Announcement of the defence of the dissertation of Sepideh Hassankhani Dolatabadi
Dovoľujeme si oznámiť, že dňa 17. februára 2025 o 14.00 hod.
sa uskutoční na Ústave informatiky SAV, Dúbravská cesta 9, 845 07 Bratislava, v miestnosti č. 108, obhajoba dizertačnej práce/
We would like to announce that on 17 February at 2:00 p.m. will be held at the Institute of Informatics of the Slovak Academy of Sciences, Dúbravská cesta 9, 845 07 Bratislava, in room No. 108, the defence of the doctoral thesis of a PhD student
Sepidehy Hassankhani Dolatabadiovej/
Sepideh Hassankhani Dolatabadi
Názov dizertačnej prác/Thesis title:
Použitie klasifikácie strojového učenia na návrh systému prediktívnej údržby
Using Machine Learning Classification to Design the Predictive Maintenance System
Odbor/Study field: Informatika/Computer Science
Študijný program/Study program: Aplikovaná informatika/Applied informatics
Školiteľ/Supervisor: Ing. Ivana Budinská, PhD. – ÚI SAV, Bratislava
Abstrakt/Annotation:
Optimalizácia prevádzkovej efektívnosti a zabezpečenie nepretržitého výkonu strojov sú v dnešnom výrobnom prostredí kľúčové. Táto výskumná práca vyvíja systém prediktívnej údržby (PMS) pre spracovateľský závod na nízkokvalitnú hematitovú železnú rudu s dôrazom na hybridný model využívajúci časové rady senzorových údajov. V súlade s princípmi Industry 4.0 naša štúdia používa senzory z reálneho prostredia na komplexnú analýzu a prediktívne modelovanie. Riešime problém chýbajúcich údajov pomocou sofistikovaných imputačných algoritmov a predikujeme poruchy strojov pomocou pokročilých stratégií strojového učenia a hybridného modelového prístupu. Tento prístup využíva strojové učenie na zníženie závislosti od tradičnej preventívnej a reaktívnej údržby. Naša metodológia zahŕňa zber dát, ich predspracovanie, tvorbu príznakov, označovanie údajov a tréning modelov s dôsledným hodnotením modelov a ladením hyperparametrov. V hybridnej inteligentnej továrni sa snažíme optimalizovať reaktívne, preventívne a prediktívne riadenie aktív, pričom odporúčame intervaly údržby na základe zmien výkonu špecifických pre jednotlivé stroje.
Optimizing operational efficiency and ensuring uninterrupted machinery performance are crucial in today's manufacturing. This research develops a Predictive Maintenance System (PMS) for a low-grade hematite iron ore processing plant, emphasizing a hybrid model using time series sensor data. Aligned with industry 4.0 principles, our study uses real-world sensors for comprehensive analysis and predictive modelling. We address missing data with sophisticated imputation algorithms and predict machinery malfunctions using advanced machine learning strategies and a hybrid model approach. This realignment leverages machine learning to reduce reliance on traditional preventive and reactive maintenance. Our methodology includes data collection, preprocessing, feature engineering, labeling, and model training, with rigorous model evaluation and hyperparameter tuning. In the hybrid smart factory, we aim to optimize reactive, preventive, and predictive asset management, guiding maintenance intervals based on machine-specific performance changes.
