Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει τη συγκριτική εφαρμογή παραδοσιακών μεθόδων Στατιστικού Ελέγχου Διεργασιών (Statistical Process Control – SPC) και μεθόδων Μηχανικής Μάθησης (Machine Learning – ML) στη Διαχείριση Ποιότητας, με εφαρμογή σε πραγματικά δεδομένα ηλεκτρικού ελέγχου φωτιστικών σωμάτων LED. Η βασική στόχευση της εργασίας είναι να διερευνήσει κατά πόσο οι προσεγγίσεις ML-SPC μπορούν να λειτουργήσουν συμπληρωματικά, παρέχοντας πρόσθετη πληροφορία για τη συμπεριφορά των διεργασιών.

Η εργασία βασίζεται σε εφαρμοσμένη μελέτη περίπτωσης και ακολουθεί ποσοτική αναλυτική προσέγγιση. Τα δεδομένα προέρχονται από τελικό ηλεκτρικό έλεγχο προϊόντων και περιλαμβάνουν ηλεκτρικές μετρήσεις, πληροφορίες ταυτοποίησης και τεχνικής διαμόρφωσης, καθώς και τελικό αποτέλεσμα ελέγχου. Λόγω της ύπαρξης διαφορετικών οικογενειών προϊόντων, ονομαστικών ισχύων και τεχνικών διαμορφώσεων, οι απόλυτες τιμές των μετρήσεων δεν είναι άμεσα συγκρίσιμες. Για τον λόγο αυτό, οι κρίσιμες μεταβλητές μετασχηματίστηκαν σε σχετικές αποκλίσεις από τις αντίστοιχες ονομαστικές τιμές.

Στο κομμάτι του Στατιστικού Ελέγχου Διεργασιών εφαρμόστηκαν διαγράμματα ατομικών τιμών και κινούμενου εύρους (I-MR) και διαγράμματα εκθετικά σταθμισμένου κινητού μέσου όρου (EWMA). Στο σκέλος της Μηχανικής Μάθησης εφαρμόστηκαν και συγκρίθηκαν μέθοδοι επιβλεπόμενης μάθησης (Supervised Learning) και μη επιβλεπόμενης μάθησης (Unsupervised Learning), όπως Ανάλυση Κύριων Συνιστωσών (PCA), ομαδοποίηση (Clustering), και Δάσος Απομόνωσης (Isolation Forest).

Τα αποτελέσματα κατέδειξαν ότι το ηλεκτρικό αποτύπωμα των προϊόντων περιέχει πληροφορία που μπορεί να αξιοποιηθεί για την αναγνώριση τεχνικών διαμορφώσεων και την ανίχνευση ασυνήθιστων ηλεκτρικών προτύπων. Παράλληλα, η χαμηλή επικάλυψη μεταξύ σημάτων SPC και ενδείξεων αποκλίσεων ML (Anomaly flags) υποστηρίζει τη λογική της συμπληρωματικότητας. Συνολικά, οι αλγόριθμοι Μηχανικής Μάθησης αξιολογούνται ως πιθανή επέκταση των συστημάτων που υιοθετούν τις αρχές του SPC και όχι ως άμεση αντικατάστασή τους.

This work examines the comparative application of traditional Statistical Process Control (SPC) methods and Machine Learning (ML) algorithms in Quality Management, using real industrial testing data from LED luminaires. The main objective of the study is to investigate whether ML-SPC approaches can operate supportively, providing additional information regarding process behaviour. The dissertation is based on an applied case study and follows a quantitative analytical approach. The data originate from finished product testing and include electrical measurements, product identification and technical configuration information, as well as the final test result (Pass/No Pass). Due to the existence of different product families, nominal power levels and technical configurations, the absolute measurement values are not directly comparable. Hence, the critical variables were transformed into relative deviations from their corresponding nominal values. In the SPC part of the analysis, Individuals–Moving Range Charts (I-MR) and Exponentially Weighted Moving Average Charts (EWMA) were applied. In the Machine Learning part, both Supervised Classification and Unsupervised Learning methods were used, such as Principal Component Analysis (PCA), Clustering, and Isolation Forests. The results showed that the unique electrical fingerprint of the products contains information that can be used for the recognition of technical configurations and the detection of unusual electrical patterns. At the same time, the limited overlap between SPC alarms and ML anomaly flags supports the logic of complementarity between the two approaches. Overall, Machine Learning algorithms are evaluated as a potential extension of systems that adopt the principles of SPC, and not as a direct replacement for them.