{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5449473"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5449473","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Προγνωστική συντήρηση ατην αιολική ενέργεια - μεθοδολογικές προσεγγίσεις και μελλοντικές κατευθύνσεις.","abstract":"Η προγνωστική συντήρηση αποτελεί κρίσιμο πυλώνα για τη βελτιστοποίηση της λειτουργίας των αιολικών εγκαταστάσεων, καθώς επιτρέπει την έγκαιρη αναγνώριση φθοράς και τη μείωση των απρογραμμάτιστων παρεμβάσεων. Η εργασία εξετάζει τις θεωρητικές και τεχνολογικές βάσεις της προγνωστικής συντήρησης, παρουσιάζοντας τις αρχές συλλογής και ανάλυσης δεδομένων κατάστασης εξοπλισμού, τις μεθοδολογίες πρόγνωσης βλαβών και τις σύγχρονες τεχνικές μηχανικής και βαθιάς μάθησης που αξιοποιούνται στη λειτουργική παρακολούθηση ανεμογεννητριών. Αναλύεται ο ρόλος συστημάτων IoT, Edge και Cloud Computing, καθώς και η συνεισφορά των ψηφιακών διδύμων και της εξηγήσιμης τεχνητής νοημοσύνης στην ενίσχυση της ακρίβειας και της διαφάνειας των προγνωστικών εργαλείων. Ιδιαίτερη έμφαση δίνεται στις υβριδικές προσεγγίσεις που συνδυάζουν φυσικά μοντέλα και δεδομενοκεντρικές μεθόδους, δημιουργώντας πιο αξιόπιστες και προσαρμοστικές δομές συντήρησης. Παράλληλα, διερευνώνται οι οικονομικές και περιβαλλοντικές επιπτώσεις της προγνωστικής συντήρησης, με αναφορά στη μείωση του κόστους λειτουργίας, την αύξηση της διαθεσιμότητας του εξοπλισμού και τη συμβολή στη βιώσιμη διαχείριση του κύκλου ζωής των ανεμογεννητριών. Τα ευρήματα αναδεικνύουν τη σημασία της προγνωστικής συντήρησης ως καταλύτη για την τεχνολογική πρόοδο και την ενίσχυση της ενεργειακής μετάβασης προς πιο αποδοτικά και περιβαλλοντικά φιλικά συστήματα παραγωγής ενέργειας.","abstract_html":"Η προγνωστική συντήρηση αποτελεί κρίσιμο πυλώνα για τη βελτιστοποίηση της λειτουργίας των αιολικών εγκαταστάσεων, καθώς επιτρέπει την έγκαιρη αναγνώριση φθοράς και τη μείωση των απρογραμμάτιστων παρεμβάσεων. Η εργασία εξετάζει τις θεωρητικές και τεχνολογικές βάσεις της προγνωστικής συντήρησης, παρουσιάζοντας τις αρχές συλλογής και ανάλυσης δεδομένων κατάστασης εξοπλισμού, τις μεθοδολογίες πρόγνωσης βλαβών και τις σύγχρονες τεχνικές μηχανικής και βαθιάς μάθησης που αξιοποιούνται στη λειτουργική παρακολούθηση ανεμογεννητριών. Αναλύεται ο ρόλος συστημάτων IoT, Edge και Cloud Computing, καθώς και η συνεισφορά των ψηφιακών διδύμων και της εξηγήσιμης τεχνητής νοημοσύνης στην ενίσχυση της ακρίβειας και της διαφάνειας των προγνωστικών εργαλείων. Ιδιαίτερη έμφαση δίνεται στις υβριδικές προσεγγίσεις που συνδυάζουν φυσικά μοντέλα και δεδομενοκεντρικές μεθόδους, δημιουργώντας πιο αξιόπιστες και προσαρμοστικές δομές συντήρησης. Παράλληλα, διερευνώνται οι οικονομικές και περιβαλλοντικές επιπτώσεις της προγνωστικής συντήρησης, με αναφορά στη μείωση του κόστους λειτουργίας, την αύξηση της διαθεσιμότητας του εξοπλισμού και τη συμβολή στη βιώσιμη διαχείριση του κύκλου ζωής των ανεμογεννητριών. Τα ευρήματα αναδεικνύουν τη σημασία της προγνωστικής συντήρησης ως καταλύτη για την τεχνολογική πρόοδο και την ενίσχυση της ενεργειακής μετάβασης προς πιο αποδοτικά και περιβαλλοντικά φιλικά συστήματα παραγωγής ενέργειας.","abstract_has_math":false,"creators":["ΓΕΩΡΓΑΚΟΠΟΥΛΟΣ ΔΗΜΗΤΡΙΟΣ","GEORGAKOPOULOS DIMITRIOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:44Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5449473"],"render_values":[{"text":"uoadl:5449473","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5449473","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5449473","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%3A5449473","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΓΕΩΡΓΑΚΟΠΟΥΛΟΣ ΔΗΜΗΤΡΙΟΣ","GEORGAKOPOULOS DIMITRIOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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:5449473","https://pergamos.lib.uoa.gr/uoa/dl/object/5449473"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η προγνωστική συντήρηση αποτελεί κρίσιμο πυλώνα για τη βελτιστοποίηση της λειτουργίας των αιολικών εγκαταστάσεων, καθώς επιτρέπει την έγκαιρη αναγνώριση φθοράς και τη μείωση των απρογραμμάτιστων παρεμβάσεων. Η εργασία εξετάζει τις θεωρητικές και τεχνολογικές βάσεις της προγνωστικής συντήρησης, παρουσιάζοντας τις αρχές συλλογής και ανάλυσης δεδομένων κατάστασης εξοπλισμού, τις μεθοδολογίες πρόγνωσης βλαβών και τις σύγχρονες τεχνικές μηχανικής και βαθιάς μάθησης που αξιοποιούνται στη λειτουργική παρακολούθηση ανεμογεννητριών. Αναλύεται ο ρόλος συστημάτων IoT, Edge και Cloud Computing, καθώς και η συνεισφορά των ψηφιακών διδύμων και της εξηγήσιμης τεχνητής νοημοσύνης στην ενίσχυση της ακρίβειας και της διαφάνειας των προγνωστικών εργαλείων. Ιδιαίτερη έμφαση δίνεται στις υβριδικές προσεγγίσεις που συνδυάζουν φυσικά μοντέλα και δεδομενοκεντρικές μεθόδους, δημιουργώντας πιο αξιόπιστες και προσαρμοστικές δομές συντήρησης. Παράλληλα, διερευνώνται οι οικονομικές και περιβαλλοντικές επιπτώσεις της προγνωστικής συντήρησης, με αναφορά στη μείωση του κόστους λειτουργίας, την αύξηση της διαθεσιμότητας του εξοπλισμού και τη συμβολή στη βιώσιμη διαχείριση του κύκλου ζωής των ανεμογεννητριών. Τα ευρήματα αναδεικνύουν τη σημασία της προγνωστικής συντήρησης ως καταλύτη για την τεχνολογική πρόοδο και την ενίσχυση της ενεργειακής μετάβασης προς πιο αποδοτικά και περιβαλλοντικά φιλικά συστήματα παραγωγής ενέργειας.","Predictive maintenance is a critical pillar for optimizing the operation of wind farms, as it enables the early detection of wear and tear and reduces the number of unplanned interventions. This paper examines the theoretical and technological foundations of predictive maintenance, presenting the principles of collecting and analyzing equipment condition data, fault prediction methodologies, and modern engineering and deep learning techniques used in the operational monitoring of wind turbines. It analyzes the role of IoT, Edge, and Cloud Computing systems, as well as the contribution of digital twins and explainable artificial intelligence in enhancing the accuracy and transparency of predictive tools. Particular emphasis is placed on hybrid approaches that combine physical models and data-driven methods, creating more reliable and adaptive maintenance frameworks. At the same time, the economic and environmental impacts of predictive maintenance are explored, with reference to the reduction of operating costs, the increase in equipment availability, and the contribution to the sustainable management of the life cycle of wind turbines. The findings highlight the importance of predictive maintenance as a catalyst for technological progress and for advancing the energy transition toward more efficient and environmentally friendly energy production systems."]},{"key":"dc:title","label":"Title","values":["Προγνωστική συντήρηση ατην αιολική ενέργεια - μεθοδολογικές προσεγγίσεις και μελλοντικές κατευθύνσεις."]}]}],"canonical_facts":{"dc:creator":["ΓΕΩΡΓΑΚΟΠΟΥΛΟΣ ΔΗΜΗΤΡΙΟΣ","GEORGAKOPOULOS DIMITRIOS"],"dc:date":["2026"],"dc:description":["Η προγνωστική συντήρηση αποτελεί κρίσιμο πυλώνα για τη βελτιστοποίηση της λειτουργίας των αιολικών εγκαταστάσεων, καθώς επιτρέπει την έγκαιρη αναγνώριση φθοράς και τη μείωση των απρογραμμάτιστων παρεμβάσεων. Η εργασία εξετάζει τις θεωρητικές και τεχνολογικές βάσεις της προγνωστικής συντήρησης, παρουσιάζοντας τις αρχές συλλογής και ανάλυσης δεδομένων κατάστασης εξοπλισμού, τις μεθοδολογίες πρόγνωσης βλαβών και τις σύγχρονες τεχνικές μηχανικής και βαθιάς μάθησης που αξιοποιούνται στη λειτουργική παρακολούθηση ανεμογεννητριών. Αναλύεται ο ρόλος συστημάτων IoT, Edge και Cloud Computing, καθώς και η συνεισφορά των ψηφιακών διδύμων και της εξηγήσιμης τεχνητής νοημοσύνης στην ενίσχυση της ακρίβειας και της διαφάνειας των προγνωστικών εργαλείων. Ιδιαίτερη έμφαση δίνεται στις υβριδικές προσεγγίσεις που συνδυάζουν φυσικά μοντέλα και δεδομενοκεντρικές μεθόδους, δημιουργώντας πιο αξιόπιστες και προσαρμοστικές δομές συντήρησης. Παράλληλα, διερευνώνται οι οικονομικές και περιβαλλοντικές επιπτώσεις της προγνωστικής συντήρησης, με αναφορά στη μείωση του κόστους λειτουργίας, την αύξηση της διαθεσιμότητας του εξοπλισμού και τη συμβολή στη βιώσιμη διαχείριση του κύκλου ζωής των ανεμογεννητριών. Τα ευρήματα αναδεικνύουν τη σημασία της προγνωστικής συντήρησης ως καταλύτη για την τεχνολογική πρόοδο και την ενίσχυση της ενεργειακής μετάβασης προς πιο αποδοτικά και περιβαλλοντικά φιλικά συστήματα παραγωγής ενέργειας.","Predictive maintenance is a critical pillar for optimizing the operation of wind farms, as it enables the early detection of wear and tear and reduces the number of unplanned interventions. This paper examines the theoretical and technological foundations of predictive maintenance, presenting the principles of collecting and analyzing equipment condition data, fault prediction methodologies, and modern engineering and deep learning techniques used in the operational monitoring of wind turbines. It analyzes the role of IoT, Edge, and Cloud Computing systems, as well as the contribution of digital twins and explainable artificial intelligence in enhancing the accuracy and transparency of predictive tools. Particular emphasis is placed on hybrid approaches that combine physical models and data-driven methods, creating more reliable and adaptive maintenance frameworks. At the same time, the economic and environmental impacts of predictive maintenance are explored, with reference to the reduction of operating costs, the increase in equipment availability, and the contribution to the sustainable management of the life cycle of wind turbines. The findings highlight the importance of predictive maintenance as a catalyst for technological progress and for advancing the energy transition toward more efficient and environmentally friendly energy production systems."],"dc:identifier":["uoadl:5449473","https://pergamos.lib.uoa.gr/uoa/dl/object/5449473"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Προγνωστική συντήρηση ατην αιολική ενέργεια - μεθοδολογικές προσεγγίσεις και μελλοντικές κατευθύνσεις."],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:44Z"}