Intelligent decision-making and optimization models for complex and dynamic environments utilizing artificial intelligence

Abstract

The growing diversification and complexity of home environments enabled by the increasing use of Internet of Things (IoT) technologies and smart home appliances brings its own set of challenges for reliability, energy, and sustainability. Traditional maintenance strategies including corrective, preventive, and even predictive remain insufficient for addressing the constraints of home settings, where appliances often operate under heterogeneous usage patterns, limited sensing capabilities, and scarce labeled data. Within this context, prescriptive maintenance (PsM) emerges as a promising paradigm, offering not only the anticipation of failures but also actionable, context-aware interventions that optimize device performance and minimize energy waste. This thesis presents the development and validation of an holistic framework for prescriptive maintenance in smart homes. The first step taken in the research was to develop a simulation methodology to create synthetic anomalies, meaning allowing for realistic representation of faults on many different appliances, including refrigerators, washing machines, dryers, dishwashers, and water heaters. This tackles the problem of the lack of publicly available datasets with labelled anomalies, providing a strong foundation to build and evaluate anomaly detection models. Then, lightweight and resource-efficient architectures are developed with AE-LSTM and AE-CNN-MAML approaches that have demonstrated able to give accurate anomaly detection on resource-constrained edge devices. These methods have been shown to provide high performance, while maintaining low computational and energy overhead, thus ensuring practical deployment in embedded environments. The thesis also provides advance operational phase detection methods for both constantly-on and program-based appliances, achieving reliable phase segmentation that serves as the basis for contextualized anomaly interpretation and targeted prescriptions. The models utilize dynamic anomaly thresholding, meta-learning, and adaptive retraining methods, which produce excellent resilience to data sparsity, changing fault patterns, and data variability.To consolidate these innovations, two integrated frameworks are proposed. The INFORM framework brings together anomaly detection, operational phase modeling, and prescriptive decision-making into a unified system that transitions from awareness to action. Complementing this, the GUIDE framework introduces behavioral modeling and large language models (LLMs), translating technical prescriptions into accessible, personalized recommendations for households. Together, these frameworks validate the feasibility of real-time, adaptive, and user-centric prescriptive maintenance in residential environments. The results provide evidence that prescriptive maintenance can be realized in a practical context under conditions where data is sparse and use heterogeneous devices. Beyond technical advances, the research demonstrates broader societal and environmental benefits, including reductions in invisible energy waste, extended appliance lifespan, and contributions to sustainability goals. From an academic perspective, the research expands the pool of knowledge relating to anomaly detection, meta-learning, and decision-making for intelligent residential systems. From a practical standpoint, it offers scalable solutions for next-generation smart homes, laying the groundwork for future developments in energy-aware living and sustainable digital ecosystems.

Η συνεχώς αυξανόμενη ποικιλομορφία και πολυπλοκότητα των σύγχρονων οικιακών περιβαλλόντων, που ενισχύεται από τη ραγδαία διείσδυση τεχνολογιών Διαδικτύου των Πραγμάτων (Internet of Things - IoT) και έξυπνων οικιακών συσκευών, δημιουργεί νέες απαιτήσεις σε επίπεδο αξιοπιστίας, ενεργειακής αποδοτικότητας και βιωσιμότητας. Ωστόσο, οι κλασικές στρατηγικές συντήρησης, διορθωτική, προληπτική και ακόμη και προγνωστική δεν επαρκούν για τα ιδιαίτερα χαρακτηριστικά του οικιακού πλαισίου, όπου οι συσκευές λειτουργούν με ετερογενή πρότυπα χρήσης, περιορισμένες δυνατότητες αισθητήρων και ελάχιστα επισημασμένα δεδομένα. Σε αυτό το περιβάλλον, η καθοδηγητική συντήρηση (Prescriptive Maintenance - PsM) αναδεικνύεται ως μια ιδιαίτερα υποσχόμενη προσέγγιση καθώς δεν περιορίζεται στην πρόβλεψη πιθανών αστοχιών, αλλά προτείνει στοχευμένες και εφαρμόσιμες παρεμβάσεις, προσαρμοσμένες στο εκάστοτε πλαίσιο λειτουργίας, με σκοπό τη βελτιστοποίηση της απόδοσης των συσκευών και τη μείωση της άσκοπης ενεργειακής σπατάλης. Η παρούσα διδακτορική διατριβή παρουσιάζει την ανάπτυξη και την πειραματική τεκμηρίωση ενός ολιστικού πλαισίου καθοδηγητικής συντήρησης για έξυπνες κατοικίες. Αφετηρία της έρευνας αποτελεί η ανάπτυξη μιας μεθοδολογίας προσομοίωσης για τη δημιουργία συνθετικών ανωμαλιών, με στόχο τη ρεαλιστική αναπαράσταση βλαβών σε διάφορες οικιακές συσκευές, όπως ψυγεία, πλυντήρια, στεγνωτήρια, πλυντήρια πιάτων και θερμοσίφωνες. Η προσέγγιση αυτή αντιμετωπίζει την έλλειψη δημόσια διαθέσιμων συνόλων δεδομένων με επισημασμένες ανωμαλίες, παρέχοντας μια ισχυρή βάση για την ανάπτυξη και αξιολόγηση μοντέλων ανίχνευσης ανωμαλιών. Στη συνέχεια, προτείνονται αποδοτικές αρχιτεκτονικές, μέσω των προσεγγίσεων AE-LSTM και AE-CNN-MAML, οι οποίες επιτυγχάνουν ακριβή ανίχνευση ανωμαλιών σε edge συσκευές με περιορισμένους υπολογιστικούς πόρους. Τα προτεινόμενα μοντέλα διατηρούν υψηλή επίδοση, ενώ παράλληλα περιορίζουν το υπολογιστικό και ενεργειακό κόστος, διευκολύνοντας την πρακτική εφαρμογή τους σε ενσωματωμένα περιβάλλοντα. Επιπλέον, η διατριβή εισάγει προηγμένες μεθόδους ανίχνευσης λειτουργικών φάσεων τόσο για συσκευές συνεχούς λειτουργίας όσο και για συσκευές που λειτουργούν βάσει προγραμμάτων. Η αξιόπιστη τμηματοποίηση των φάσεων αποτελεί κρίσιμο υπόβαθρο για την ερμηνεία των ανωμαλιών με βάση το λειτουργικό πλαίσιο και, κατ’ επέκταση, για την εφαρμογή στοχευμένων ενεργειών. Για τον σκοπό αυτό, αξιοποιούνται τεχνικές δυναμικής προσαρμογής κατωφλίων ανωμαλίας, μετα-μάθησης και προσαρμοστικής επανεκπαίδευσης, οι οποίες προσδίδουν ανθεκτικότητα σε συνθήκες σπανιότητας δεδομένων, μεταβαλλόμενων προτύπων βλαβών και αυξημένης μεταβλητότητας. Για την ενοποίηση των παραπάνω συνιστωσών προτείνονται δύο ολοκληρωμένα πλαίσια. Το πλαίσιο INFORM ενοποιεί την ανίχνευση ανωμαλιών, τη μοντελοποίηση λειτουργικών φάσεων και τη λήψη αποφάσεων σε ένα ενιαίο σύστημα, επιτρέποντας τη μετάβαση από την απλή επίγνωση στην άμεση δράση. Συμπληρωματικά, το πλαίσιο GUIDE ενσωματώνει μοντελοποίηση συμπεριφοράς και Μεγάλα Γλωσσικά Μοντέλα (Large Language Models - LLMs), μετασχηματίζοντας τις τεχνικές προδιαγραφές σε κατανοητές, πρακτικές και εξατομικευμένες συστάσεις για τα νοικοκυριά. Σε συνδυασμό, τα δύο πλαίσια τεκμηριώνουν τη δυνατότητα υλοποίησης καθοδηγητικής συντήρησης σε πραγματικό χρόνο, με προσαρμοστικότητα και ανθρωποκεντρικό προσανατολισμό, σε οικιακά περιβάλλοντα. Τα αποτελέσματα καταδεικνύουν ότι η καθοδηγητική συντήρηση μπορεί να εφαρμοστεί αποτελεσματικά σε ρεαλιστικές συνθήκες, ακόμη και όταν τα δεδομένα είναι περιορισμένα και οι συσκευές ετερογενείς. Πέρα από τις τεχνικές συνεισφορές, η έρευνα αναδεικνύει και ευρύτερα κοινωνικά και περιβαλλοντικά οφέλη, όπως η μείωση της «αόρατης» ενεργειακής σπατάλης, η επιμήκυνση της διάρκειας ζωής των συσκευών και η υποστήριξη στόχων βιωσιμότητας. Σε ακαδημαϊκό επίπεδο, η διατριβή εμπλουτίζει το πεδίο της ανίχνευσης ανωμαλιών, της μετα-μάθησης και της λήψης αποφάσεων για ευφυή οικιακά συστήματα, ενώ σε πρακτικό επίπεδο προτείνει κλιμακούμενες λύσεις για την επόμενη γενιά έξυπνων κατοικιών, θέτοντας τη βάση για μελλοντικές εξελίξεις στην ενεργειακά ευαισθητοποιημένη διαβίωση και σε βιώσιμα ψηφιακά οικοσυστήματα.