Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.14279/35075
Title: An Integrated Predictive Maintenance system for smart ports
Authors: Χατζησάββα, Φώτης 
Keywords: Προγνωστική Συντήρηση;Μηχανική Μάθηση
Advisor: Loizou, Christos P.
Michaelides, Michalis P.
Issue Date: May-2025
Department: Department of Electrical Engineering, Computer Engineering and Informatics
Faculty: Faculty of Engineering and Technology
Abstract: Η παρούσα πτυχιακή εργασία εστιάζει στην εφαρμογή των τεχνολογιών Internet of Things – IoT για την υλοποίηση ενός συστήματος Προγνωστικής Συντήρησης (Predictive Maintenance – PdM) σε λιμενικές εγκαταστάσεις, με επίκεντρο τον Σταθμό Εμπορευματοκιβωτίων της εταιρείας EUROGATE, ο οποίος βρίσκεται στο λιμάνι της Λεμεσού. Σκοπός της εργασίας είναι η διερεύνηση και επίδειξη του τρόπου με τον οποίο η αξιοποίηση αισθητήρων σε κινητά λιμενικά μηχανήματα και πιο συγκεκριμένα σε γερανούς τύπου Straddle Carrier μπορεί να συμβάλει ουσιαστικά στην έγκαιρη πρόβλεψη πιθανών τεχνικών βλαβών. Αυτή η προσέγγιση έχει ως απώτερο στόχο τη μείωση του χρόνου αδράνειας των μηχανημάτων, την αποτροπή ανεπιθύμητων διακοπών στην λειτουργία τους και την σημαντική μείωση του κόστους συντήρησης. Στο πλαίσιο της μελέτης, έγινε εγκατάσταση ενός ολοκληρωμένου συστήματος συλλογής δεδομένων με χρήση αισθητήρων οι οποίοι τοποθετήθηκαν σε κρίσιμα σημεία των γερανών. Η ανάλυση των δεδομένων αυτών πραγματοποιήθηκε με τη χρήση προηγμένων μεθόδων μηχανικής μάθησης (machine learning) και βαθιάς μάθησης (deep learning), με στόχο την ανάπτυξη μοντέλων που μπορούν να ανιχνεύσουν πρόωρα ανωμαλίες ή ασυνήθιστες συμπεριφορές.Μέσω της εκπαίδευσης των μοντέλων σε ιστορικά δεδομένα, το σύστημα «εκπαιδεύτηκε» να αναγνωρίζει μοτίβα και συσχετισμούς που υποδηλώνουν μελλοντικές βλάβες ή φθορές στον εξοπλισμό, παρέχοντας έτσι προειδοποιήσεις στους χειριστές προτού συμβεί η πραγματική αστοχία. Η παρούσα εργασία εντάσσεται στο πλαίσιο του ευρωπαϊκού ερευνητικού προγράμματος aerOS (HORIZON 2022–2025), το οποίο χρηματοδοτείται από την Ευρωπαϊκή Ένωση και στοχεύει στην ανάπτυξη προηγμένων υποδομών λογισμικού και λύσεων για το Edge Computing, την τεχνητή νοημοσύνη και την ενσωμάτωση κυβερνοφυσικών συστημάτων στον χώρο της ναυτιλιακής και λιμενικής βιομηχανίας. Μέσα από τη συνεργασία μεταξύ ακαδημαϊκών ιδρυμάτων, ερευνητικών κέντρων και φορέων της βιομηχανίας το πρόγραμμα προωθεί την ψηφιοποίηση των θαλάσσιων υποδομών. Το τελικό αποτέλεσμα της παρούσας πτυχιακής εργασίας είναι η ανάπτυξη ενός λειτουργικού και επεκτάσιμου συστήματος προγνωστικής συντήρησης, το οποίο μπορεί να εφαρμοστεί σε πραγματικές επιχειρησιακές συνθήκες. Το σύστημα αυτό δύναται να προσαρμοστεί και να υιοθετηθεί από άλλες λιμενικές εγκαταστάσεις, προσφέροντας σημαντικά επιχειρησιακά πλεονεκτήματα.
Description: This thesis explores the practical implementation of Internet of Things (IoT) technologies for Predictive Maintenance (PdM) in port environments, using the EUROGATE Container Terminal at the Port of Limassol as a case study. The primary aim is to demonstrate how sensor-equipped Straddle Carrier cranes can facilitate the early detection of potential failures, thereby minimizing equipment downtime and reducing maintenance costs. Critical operational data were collected through strategically installed sensors and analyzed using machine learning and deep learning algorithms. The system was trained to recognize patterns and correlations that indicate abnormal behavior or impending malfunction, enabling preemptive action by operators. The study is conducted within the framework of the European research project aerOS (HORIZON 2022–2025), which promotes the collaboration between academia and the maritime industry for the development of intelligent maritime infrastructures. The resulting PdM system is not only functional under real-world conditions but also scalable and adaptable to other port facilities, offering significant operational and economic advantages.
URI: https://hdl.handle.net/20.500.14279/35075
Rights: Attribution-NonCommercial-NoDerivatives 4.0 International
Type: Bachelors Thesis
Affiliation: Cyprus University of Technology 
Appears in Collections:Πτυχιακές Εργασίες/ Bachelor's Degree Theses

Files in This Item:
File Description SizeFormat
fotis_Hadjisavva_BSC_2025_abstract.pdfabstract207.98 kBAdobe PDFView/Open
CORE Recommender
Show full item record

Page view(s)

57
Last Week
3
Last month
8
checked on Jan 13, 2026

Download(s)

18
checked on Jan 13, 2026

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons