wang, M. Liu, and Z. Bao, “Data-Based Line Trip Fault Prediction in Power Systems Using LSTM Networks and SVM,” IEEE Access, vol. 6, pp. 7675–7686, Dec. 2017, doi: 10.1109/ACCESS.2017.2785763. [6] F. Wu, T. Wang, and J. Lee, “An online adaptive condition-based maintenance method for mechanical systems,” Mech. Syst. Signal Process., vol. 24, no. 8, pp. 2985–2995, Nov. 2010, doi: 10.1016/j.ymssp.2010.04.003. [7] J. Wang, Y. Chen, S. Hao, X. Peng, and L. Hu, “Deep learning for sensor- based activity recognition: A survey,” Pattern Recognit. Lett., vol. 119, pp. 3– 11, Mar. 2019, doi: 10.1016/j.patrec.2018.02.010. [8] B. Liu, J. Li, C. Chen, W. Tan, Q. Chen, and M. Zhou, “Efficient motif discovery for large-scale time series in healthcare,” IEEE Trans. Ind. Informatics, vol. 11, no. 3, pp. 583–590, Jun. 2015, doi: 10.1109/TII.2015.2411226. Ιούλιος 2021 28 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  29. 29. Πηγές [9] C. D. Truong and D. T. Anh, “A novel clustering-based method for time series motif discovery under time warping measure,” Int. J. Data Sci. Anal., vol. 4, no. 2, pp. 113–126, Sep. 2017, doi: 10.1007/s41060-017-0060-3. [10] R. Brito and H. Bassani, “Self-Organizing Maps with Variable Input Length for Motif Discovery and Word Segmentation,” Jul. 2018, pp. 1–8, doi: 10.1109/IJCNN.2018.8489090. [11] C. C. M. Yeh et al., “Time series joins, motifs, discords and shapelets: a unifying view that exploits the matrix profile,” Data Min. Knowl. Discov., vol. 32, no. 1, pp. 83–123, Jan. 2018, doi: 10.1007/s10618-017-0519-9. [ 12] N. Mehdiyev, J. Krumeich, D. Enke, D. Werth, and P. Loos, “Determination of Rule Patterns in Complex Event Processing Using Machine Learning Techniques,” in Procedia Computer Science, 2015, vol. 61, pp. 395–401, doi: 10.1016/j.procs.2015.09.168. [13] G. He, Y. Duan, R. Peng, X. Jing, T. Qian, and L. Wang, “Early classification on multivariate time series,” Neurocomputing, vol. 149, no. PB, pp. 777–787, Feb. 2015, doi: 10.1016/j.neucom.2014.07.056. [14] Y. Mohammad and T. Nishida, “Exact multi-length scale and mean invariant motif discovery,” Appl. Intell., vol. 44, no. 2, pp. 322–339, Mar. 2016, doi: 10.1007/s10489-015-0684-8. [15] https://github.com/facebookresearch/faiss/wiki Ιούλιος 2021 29 Έγκαιρη ταυτοποίηση βλαβών με αλγορίθμους μηχανικής μάθησης
  30. 30. Ευχαριστώ για την προσοχή σας Ιούλιος 2021 ΈΓΚΑΙΡΗ ΤΑΥΤΟΠΟΊΗΣΗ ΒΛΑΒΏΝ ΜΕ ΑΛΓΟΡΊΘΜΟΥΣ ΜΗΧΑΝΙΚΉΣ ΜΆΘΗΣΗΣ 30

×