{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5297025"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5297025","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Η Μηχανική Μάθηση στη Συντήρηση Οπλικών Συστημάτων","abstract":"Περίληψη Η παρούσα εργασία διερευνά την εφαρμογή τεχνικών Μηχανικής Μάθησης (ML) στη συντήρηση οπλικών συστημάτων, με έμφαση στην προγνωστική συντήρηση (Predictive Maintenance - PdM). Μέσα από μια συστηματική ανάλυση των σύγχρονων προσεγγίσεων συντήρησης, των τεχνολογικών εξελίξεων στον στρατιωτικό τομέα, καθώς και των δυνατοτήτων που προσφέρει η Μηχανική Μάθηση, επιχειρείται η θεωρητική και πρακτική τεκμηρίωση της σκοπιμότητας ενσωμάτωσης τέτοιων τεχνολογιών στις Ένοπλες Δυνάμεις. Η εργασία περιλαμβάνει μελέτη περιπτώσεων, ανάλυση της ετοιμότητας των στρατιωτικών δομών για υιοθέτηση συστημάτων ΤΝ/ML, καθώς και πειραματική εφαρμογή αλγορίθμων πάνω σε πραγματικό dataset (C-MAPSS) για την πρόβλεψη της υπολειπόμενης διάρκειας ζωής (Remaining Useful Life - RUL) κρίσιμων υποσυστημάτων αεροπορικής πλατφόρμας. Τα αποτελέσματα καταδεικνύουν τη δυνατότητα αξιοποίησης τεχνικών ML σε στρατιωτικά περιβάλλοντα με σαφή επιχειρησιακά και οικονομικά οφέλη, υπό την προϋπόθεση οργανωτικής ωρίμανσης και κατάλληλης προετοιμασίας του ανθρώπινου δυναμικού.","abstract_html":"Περίληψη Η παρούσα εργασία διερευνά την εφαρμογή τεχνικών Μηχανικής Μάθησης (ML) στη συντήρηση οπλικών συστημάτων, με έμφαση στην προγνωστική συντήρηση (Predictive Maintenance - PdM). Μέσα από μια συστηματική ανάλυση των σύγχρονων προσεγγίσεων συντήρησης, των τεχνολογικών εξελίξεων στον στρατιωτικό τομέα, καθώς και των δυνατοτήτων που προσφέρει η Μηχανική Μάθηση, επιχειρείται η θεωρητική και πρακτική τεκμηρίωση της σκοπιμότητας ενσωμάτωσης τέτοιων τεχνολογιών στις Ένοπλες Δυνάμεις. Η εργασία περιλαμβάνει μελέτη περιπτώσεων, ανάλυση της ετοιμότητας των στρατιωτικών δομών για υιοθέτηση συστημάτων ΤΝ/ML, καθώς και πειραματική εφαρμογή αλγορίθμων πάνω σε πραγματικό dataset (C-MAPSS) για την πρόβλεψη της υπολειπόμενης διάρκειας ζωής (Remaining Useful Life - RUL) κρίσιμων υποσυστημάτων αεροπορικής πλατφόρμας. Τα αποτελέσματα καταδεικνύουν τη δυνατότητα αξιοποίησης τεχνικών ML σε στρατιωτικά περιβάλλοντα με σαφή επιχειρησιακά και οικονομικά οφέλη, υπό την προϋπόθεση οργανωτικής ωρίμανσης και κατάλληλης προετοιμασίας του ανθρώπινου δυναμικού.","abstract_has_math":false,"creators":["Μπεζαΐτης Βασίλειος","Bezaitis Vasileios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:33:03Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5297025"],"render_values":[{"text":"uoadl:5297025","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5297025","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5297025","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5297025","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπεζαΐτης Βασίλειος","Bezaitis Vasileios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5297025","https://pergamos.lib.uoa.gr/uoa/dl/object/5297025"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Περίληψη Η παρούσα εργασία διερευνά την εφαρμογή τεχνικών Μηχανικής Μάθησης (ML) στη συντήρηση οπλικών συστημάτων, με έμφαση στην προγνωστική συντήρηση (Predictive Maintenance - PdM). Μέσα από μια συστηματική ανάλυση των σύγχρονων προσεγγίσεων συντήρησης, των τεχνολογικών εξελίξεων στον στρατιωτικό τομέα, καθώς και των δυνατοτήτων που προσφέρει η Μηχανική Μάθηση, επιχειρείται η θεωρητική και πρακτική τεκμηρίωση της σκοπιμότητας ενσωμάτωσης τέτοιων τεχνολογιών στις Ένοπλες Δυνάμεις. Η εργασία περιλαμβάνει μελέτη περιπτώσεων, ανάλυση της ετοιμότητας των στρατιωτικών δομών για υιοθέτηση συστημάτων ΤΝ/ML, καθώς και πειραματική εφαρμογή αλγορίθμων πάνω σε πραγματικό dataset (C-MAPSS) για την πρόβλεψη της υπολειπόμενης διάρκειας ζωής (Remaining Useful Life - RUL) κρίσιμων υποσυστημάτων αεροπορικής πλατφόρμας. Τα αποτελέσματα καταδεικνύουν τη δυνατότητα αξιοποίησης τεχνικών ML σε στρατιωτικά περιβάλλοντα με σαφή επιχειρησιακά και οικονομικά οφέλη, υπό την προϋπόθεση οργανωτικής ωρίμανσης και κατάλληλης προετοιμασίας του ανθρώπινου δυναμικού.","This thesis explores the integration of Machine Learning (ML) techniques into the maintenance of military weapon systems, focusing on predictive maintenance (PdM). Through a structured review of contemporary maintenance approaches, technological trends in the defense sector, and the capabilities offered by ML, the study provides a theoretical and practical foundation for adopting such technologies within the Armed Forces. It includes use-case analyses, an assessment of military organizational readiness for AI/ML integration, and an experimental application using the NASA C- MAPSS dataset to predict the Remaining Useful Life (RUL) of critical aircraft subsystems. The results demonstrate that ML-based solutions can be effectively utilized in military contexts, delivering both operational and economic benefits, provided that organizational maturity and personnel training are ensured."]},{"key":"dc:title","label":"Title","values":["Η Μηχανική Μάθηση στη Συντήρηση Οπλικών Συστημάτων"]}]}],"canonical_facts":{"dc:creator":["Μπεζαΐτης Βασίλειος","Bezaitis Vasileios"],"dc:date":["2025"],"dc:description":["Περίληψη Η παρούσα εργασία διερευνά την εφαρμογή τεχνικών Μηχανικής Μάθησης (ML) στη συντήρηση οπλικών συστημάτων, με έμφαση στην προγνωστική συντήρηση (Predictive Maintenance - PdM). Μέσα από μια συστηματική ανάλυση των σύγχρονων προσεγγίσεων συντήρησης, των τεχνολογικών εξελίξεων στον στρατιωτικό τομέα, καθώς και των δυνατοτήτων που προσφέρει η Μηχανική Μάθηση, επιχειρείται η θεωρητική και πρακτική τεκμηρίωση της σκοπιμότητας ενσωμάτωσης τέτοιων τεχνολογιών στις Ένοπλες Δυνάμεις. Η εργασία περιλαμβάνει μελέτη περιπτώσεων, ανάλυση της ετοιμότητας των στρατιωτικών δομών για υιοθέτηση συστημάτων ΤΝ/ML, καθώς και πειραματική εφαρμογή αλγορίθμων πάνω σε πραγματικό dataset (C-MAPSS) για την πρόβλεψη της υπολειπόμενης διάρκειας ζωής (Remaining Useful Life - RUL) κρίσιμων υποσυστημάτων αεροπορικής πλατφόρμας. Τα αποτελέσματα καταδεικνύουν τη δυνατότητα αξιοποίησης τεχνικών ML σε στρατιωτικά περιβάλλοντα με σαφή επιχειρησιακά και οικονομικά οφέλη, υπό την προϋπόθεση οργανωτικής ωρίμανσης και κατάλληλης προετοιμασίας του ανθρώπινου δυναμικού.","This thesis explores the integration of Machine Learning (ML) techniques into the maintenance of military weapon systems, focusing on predictive maintenance (PdM). Through a structured review of contemporary maintenance approaches, technological trends in the defense sector, and the capabilities offered by ML, the study provides a theoretical and practical foundation for adopting such technologies within the Armed Forces. It includes use-case analyses, an assessment of military organizational readiness for AI/ML integration, and an experimental application using the NASA C- MAPSS dataset to predict the Remaining Useful Life (RUL) of critical aircraft subsystems. The results demonstrate that ML-based solutions can be effectively utilized in military contexts, delivering both operational and economic benefits, provided that organizational maturity and personnel training are ensured."],"dc:identifier":["uoadl:5297025","https://pergamos.lib.uoa.gr/uoa/dl/object/5297025"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Η Μηχανική Μάθηση στη Συντήρηση Οπλικών Συστημάτων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:33:03Z"}