Συντάχθηκε 04-02-2026 14:31
Ενημερώθηκε:
04-02-2026 14:33
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 16/02/2026 19:00
Λήξη: 16/02/2026 20:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Γεωργίου Αργύρη
με θέμα
Μοντέλο Ψηφιακού Δίδυμου βασισμένο στη Νευρωνική Ανίχνευση Σύνθετων Γεγονότων για Ηλεκτρικές Εγκαταστάσεις και Βιομηχανικό Αυτοματισμό
Digital Twin Model based on Neural Complex Event Recognition for Electrical Installation and Industrial Automation
Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Νικόλαος Γιατράκος (επιβλέπων)
Καθηγήτρια Αικατερίνη Μανιά
Επίκουρος Καθηγητής Γεώργιος Πέππας
Περίληψη
Η αποτελεσματική παρακολούθηση και η ταχεία ανίχνευση βλαβών σε ηλεκτρικά συστήματα είναι απαραίτητες για την εξασφάλιση λειτουργικής αξιοπιστίας, τη μείωση χρόνου αδράνειας και την πρόληψη δαπανηρών ζημιών σε βιομηχανικές και εμπορικές υποδομές. Με την αυξανόμενη ενσωμάτωση σύνθετων συσκευών και εγκαταστάσεων μεγάλης κλίμακας, οι παραδοσιακές μέθοδοι παρακολούθησης αδυνατούν να παρέχουν έγκαιρες πληροφορίες και προγνωστική ανάλυση.
Η παρούσα διπλωματική εργασία εισάγει ένα πλαίσιο ψηφιακού διδύμου σε πραγματικό χρόνο για την παρακολούθηση και ανίχνευση συμβάντων σε ηλεκτρικά συστήματα. Το πλαίσιο ενσωματώνει δεδομένα αισθητήρων από πολλαπλές συσκευές, τα οποία μεταδίδονται μέσω WebSockets και Apache Kafka. Τα δεδομένα επεξεργάζονται με χρήση νευρωνικών δικτύων και εργαλείων big data, όπως το DataStream API του Apache Flink, για να επιτευχθεί επεκτάσιμη αναγνώριση συμβάντων σε πραγματικό χρόνο. Αρχικά,
απλά συμβάντα (simple events) αναγνωρίζονται με αλγόριθμο βασισμένο σε κανόνες και στη συνέχεια εισάγονται σε νευρωνικό δίκτυο LSTM, εκπαιδευμένο σε ακολουθίες που παράχθηκαν από μοντέλο TimeGAN, προκειμένου να ανιχνευθούν συμβάντα πρώτου επιπέδου πολυπλοκότητας (1st-level complex events). Συμβάντα υψηλότερου επιπέδου πολυπλοκότητας (2nd-level complex events) ανιχνεύονται στη συνέχεια από το Flink. Οι επεξεργασμένες πληροφορίες παρουσιάζονται μέσω ενός 3D ψηφιακού
διδύμου υλοποιημένο σε περιβάλλον Unity, επιτρέποντας διαδραστική ανάλυση, ζωντανή παρακολούθηση και ειδοποιήσεις σε πραγματικό χρόνο.
Τα πειραματικά αποτελέσματα δείχνουν ότι το μοντέλο TimeGAN παράγει επιτυχώς ρεαλιστικά συνθετικά δεδομένα, εμπλουτισμένα τόσο με αριθμητικές μετρήσεις όσο και με ετικέτες συμβάντων. Αυτές οι συνθετικές ακολουθίες αποδείχθηκαν επαρκείς για την εκπαίδευση του μοντέλου LSTM, ώστε να επιτευχθεί αξιόπιστη ακρίβεια ανίχνευσης 1st-level complex events, μετά από περαιτέρω αξιολόγηση. Επιπλέον, η αξιολόγηση δείχνει ότι το Apache Flink αναγνωρίζει σταθερά σφάλματα υψηλότερου επιπέδου πολυπλοκότητας, τα οποία εξαρτώνται τόσο από simple events όσο και από συμβάντα που προβλέπονται από το LSTM. Η επεκτασιμότητα του συστήματος αξιολογήθηκε επίσης, ελέγχοντας ότι η απόδοση αυξάνεται ανάλογα με την αύξηση του παραλληλισμού του Flink. Τέλος, έρευνα εμπειρίας χρήστη υποδεικνύει ότι η διεπαφή του 3D ψηφιακού διδύμου υποστηρίζει αποτελεσματικά την παρακολούθηση σε πραγματικό χρόνο και τη λήψη αποφάσεων σε ηλεκτρικές υποδομές μεγάλης κλίμακας
Abstract
Efficient monitoring and rapid fault detection in electrical systems are essential for ensuring operational reliability, reducing downtime, and preventing costly damage in industrial and commercial infrastructures. With the increasing integration of complex devices and large-scale installations, traditional monitoring methods struggle to provide timely insights and predictive analysis.
This thesis introduces a real-time digital twin framework for monitoring and event detection in electrical systems. The framework integrates sensor data from multiple devices, streamed via WebSockets and Apache Kafka. Data are processed using neural networks and big data tools such as Apache Flink’s DataStream API to enable scalable real-time event recognition. Initially, simple events are identified using a rule-based algorithm and then input into an LSTM neural network trained on TimeGAN-generated sequences to detect first-level complex events. Higher-level complex events are subsequently detected by Flink. The processed information is presented through a Unity-based 3D digital twin, enabling interactive analysis, live monitoring, and real time alerts.
Experimental results demonstrate that the TimeGAN model successfully generates realistic synthetic data enriched with both numerical measurements and event labels. These synthetic sequences proved sufficient for training the LSTM model to achieve reliable detection accuracy for first-level complex events, after further evaluation. Furthermore, the evaluation shows that Apache Flink consistently identifies higher level complex events that depend on both simple events and LSTM-predicted events. The system’s scalability was also assessed, revealing that throughput increases propor tionally with higher Flink parallelism. Finally, a user experience survey indicates that the 3D digital-twin interface effectively supports real-time monitoring and decision making in large-scale electrical infrastructures.
