Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/47167
Назва: | Розроблення та дослідження автоматизованої системи керування дренажними насосами для відкачування води |
Інші назви: | Development and research of an automated control system for drainage pumps for water extraction |
Автори: | Василишин, Ярослав Григорович Vasylyshyn, Yaroslav |
Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологій |
Бібліографічний опис: | Василишин Я. Г. Розроблення та дослідження автоматизованої системи керування дренажними насосами для відкачування води : робота на здобуття кваліфікаційного ступеня магістра : спец. 174 - автоматизація, комп’ютерно-інтегровані технології та робототехніка / наук. кер. І. C. Дідич. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 81 с. |
Дата публікації: | 23-гру-2024 |
Дата внесення: | 4-січ-2025 |
Видавництво: | ТНТУ, Тернопіль |
Країна (код): | UA |
Місце видання, проведення: | Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра комп’ютерно-інтегрованих технологій |
Установа захисту: | ЕК №22, 2024 р. |
Науковий керівник: | Дідич, Ірина Степанівна Didych, Iryna |
Члени комітету: | Марущак, Павло Орестович Marushchak, Pavlo |
УДК: | 681.5 |
Теми: | 174 "Автоматизація, комп’ютерно-інтегровані технології та робототехніка" автоматизація та комп’ютерно-інтегровані технології контролер машинне навчання керування насоси дренаж controller pumps drainage machine learning control |
Кількість сторінок: | 81 |
Короткий огляд (реферат): | В роботі створено та досліджено роботу системи керування дренажними насосами для відкачування надлишку води з використанням системи машинного навчання для моделювання припливу води. Пристрій IoT виконував свою функцію як HMI для насосів і як реєстратор. Пристрою IoT вдалося стабільно вести журнал і надати оператору достатньо інформації про стан насосів. Однак HMI не мав деяких функцій, які слід розглянути в подальшому. Вибрати найкращу модель машинного навчання було неможливо в поточному стані, оскільки в системі прогнозування притоку важливі велика набори даних. При тривалій експлуатації системи можливо буде більш якісно прогнозувати приплив води. Це дозволить зменшити тривалість роботи насосів за рахунок більш якісного забезпечення природнього стікання. До впровадження системи насоси працювали значно довше. The work created and investigated the operation of a drainage pump control system for pumping out excess water using a machine learning system for modeling water inflow. The IoT device performed its function as an HMI for pumps and as a recorder. The IoT device managed to stably keep a log and provide the operator with sufficient information about the status of the pumps. However, the HMI lacked some functions that should be considered in the future. It was impossible to choose the best machine learning model in its current state, since large data sets are important in the inflow forecasting system. With prolonged operation of the system, it will be possible to better predict the inflow of water. This will reduce the duration of pump operation by better ensuring natural drainage. Before the implementation of the system, the pumps worked much longer. |
Опис: | Роботу виконано на кафедрі комп’ютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. Захист відбудеться 23 грудня 2024 р. о 09 .00 годині на засіданні екзаменаційної комісії № 22 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул. Руська, 56, навчальний корпус №1, ауд. 403 |
Зміст: | ВСТУП 5 1. АНАЛІТИЧНА ЧАСТИНА 7 1.1 Сучасний стан спрощених моделей систем дренажу 8 1.2 Гнучкі автоматичні резервуарні сурогатні моделі 9 1.3 Основні параметри при створенні моделей дренажних систем для їх застосування 10 2 ТЕХНОЛОГІЧНА ЧАСТИНА 18 2.1. Аналіз роботи IoT і збір даних для машинного навчання 18 2.2 Обладнання 19 2.2.1 Перетворювач частоти PS220 19 2.2.2 Контролер 20 2.3 Програмне забезпечення 22 2.3.1 Стек програмного забезпечення 22 2.4 Людино-машинний інтерфейс (HMI) 25 3 КОСТРУКТОРСЬКА ЧАСТИНА 30 3.1 Збір даних 30 3.2 Попередня обробка даних 31 3.5 Прогнозування часових рядів за допомогою RNN 36 3.5.1 Довга короткочасна пам'ять (LSTM) 36 3.6 Прогнозування часових рядів за допомогою трансформаторів 38 3.7 Налаштування та перевірка машинного навчання 40 4 НАУКОВО-ДОСЛІДНА ЧАСТИНА 42 4.1 Результати аналізу даних 42 5 СПЕЦІАЛЬНА ЧАСТИНА 46 5.1 Прогнозування за допомогою машинного навчання 46 5.2 Налаштування LSTM та результати 48 5.3 Продуктивність моделі LSTM 51 5.4 Трансформери, тюнінг системи і отримані результати 53 5.5 Порівняння LSTM і Transformers 56 6 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 60 6.1 Вимоги охорони праці під час роботи з електроустаткуванням 60 6.2 Вимоги безпеки під час виконання робіт 65 6.3 Вимоги безпеки після закінчення робіт з ремонту та обслуговування електроустаткування 67 6.4 Розрахунок захисного заземлення 69 ВИСНОВКИ 75 ПЕРЕЛІК ПОСИЛАНЬ 76 |
URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/47167 |
Власник авторського права: | © Василишин Я.Г., 2024 |
Перелік літератури: | 1. Lere om overvann. [Електронний ресурс] // NVE. – Режим доступу: https://www.nve.no/naturfare/laer-om-naturfare/laer-om-overvann/.– Дата доступу: 15.10.2024. 2. NVE, Modul f2.304: Pumpeanlegg – prosjektering. [Електронний ресурс] // NVE. – Режим доступу: https://www.nve.no/moduler/modul-f2-304-pumpeanlegg-prosjektering/.– Дата доступу: 15.10.2024. 3. Mitamura, H., Fujie, M. Evolutionary transition of stormwater pump system in Tokyo [Текст] // Journal of disaster research. – 2021. – Vol. 16, No. 3. – P. 421–428. – ISSN: 1881-2473. 4. Lærebok Drenering og håndtering av overvann [Текст] / Statens vegvesen. – 2018. 5. Abrahamsen, E. B., Brastein, O. M., Lie, B. Machine learning in python for weather forecast based on freely available weather data [Текст] / E. B. Abrahamsen, O. M. Brastein, B. Lie. – 2018. – ISSN: 1650-3686. – Режим доступу: http://hdl.handle.net/11250/2581934. 6. Kartverket, Hoydedata. [Електронний ресурс] // Hoydedata. – Режим доступу: https://hoydedata.no/LaserInnsyn2/.– Дата доступу: 20.10.2024. 7. Docker, Develop faster. run anywhere. [Електронний ресурс] // Docker. – Режим доступу: https://www.docker.com/.– Дата доступу: 20.10.2024. 8. Influxdata, It’s about time. build on influxdb. [Електронний ресурс] // Influxdata. – Режим доступу: https://www.influxdata.com/.– Дата доступу: 20.10.2024. 9. Grafana, Grafanalabs. [Електронний ресурс] // Grafana. – Режим доступу: https://grafana.com/.– Дата доступу: 25.10.2024. 10. SeNorge, Senorge.no.[Електронний ресурс] // SeNorge. – Режим доступу: https://www.senorge.no/.– Дата доступу: 25.10.2024. 11. Pandas, Pandas. [Електронний ресурс] // Pandas. – Режим доступу: https://pandas.pydata.org/.– Дата доступу: 25.10.2024. 12. Brownlee, J. Time series forecasting as supervised learning. [Електронний ресурс] // Machine Learning Mastery. – Режим доступу: https://machinelearningmastery.com/time-series-forecasting-supervised-learning/.– Дата доступу: 30.10.2024. 13. Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition [Текст] / A. Géron. – O’Reilly Media, Inc, 2022. – ISBN: 9781098125967. 14. IBM, What are recurrent neural networks? [Електронний ресурс] // IBM. – Режим доступу: https://www.ibm.com/topics/recurrent-neural-networks.– Дата доступу: 30.10.2024. 15. Lendave, V. A tutorial on sequential machine learning. [Електронний ресурс] // Analytics India Mag. – Режим доступу: https://analyticsindiamag.com/a-tutorial-on-sequential-machine-learning/#:~:text=employing%20sequence%20modelling.-,What%20is%20Sequential%20Data%3F,stock%20price%20or%20sensor%20data. – Дата доступу: 30.10.2024. 16. Hochreiter, J. S. Long short-term memory [Текст] / J. S. Hochreiter. – 1997. 17. Gers, F. A., Schmidhuber, J., Cummins, F. Learning to forget: Continual prediction with LSTM [Текст] / F. A. Gers, J. Schmidhuber, F. Cummins. – Neural computation. – 2000. – Vol. 12, No. 10. – ISSN: 0899-7667. 18. Ingolfsson T. M. Insights into LSTM architecture. [Електронний ресурс] // Thorir Mar. – Режим доступу: https://thorirmar.com/post/insight_into_lstm/.– Дата доступу: 10.11.2024. 19. Brownlee J. A gentle introduction to dropout for regularizing deep neural networks. [Електронний ресурс] // Machine Learning Mastery. – Режим доступу: https://machinelearningmastery.com/dropout-for-regularizing-deep-neural-networks/.– Дата доступу: 10.11.2024. 20. Glorot, Y. B., Bordes, A. Deep sparse rectifier neural networks [Текст] / Y. B. Glorot, A. Bordes. 21. Vaswani, A., Shazeer, N., Parmar, N. et al. Attention is all you need [Текст] / A. Vaswani, N. Shazeer, N. Parmar et al. – 2017. 22. Bahdanau, Y. B., Cho, K. Neural machine translation by jointly learning to align and translate [Текст] / Y. B. Bahdanau, K. Cho. – 2015. 23. Simplilearn, What is epoch in machine learning? [Електронний ресурс] // Simplilearn. – Режим доступу: https://www.simplilearn.com/tutorials/machine-learning-tutorial/what-is-epoch-in-machine-learning#:~:text=An%20epoch%20is%20when%20all,dataset%20takes%20around%20an%20algorithm. – Дата доступу: 28.04.2024. 24. Brownlee, J. A gentle introduction to early stopping to avoid overtraining neural networks. [Електронний ресурс] // Machine Learning Mastery. – Режим доступу: https://machinelearningmastery.com/early-stopping-to-avoid-overtraining-neural-network-models/.– Дата доступу: 28.04.2024. 25. Wesner, J. MAE and RMSE — Which metric is better? [Електронний ресурс] // Medium. – Режим доступу: https://medium.com/human-in-a-machine-world/mae-and-rmse-which-metric-is-better-e60ac3bde13d.– Дата доступу: 07.05.2024. 26. Brownlee, J. What does stochastic mean in machine learning? [Електронний ресурс] // Machine Learning Mastery. – Режим доступу: https://machinelearningmastery.com/stochastic-in-machine-learning/.– Дата доступу: 28.04.2024. 27. Flask, Flask. [Електронний ресурс] // Flask. – Режим доступу: https://flask.palletsprojects.com/en/2.3.x/.– Дата доступу: 11.05.2024. 28. А.Г. Микитишин, М.М. Митник, П.Д. Стухляк, В.В. Пасічник Комп’ютерні мережі. Книга 1. [навчальний посібник] (Лист МОНУ №1/11-8052 від 28.05.12р.) - Львів, "Магнолія 2006", 2013. – 256 с. 29. А.Г. Микитишин, М.М. Митник, П.Д. Стухляк, В.В. Пасічник Комп’ютерні мережі. Книга 2. [навчальний посібник] (Лист МОНУ №1/11-11650 від 16.07.12р.) - Львів, "Магнолія 2006", 2014. – 312 с. 30. Микитишин А.Г., Митник, П.Д. Стухляк. Комплексна безпека інформаційних мережевих систем: навчальний посібник – Тернопіль: Вид-во ТНТУ імені Івана Пулюя, 2016. – 256 с. 31. Микитишин А.Г., Митник М.М., Стухляк П.Д. Телекомунікаційні системи та мережі : навчальний посібник для студентів спеціальності 151 «Автоматизація та комп’ютерно-інтегровані технології» – Тернопіль: Тернопільський національний технічний університет імені Івана Пулюя, 2017 – 384 с. 32. Введення в компютерну графіку та дизайн: Навчальний посібник для студентів спеціальності 174 "Автоматизація, компютерно-інтегровані технології та робототехніка"/Укладачі: О.В. Тотосько, П.Д. Стухляк, А.Г. Микитишин, В.В. Левицький, Р.З. Золотий - Тернопіль: ФОП Паляниця В.А., 2023 - 304с. http://elartu.tntu.edu.ua/handle/lib/41166. 33. Пилипець М. І. Правила заповнення основних форм технологічних документів : навч.-метод. посіб. / Уклад. Пилипець М. І., Ткаченко І. Г., Левкович М. Г., Васильків В. В., Радик Д. Л. Тернопіль : ТДТУ, 2009. 108 с. https://elartu.tntu.edu.ua/handle/lib/42995. |
Тип вмісту: | Master Thesis |
Розташовується у зібраннях: | 151 — автоматизація та комп’ютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка |
Файли цього матеріалу:
Файл | Опис | Розмір | Формат | |
---|---|---|---|---|
KRM_Vasylyshyn_Y_2024.pdf | Кваліфікаційна робота магістра | 3,15 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора