Η παρούσα διπλωματική εργασία εστιάζει στον σχεδιασμό και την υλοποίηση μιας ολοκληρωμένης πλατφόρμας προγνωστικής συντήρησης (Predictive Maintenance) για βιομηχανικούς συμπιεστές φυσικού αερίου, αξιοποιώντας τεχνολογίες Industrial Internet of Things (IIoT) και μεθόδους μηχανικής μάθησης.
Η σύγχρονη βιομηχανία στρέφεται ολοένα και περισσότερο από τις παραδοσιακές πρακτικές διορθωτικής και προληπτικής συντήρησης σε στρατηγικές που βασίζονται στη συνεχή παρακολούθηση της πραγματικής κατάστασης του εξοπλισμού. Στο πλαίσιο αυτό, αναπτύχθηκε μια αρχιτεκτονική η οποία συνδυάζει ασύρματους αισθητηριακούς κόμβους, δίκτυο επικοινωνίας LoRaWAN, πρωτόκολλο MQTT, επεξεργασία ροής δεδομένων μέσω Node-RED, αποθήκευση χρονοσειρών στην InfluxDB και οπτικοποίηση σε πραγματικό χρόνο μέσω Grafana, με τη συνολική υποδομή να υλοποιείται με containerized (Docker) υπηρεσίες.
Για την πρόβλεψη κρίσιμων λειτουργικών παραμέτρων -θερμοκρασίας εξόδου, πίεσης κατάθλιψης και κραδασμών σε τρεις άξονες- αναπτύχθηκαν ανεξάρτητα μοντέλα Ridge Regression για δύο βιομηχανικούς συμπιεστές, με χρήση τεχνικών feature engineering σε δεδομένα χρονοσειρών. Τα μοντέλα εκπαιδεύτηκαν με ιστορικά δεδομένα του 2021, ενώ τα δεδομένα του 2022 χρησιμοποιήθηκαν για την προσομοίωση της online λειτουργίας του συστήματος και τον υπολογισμό residuals, ώστε να καταστεί δυνατή η έγκαιρη ανίχνευση αποκλίσεων από την αναμενόμενη συμπεριφορά του εξοπλισμού.
Η αξιολόγηση των μοντέλων, με βάση τις μετρικές MAE, RMSE και R², έδειξε ιδιαίτερα υψηλή προβλεπτική ακρίβεια και για τους δύο συμπιεστές. Στον Compressor #1 ο συντελεστής προσδιορισμού κυμάνθηκε μεταξύ 0,9802 και 0,9926, ενώ στον Compressor #2 όλες οι μεταβλητές ξεπέρασαν R² ίσο με 0,999, με τη μεταβλητή HPC Forward X Vibration να καταγράφει τη βέλτιστη επίδοση (R²=0,9999). Τα αποτελέσματα επιβεβαιώνουν την καταλληλότητα της Ridge Regression σε συνδυασμό με κατάλληλη μηχανική χαρακτηριστικών για την περιγραφή της συμπεριφοράς βιομηχανικών χρονοσειρών.
Η εργασία καταδεικνύει ότι ο συνδυασμός ανοικτών τεχνολογιών IIoT με τεχνικές μηχανικής μάθησης μπορεί να αποτελέσει μια οικονομικά αποδοτική και τεχνικά εφικτή λύση προγνωστικής συντήρησης, με άμεση δυνατότητα εφαρμογής σε πραγματικές ενεργειακές και βιομηχανικές εγκαταστάσεις.

This thesis focuses on the design and implementation of an integrated Predictive Maintenance platform for industrial natural gas compressors, leveraging Industrial Internet of Things (IIoT) technologies and machine learning methods.
Modern industry is increasingly shifting from traditional corrective and preventive maintenance practices towards strategies based on continuous monitoring of the actual condition of equipment. In this context, an architecture was developed combining wireless sensor nodes, a LoRaWAN communication network, the MQTT protocol, data-stream processing through Node-RED, time-series storage in InfluxDB, and real-time visualization through Grafana, with the overall infrastructure implemented as containerized (Docker) services.
To predict critical operating parameters - outlet temperature, discharge pressure, and vibration along three axes - independent Ridge Regression models were developed for two industrial compressors, using feature engineering techniques on time-series data. The models were trained on historical 2021 data, while 2022 data was used to simulate the platform's online operation and compute residuals, enabling early detection of deviations from expected equipment behaviour.
Model evaluation, based on MAE, RMSE and R² metrics, showed particularly high predictive accuracy for both compressors. For Compressor #1, the coefficient of determination ranged between 0.9802 and 0.9926, while for Compressor #2 all variables exceeded an R² of 0.999, with the HPC Forward X Vibration variable achieving the best performance (R²=0.9999). The results confirm the suitability of Ridge Regression, combined with appropriate feature engineering, for describing the behaviour of industrial time series.
The thesis demonstrates that combining open-source IIoT technologies with machine learning techniques can constitute a cost-effective and technically feasible predictive maintenance solution, with direct applicability to real energy and industrial facilities.