Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/13939
Author: Τσιρίζης, Αθανάσιος
Title: Ανάλυση ιστορικών δεδομένων χρήση αλγόριθμων ομαδοποίησης και νευρωνικών δικτύων.
Date Issued: 2005
Department: Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης στην Εφαρμοσμένη Πληροφορική
Supervisor: Ρεφανίδης, Ιωάννης
Abstract: Η περίοδος από τα τέλη της δεκαετίας του 50 µέχρι σήµερα χαρακτηρίζεται από την έντονη χρήση ηλεκτρονικών υπολογιστών στον χώρο της βιοµηχανίας. Στην περίπτωση των χηµικών εργοστασίων, έχοντας πετύχει τον αρχικό σκοπό που αφορούσε την ολοένα και µεγαλύτερη αυτοµατοποίηση στις διαδικασίες παραγωγής, οι σκέψεις για περαιτέρω βελτίωση της παραγωγικότητας στράφηκαν στην καλυτέρευση του εποπτικού ελέγχου επί της παραγωγικής διαδικασίας. Ωστόσο η επίτευξη αυτού του στόχου απαιτεί την σωστή αναγνώριση των πολλαπλών καταστάσεων λειτουργίας. Ειδικότερα η κατηγορία των χηµικών εργοστασίων που λειτουργούν µε βάσει το µοντέλο των «συνταγών», χαρακτηρίζεται από ένα σύνολο σταθερών καταστάσεων λειτουργίας οι οποίες εναλλάσσονται µεταξύ τους, καθώς και τις µεταβάσεις (ενδιάµεσες καταστάσεις λειτουργίας) κατά τις οποίες γίνεται η εναλλαγή των συνταγών. Προκειµένου να αναγνωρισθούν µε επιτυχία όλες οι παραπάνω καταστάσεις λειτουργίας, απαιτείται η ανάπτυξη µίας διαδικασίας που να µπορεί να αντιληφθεί δύο πράγµατα: ./ Πότε ένα εργοστάσιο είναι σε κατάσταση µετάβασης ή σε κατάσταση παραγωγής συνταγής. ./ Όταν το εργοστάσιο είναι σε κατάσταση παραγωγής συνταγής, ποια συνταγή εκτελείται; Στην έρευνα αυτή, προτείνεται µία µέθοδος η οποία βασίζεται πάνω σε µεθόδους οµαδοποίησης - συγκεκριµένα στο αλγόριθµο Kmeans - και στα νευρωνικά δίκτυα. Αρχικά τα δεδοµένα περνάνε από φίλτρα αφαίρεσης θορύβου και κανονικοποιούνται. Κατόπιν µε την βοήθεια µιας συνάρτησης ανεύρεσης µεταβάσεων, ο Kmeans διαχωρίζει τα δεδοµένα των µεταβάσεων από τα δεδοµένα των συνταγών. Στη συνέχεια εφαρµόζοντας τον Kmeans στα δεδοµένα των συνταγών, αυτά διαχωρίζονται µεταξύ τους και για κάθε συνταγή δηµιουργείται ένα προφίλ. Στο τέλος δηµιουργείται και εκπαιδεύεται ένα νευρωνικό δίκτυο ώστε να µάθει να κατατάσσει άγνωστα παραδείγµατα µε βάσει τα προφίλ των εκ των προτέρων γνωστών συνταγών. Σε σχετικούς ελέγχους που έγιναν στη µονάδα πολυµερισµού στο εργοστάσιο πολυπροπυλενίου της εταιρίας Ελληνικά Πετρέλαια Α.Ε τα αποτελέσµατα της µεθόδου ήταν πάρα πολύ ενθαρρυντικά έχοντας υψηλά ποσοστά επιτυχίας. Αναλυτικότερα η δοµή των κεφαλαίων της διπλωµατικής έχει ως εξής Στο Κεφάλαιο 1 γίνεται µία αναφορά στο θεωρητικό υπόβαθρο του αντικειµένου της έρευνας. Κατόπιν γίνεται µία σύντοµη ανασκόπηση των εργασιών που έχουν ασχοληθεί µε το πρόβληµα της ορθής αναγνώρισης καταστάσεων λειτουργίας σε χηµικά εργοστάσια. Επίσης αναλύονται ο στόχος, η σπουδαιότητα και η µεθοδολογία της έρευνας. Στο Κεφάλαιο 2 γίνεται σύντοµη περιγραφή της µελέτης περίπτωσης (case study). Στη συνέχεια ελέγχονται διάφορα φίλτρα αφαίρεσης θορύβου ως προς την καταλληλότητά τους και δοκιµάζονται κάποιες συναρτήσεις εύρεσης µεταβάσεων. Τέλος τα δεδοµένα οµαδοποιούνται µε χρήση του αλγόριθµου Kmeans σε δύο οµάδες δεδοµένα µεταβάσεων και δεδοµένα συνταγών. Στο Κεφάλαιο 3 περιγράφεται αρχικά ο εντοπισµός των πλεοναζόντων µεταβλητών. Κατόπιν διαπιστώνεται η ανάγκη κανονικοποίησης των δεδοµένων και επιτυγχάνεται ο σωστός διαχωρισµός των συνταγών µεταξύ τους µε χρήση του Kmeans. Τέλος περιγράφεται το πρόβληµα των αργών µεταβάσεων. Στο Κεφάλαιο 4 επιβεβαιώνεται ότι τα νευρωνικά δίκτυα µπορούν να χρησιµοποιηθούν για αναγνώριση συνταγών. Κατόπιν επιβεβαιώνονται τα αποτελέσµατα της οµαδοποίησης του κεφαλαίου 3, καθώς επίσης και το πρόβληµα των αργών µεταβάσεων. Στο Κεφάλαιο 5 παρουσιάζονται τα συµπεράσµατα της έρευνας και οι προτάσεις για παραπέρα διερεύνηση.
Keywords: Χημική βιομηχανία
Έλεγχος παραγωγής
Νευρωνικά δίκτυα
k-MEANS
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2005.
ΔΙΠ ΠΛΗΡ/16 2005
Η Βιβλιοθήκη διαθέτει αντίτυπο της διπλωματικής σε έντυπη μορφή σε κλειστή συλλογή.
Appears in Collections:Π.Μ.Σ. στην Εφαρμοσμένη Πληροφορική (M)

Files in This Item:
File Description SizeFormat 
TsirizisAthanasiosMsc2005present.pdfΠαρουσίαση2.32 MBAdobe PDFView/Open
TsirizisAthanasiosMsc2005.pdf3.75 MBAdobe PDFView/Open


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