Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή μοντέλων μηχανικής μάθησης για την πρόβλεψη του υπολειπόμενου χρόνου ζωής (RUL) στροβιλοκινητήρων, αξιοποιώντας το σύνολο δεδομένων C-MAPSS της NASA. Στόχος είναι η αξιολόγηση της αποτελεσματικότητας τεσσάρων αλγορίθμων: kNN, SVM, Random Forest και LSTM. Η μεθοδολογία περιλαμβάνει την προεπεξεργασία των δεδομένων, την εκπαίδευση και βελτιστοποίηση των μοντέλων, και τη συγκριτική ανάλυση της απόδοσής τους σε διαφορετικά υποσύνολα δεδομένων που προσομοιώνουν ποικίλες συνθήκες λειτουργίας και τρόπους αστοχίας. Τα αποτελέσματα αναδεικνύουν το Random Forest ως το πιο σταθερό και αποδοτικό μοντέλο σε όλες τις περιπτώσεις.

This diploma thesis investigates the application of machine learning models for predicting the Remaining Useful Life (RUL) of turbofan engines, utilizing NASA's C-MAPSS dataset. The objective is to evaluate the effectiveness of four algorithms: kNN, SVM, Random Forest, and LSTM. The methodology includes data preprocessing, model training and optimization, and a comparative analysis of their performance across different data subsets that simulate various operating conditions and failure modes. The results highlight Random Forest as the most stable and efficient model across all scenarios.