Η ναυτιλία αντιμετωπίζει συνεχώς προκλήσεις που σχετίζονται με την αποδοτικότητα, την ασφάλεια και τη βιωσιμότητα. Η μηχανική μάθηση προσφέρει ισχυρά εργαλεία για την αντιμετώπιση αυτών των προκλήσεων, ιδιαίτερα στον τομέα της συντήρησης και της
κατανάλωσης καυσίμου.
Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή τεχνικών ML για την πρόβλεψη βλαβών σε κρίσιμα μηχανικά συστήματα πλοίων, επιτρέποντας την έγκαιρη συντήρηση και μειώνοντας το χρόνο διακοπής λειτουργίας λαμβάνοντας υπόψη παράγοντες όπως η ταχύτητα του πλοίου, η πίεση και η ροή καυσίμου.
Η εργασία αξιολογεί τους αλγόριθμους ταξινόμησης Decision Tree, Logistic Regression
αλλά και τους αλγόριθμους παλινδρόμησης Decision Tree Regressor, Random Forest
Regressor.
Η αξιολόγηση βασίζεται σε στατιστικά κριτήρια απόδοσης, όπω: η ακρίβεια (Accuracy), η
ανάκληση (Recall), η μετρική F1 (F1 Metric), η καμπύλη ROC (ROC Curve), οι Πίνακες
Σύγχυσης (Confusion Matrices), το Mean Squared Error (MSE), το Root Mean Squared
Error (RMSE) και το Mean Absolute Error (MAE).

Maritime shipping constantly faces challenges related to efficiency, safety, and
sustainability. Machine Learning offers powerful tools to address these challenges,
particularly in the areas of predictive maintenance and fuel consumption optimization.
This thesis explores the application of ML techniques for predicting failures in critical ship
mechanical systems, enabling timely maintenance and reducing operational downtime by
considering factors such as ship speed, pressure, and fuel flow.
The study evaluates classification algorithms such as Decision Tree and Logistic
Regression, as well as regression algorithms like Decision Tree Regressor and Random
Forest Regressor.
The evaluation is based on statistical performance metrics, including Accuracy, Recall, F1
Metric, ROC Curve, Confusion Matrices, Mean Squared Error (MSE), Root Mean
Squared Error (RMSE), and Mean Absolute Error (MAE).