Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız: http://elartu.tntu.edu.ua/handle/lib/47167
Tüm üstveri kaydı
Dublin Core AlanıDeğerDil
dc.contributor.advisorДідич, Ірина Степанівна-
dc.contributor.advisorDidych, Iryna-
dc.contributor.authorВасилишин, Ярослав Григорович-
dc.contributor.authorVasylyshyn, Yaroslav-
dc.date.accessioned2025-01-04T10:20:35Z-
dc.date.available2025-01-04T10:20:35Z-
dc.date.issued2024-12-23-
dc.identifier.citationВасилишин 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.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/47167-
dc.descriptionРоботу 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. 403uk_UA
dc.description.abstractВ 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.uk_UA
dc.description.tableofcontentsВСТУП 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 76uk_UA
dc.language.isoukuk_UA
dc.publisherТНТУ, Тернопільuk_UA
dc.subject174 "Автоматизація, комп’ютерно-інтегровані технології та робототехніка"uk_UA
dc.subjectавтоматизація та комп’ютерно-інтегровані технологіїuk_UA
dc.subjectконтролерuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectкеруванняuk_UA
dc.subjectнасосиuk_UA
dc.subjectдренажuk_UA
dc.subjectcontrolleruk_UA
dc.subjectpumpsuk_UA
dc.subjectdrainageuk_UA
dc.subjectmachine learninguk_UA
dc.subjectcontroluk_UA
dc.titleРозроблення та дослідження автоматизованої системи керування дренажними насосами для відкачування водиuk_UA
dc.title.alternativeDevelopment and research of an automated control system for drainage pumps for water extractionuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Василишин Я.Г., 2024uk_UA
dc.contributor.committeeMemberМарущак, Павло Орестович-
dc.contributor.committeeMemberMarushchak, Pavlo-
dc.coverage.placenameТернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра комп’ютерно-інтегрованих технологійuk_UA
dc.format.pages81-
dc.subject.udc681.5uk_UA
thesis.degree.grantorЕК №22, 2024 р.-
dc.relation.references1. Lere om overvann. [Електронний ресурс] // NVE. – Режим доступу: https://www.nve.no/naturfare/laer-om-naturfare/laer-om-overvann/.– Дата доступу: 15.10.2024.uk_UA
dc.relation.references2. 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.uk_UA
dc.relation.references3. 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.uk_UA
dc.relation.references4. Lærebok Drenering og håndtering av overvann [Текст] / Statens vegvesen. – 2018.uk_UA
dc.relation.references5. 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.uk_UA
dc.relation.references6. Kartverket, Hoydedata. [Електронний ресурс] // Hoydedata. – Режим доступу: https://hoydedata.no/LaserInnsyn2/.– Дата доступу: 20.10.2024.uk_UA
dc.relation.references7. Docker, Develop faster. run anywhere. [Електронний ресурс] // Docker. – Режим доступу: https://www.docker.com/.– Дата доступу: 20.10.2024.uk_UA
dc.relation.references8. Influxdata, It’s about time. build on influxdb. [Електронний ресурс] // Influxdata. – Режим доступу: https://www.influxdata.com/.– Дата доступу: 20.10.2024.uk_UA
dc.relation.references9. Grafana, Grafanalabs. [Електронний ресурс] // Grafana. – Режим доступу: https://grafana.com/.– Дата доступу: 25.10.2024.uk_UA
dc.relation.references10. SeNorge, Senorge.no.[Електронний ресурс] // SeNorge. – Режим доступу: https://www.senorge.no/.– Дата доступу: 25.10.2024.uk_UA
dc.relation.references11. Pandas, Pandas. [Електронний ресурс] // Pandas. – Режим доступу: https://pandas.pydata.org/.– Дата доступу: 25.10.2024.uk_UA
dc.relation.references12. 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.uk_UA
dc.relation.references13. Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition [Текст] / A. Géron. – O’Reilly Media, Inc, 2022. – ISBN: 9781098125967.uk_UA
dc.relation.references14. IBM, What are recurrent neural networks? [Електронний ресурс] // IBM. – Режим доступу: https://www.ibm.com/topics/recurrent-neural-networks.– Дата доступу: 30.10.2024.uk_UA
dc.relation.references15. 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.uk_UA
dc.relation.references16. Hochreiter, J. S. Long short-term memory [Текст] / J. S. Hochreiter. – 1997.uk_UA
dc.relation.references17. 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.uk_UA
dc.relation.references18. 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.uk_UA
dc.relation.references19. 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.uk_UA
dc.relation.references20. Glorot, Y. B., Bordes, A. Deep sparse rectifier neural networks [Текст] / Y. B. Glorot, A. Bordes.uk_UA
dc.relation.references21. Vaswani, A., Shazeer, N., Parmar, N. et al. Attention is all you need [Текст] / A. Vaswani, N. Shazeer, N. Parmar et al. – 2017.uk_UA
dc.relation.references22. Bahdanau, Y. B., Cho, K. Neural machine translation by jointly learning to align and translate [Текст] / Y. B. Bahdanau, K. Cho. – 2015.uk_UA
dc.relation.references23. 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.uk_UA
dc.relation.references24. 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.uk_UA
dc.relation.references25. 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.uk_UA
dc.relation.references26. 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.uk_UA
dc.relation.references27. Flask, Flask. [Електронний ресурс] // Flask. – Режим доступу: https://flask.palletsprojects.com/en/2.3.x/.– Дата доступу: 11.05.2024.uk_UA
dc.relation.references28. 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.uk_UA
dc.relation.references29. 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.uk_UA
dc.relation.references30. Микитишин А.Г., Митник, П.Д. Стухляк. Комплексна безпека інформаційних мережевих систем: навчальний посібник – Тернопіль: Вид-во ТНТУ імені Івана Пулюя, 2016. – 256 с.uk_UA
dc.relation.references31. 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.uk_UA
dc.relation.references32. 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.uk_UA
dc.relation.references33. 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.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологійuk_UA
dc.coverage.countryUAuk_UA
Koleksiyonlarda Görünür:151 — автоматизація та комп’ютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка

Bu öğenin dosyaları:
Dosya Açıklama BoyutBiçim 
KRM_Vasylyshyn_Y_2024.pdfКваліфікаційна робота магістра3,15 MBAdobe PDFGöster/Aç


DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.

Yönetim Araçları