Använd denna länk för att citera eller länka till detta dokument:
http://elartu.tntu.edu.ua/handle/lib/47202| Назва: | Інтеграція алгоритмів машинного навчання для процесів автоматизованого керування в промислових системах |
| Інші назви: | Integration of machine learning algorithms for optimizing automated control processes in industrial systems |
| Автори: | Ясіновський, Павло Андрійович Yasinovskyi, Pavlo |
| Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологій |
| Бібліографічний опис: | Ясіновський П. А. Інтеграція алгоритмів машинного навчання для процесів автоматизованого керування в промислових системах : робота на здобуття кваліфікаційного ступеня магістра : спец. 174 - автоматизація, комп’ютерно-інтегровані технології та робототехніка / наук. кер. І. С. Дідич. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 83 с. |
| Дата публікації: | 24-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: | Дмитрів, Олена Романівна Dmytriv, Olena |
| УДК: | 004.03.8 |
| Теми: | 174 "Автоматизація, комп’ютерно-інтегровані технології та робототехніка" автоматизація та комп’ютерно-інтегровані технології алгоритми машинного навчання швидкість росту втомної тріщини нейронні мережі випадкові ліси підсилені дерева метод к-найближчих сусідів метод опорно-векторних машин діаграма втомного руйнування machine learning algorithms fatigue crack growth rate neural networks random forests reinforced trees k-nearest neighbors method support vector machine method fatigue failure diagram |
| Кількість сторінок: | 83 |
| Короткий огляд (реферат): | Ясіновський П.А. – Інтеграція алгоритмів машинного навчання для оптимізації процесів автоматизованого керування в промислових системах. 174 – «Автоматизація, комп’ютерно-інтегровані технології та робототехніка» – Тернопільський національний технічний університет імені Івана Пулюя. – Тернопіль, 2024. Кваліфікаційна робота присвячена моделюванню діаграм втомного руйнування різними методами машинного навчання, а саме, нейронними мережами, підсиленими деревами, випадковими лісами, опорно-векторними машинами, k-найближчими сусідами Yasinovskyi P.A. – Integration of machine learning algorithms for optimizing automated control processes in industrial systems. 174 - “Automation, computer-integrated technologies and robotics” - Ternopil Ivan Puluj National Technical University. - Ternopil, 2024. The qualification work is devoted to the modeling of fatigue failure diagrams by various machine learning methods, namely, neural networks, boosted trees, random forests, support-vector machines, k-nearest neighbors. |
| Опис: | Роботу виконано на кафедрі комп’ютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. Захист відбудеться 24 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 10 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 12 1.1 Аналіз існуючих методів автоматизованого керування в промислових системах 12 1.2 Аналіз алгоритмів машинного навчання 23 1.3 Вибір методів для інтеграції в автоматизовані системи 32 1.4 Стан та проблеми реалізації існуючих методів 35 РОЗДІЛ 2. ТЕХНОЛОГІЧНА ЧАСТИНА 39 2.1 Кінетична діаграма втомного руйнування матеріалів 39 2.2 Інтеграція алгоритмів МН у промислові процеси 42 2.3 Побудова бази даних для навчання моделей 44 РОЗДІЛ 3. КОНСТРУКТОРСЬКА ЧАСТИНА 46 3.1 Проєктування архітектури автоматизованої системи з інтегрованими алгоритмами машинного навчання 46 3.2 Вибір програмного забезпечення 48 3.3 Моделювання та симуляція процесів керування 49 РОЗДІЛ 4. НАУКОВО-ДОСЛІДНА ЧАСТИНА 53 4.1 Використання експериментальних даних діаграм втомного руйнування алюмінієвого сплаву 53 4.2 Навчання моделей нейронних мереж, випадкових лісів, підсилених дерев, опорно-векторних машин і k-найближчих сусідів 55 4.3 Оцінка точності алгоритмів машинного навчання 61 4.4 Порівняння результатів та вибір оптимального підходу машинного навчання 63 РОЗДІЛ 5. СПЕЦІАЛЬНА ЧАСТИНА 66 5.1 Особливості застосування нейронних мереж у промислових системах 66 5.2 Застосування підсилених дерев та випадкових лісів для підвищення точності прогнозування 71 РОЗДІЛ 6. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 73 6.1 Опис негативних впливів виробничого середовища 73 6.2 Організація безпечної роботи з персональним комп'ютером 75 ВИСНОВКИ 80 ПЕРЕЛІК ДЖЕРЕЛ 82 ДОДАТКИ |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/47202 |
| Власник авторського права: | © Ясіновський П.А., 2024 |
| Перелік літератури: | 1. Frank D. Petruzella. Programmable Logic Controllers, Published by McGraw-Hill Education, 2 Penn Plaza, New York, NY 10121. Copyright © 2017 by McGraw-Hill 2. Nise, Norman S. Control systems engineering / Norman S. Nise, California State Polytechnic University, Pomona. —Seventh edition. 3. McCrady S. G. Designing SCADA application software: A practical approach – Amsterdam, Singapore: Elsevier Science, 2013, 227 pages. 4. Haykin, S., 2009 “Neural Networks and Learning Machines”, Third Edition, McMaster University, Hamilton, Ontario, Canada, 938 p. 5. Шаховська Н.Б., Камінський Р.М., Вовк О.Б. Системи штучного інтелекту: навч. посібник. Львів: Видавництво Львівської політехніки, 2018. 392 p. 6. Alpayndin E. Introduction to Machine Learning // The Knowledge Engineering Review. 2010. Vol. 25, № 3. P. 353–353. 7. Mitchell T.M. Machine learning. London: McGraw-Hill Science/Engineering/Math, 1997. 8. Wasserman Ph.D. Neural Computing: Theory and Practice. New York: Coriolis Group (Sd), 1989. 9. Smola A., Vishwanathan S.V.N. Introduction to Machine Learning. Cambridge University Press, 2010. 10. Kuna M. Finite Elements in Fracture Mechanics: Theory-Numerics-Applications. Springer, 2013. 446 p. 11. Варфоломеев І.В., Ясній.О.П. Моделювання руйнування імовірнісними методами елементів конструкцій з тріщинами // Фіз.-хім. механіка матеріалів. 2008. Vol. 44, № 1. P. 76–83. 12. Ясній О.П., Собчак.А.Р., Ясній В.П. Оцінювання ймовірності руйнування колектора пароперегрівника // Фіз.-хім. механіка матеріалів. 2014. Vol. 50, № 3. P. 63–68. 13. Paris P.C. The growth of fatigue cracks due to variations in load : Ph.D.Thesis. Lehight University, 1962. 263 p. 14. Pidaparti R.M.V., Palakal M.J. Neural network approach to fatigue-crack-growth predictions under aircraft spectrum loadings // J Aircr. 1995. Vol. 32, № 4. P. 825–831. 15. Mohanty J.R. et al. Application of artificial neural network for predicting fatigue crack propagation life of aluminum alloys // Archives of Computational Materials Science and Surface Engineering. 2009. Vol. 1, № 3. P. 133–138. 16. O. Yasniy, I. Didych, Yu. Lapusta: Prediction of fatigue crack growth diagrams by methods of machine learning under constant amplitude loading, Acta Metallurgica Slovaca, 26(1), 2020, 31 - 33. 17. Yasniy, O., Mytnyk, M., Maruschak, P., Mykytyshyn, A., & Didych, I., 2024 “Machine learning methods as applied to modelling thermal conductivity of epoxy-based composites with different fillers for aircraft,” Aviation, 28(2), pp. 64-71. 18. Ясній О.П. et al. Прогнозування діаграм втомного руйнування алюмінієвого сплаву Д16Т методами машинного навчання // Фізико-хімічна механіка матеріалів. 2018. Vol. 54, № 3. P. 43–48. 19. Ясній П., Пиндус Ю., Фостик В. Вплив асиметрії циклу навантаження на характеристики циклічної тріщиностійкості алюмінієвого сплаву Д16Т // Вісник Тернопільськ. держ. техн. ун-ту. 2007. Vol. 12, № 1. P. 7–12. 20. Didych I. et al. Evaluation of structural elements lifetime by neural network // Acta Metallurgica Slovaca. 2018. Vol. 24, № 1. P. 82–87. |
| 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_Yasinovskyi_P _2024.pdf | Кваліфікаційна робота магістра | 3,36 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Administrativa verktyg