1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 151 — автоматизація та комп’ютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка
Utilizza questo identificativo per citare o creare un link a questo documento: http://elartu.tntu.edu.ua/handle/lib/47203
Record completo di tutti i metadati
Campo DCValoreLingua
dc.contributor.advisorМикитишин, Андрій Григорович-
dc.contributor.advisorMykytyshyn, Andriy-
dc.contributor.authorЯцишин, Роман Ігорович-
dc.contributor.authorYatsyshyn, Roman-
dc.date.accessioned2025-01-04T20:19:33Z-
dc.date.available2025-01-04T20:19:33Z-
dc.date.issued2024-12-24-
dc.identifier.citationЯцишин Р. І. Застосування методів машинного навчання для класифікації даних в комп’ютеризованих системах керування технологічними процесами : робота на здобуття кваліфікаційного ступеня магістра : спец. 174 - автоматизація, комп’ютерно-інтегровані технології та робототехніка / наук. кер. А. Г. Микитишин. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 75 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/47203-
dc.descriptionРоботу 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. 403uk_UA
dc.description.abstractЯцишин Р.І. – Застосування методів машинного навчання для класифікації даних в комп’ютеризованих системах керування технологічними процесами. 174 – «Автоматизація, комп’ютерно-інтегровані технології та робототехніка» – Тернопільський національний технічний університет імені Івана Пулюя. – Тернопіль, 2024. Кваліфікаційна робота присвячена застосуванню методів машинного навчання в комп’ютеризованих системах керування технологічними процесами, котрі відкривають нові можливості для оптимізації виробничих процесів, покращення контролю якості, прогнозування несправностей та зменшення витрат. Yatsyshyn R.І. – Application of machine learning methods for data classification in computerized control systems for technological processes. 174 - “Automation, computer-integrated technologies and robotics” - Ternopil Ivan Puluj National Technical University. - Ternopil, 2024. The qualification work is devoted to the application of machine learning methods in computerized process control systems, which open up new opportunities for optimizing production processes, improving quality control, predicting faults, and reducing costs.uk_UA
dc.description.tableofcontentsВСТУП 10 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 12 1.1 Огляд комп’ютеризованих систем керування технологічними процесами 12 1.2 Основні задачі класифікації даних у технологічних процесах 16 1.3 Сучасні методи машинного навчання для задач класифікації 17 1.4 Особливості застосування нейронних мереж, випадкових лісів, підсилених дерев 26 РОЗДІЛ 2. ТЕХНОЛОГІЧНА ЧАСТИНА 28 2.1 Огляд характеристик діаграм втомного руйнування алюмінієвого сплаву 28 2.2 Постановка задачі класифікації типу навантаження за коефіцієнтом асиметрії R 32 2.3 Опис вхідних даних: параметри da/dN, K та R 34 2.4 Попередня обробка даних: нормалізація, масштабування, очистка 36 2.5 Вибір метрик для оцінки якості класифікації 38 РОЗДІЛ 3. КОНСТРУКТОРСЬКА ЧАСТИНА 41 3.1 Розробка архітектури комп’ютеризованої системи керування з інтеграцією методів МН 41 3.2 Вибір програмного забезпечення для інтеграції методів класифікації 43 3.3 Забезпечення надійності та продуктивності системи 46 РОЗДІЛ 4. НАУКОВО-ДОСЛІДНА ЧАСТИНА 48 4.1 Побудова моделей машинного навчання для класифікації 48 4.2 Аналіз впливу параметрів моделей на якість класифікації 53 4.3 Оцінка узгодженості результатів класифікації з експериментальними даними ДВР 56 РОЗДІЛ 5. СПЕЦІАЛЬНА ЧАСТИНА 58 5.1 Практична реалізація класифікації типу навантаження 58 5.2 Перевірка надійності та стійкості системи у різних режимах роботи 63 РОЗДІЛ 6. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 64 6.1 Характеристика шкідливих факторів виробничого середовища 64 6.2 Забезпечення безпеки життєдіяльності при роботі з ПК 66 ВИСНОВКИ 72 ПЕРЕЛІК ДЖЕРЕЛ 74 ДОДАТКИuk_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.subjectметоди машинного навчанняuk_UA
dc.subjectшвидкість рвтuk_UA
dc.subjectштучний інтелектuk_UA
dc.subjectкласифікаціяuk_UA
dc.subjectвипадкові лісиuk_UA
dc.subjectпідсилені дереваuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectасиметрій циклу навантажуванняuk_UA
dc.subjectдіаграма втомного руйнуванняuk_UA
dc.subjectmachine learning methodsuk_UA
dc.subjectclassificationuk_UA
dc.subjectartificial intelligenceuk_UA
dc.subjectboosted treesuk_UA
dc.subjectrandom forestsuk_UA
dc.subjectstress ratiouk_UA
dc.subjectneural networksuk_UA
dc.subjectfatigue crack growth diagramsuk_UA
dc.titleЗастосування методів машинного навчання для класифікації даних в комп’ютеризованих системах керування технологічними процесамиuk_UA
dc.title.alternativeApplication of machine learning methods for data classification in computerized control systems for technological processesuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Яцишин Р.І., 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.pages75-
dc.subject.udc004.03.8uk_UA
thesis.degree.grantorЕК №22, 2024 р.-
dc.relation.references1. McCrady S. G. Designing SCADA application software: A practical approach – Amsterdam, Singapore: Elsevier Science, 2013, 227 pages.uk_UA
dc.relation.references2. Frank D. Petruzella. Programmable Logic Controllers, Published by McGraw-Hill Education, 2 Penn Plaza, New York, NY 10121. Copyright © 2017 by McGraw-Hilluk_UA
dc.relation.references3. Haykin, S., 2009 “Neural Networks and Learning Machines”, Third Edition, McMaster University, Hamilton, Ontario, Canada, 938 p.uk_UA
dc.relation.references4. Шаховська Н.Б., Камінський Р.М., Вовк О.Б. Системи штучного інтелекту: навч. посібник. Львів: Видавництво Львівської політехніки, 2018. 392 p.uk_UA
dc.relation.references5. Alpayndin E. Introduction to Machine Learning // The Knowledge Engineering Review. 2010. Vol. 25, № 3. P. 353–353.uk_UA
dc.relation.references6. Mitchell T.M. Machine learning. London: McGraw-Hill Science/Engineering/Math, 1997.uk_UA
dc.relation.references7. Wasserman Ph.D. Neural Computing: Theory and Practice. New York: Coriolis Group (Sd), 1989.uk_UA
dc.relation.references8. Smola A., Vishwanathan S.V.N. Introduction to Machine Learning. Cambridge University Press, 2010.uk_UA
dc.relation.references9. Kuna M. Finite Elements in Fracture Mechanics: Theory-Numerics-Applications. Springer, 2013. 446 p.uk_UA
dc.relation.references10. 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.uk_UA
dc.relation.references11. 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.uk_UA
dc.relation.references12. Paris P.C. The growth of fatigue cracks due to variations in load : Ph.D.Thesis. Lehight University, 1962. 263 p.uk_UA
dc.relation.references13. 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.uk_UA
dc.relation.references14. 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.uk_UA
dc.relation.references15. 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.uk_UA
dc.relation.references16. 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.uk_UA
dc.relation.references17. 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.uk_UA
dc.relation.references18. Tymoshchuk D, Yasniy O, Maruschak P, Iasnii V, Didych I. Loading Frequency Classification in Shape Memory Alloys: A Machine Learning Approach. Computers. 2024; 13(12):339. https://doi.org/10.3390/computers13120339uk_UA
dc.relation.references19. 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.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологійuk_UA
dc.coverage.countryUAuk_UA
È visualizzato nelle collezioni:151 — автоматизація та комп’ютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка

File in questo documento:
File Descrizione DimensioniFormato 
KRM_Yatsyshyn_R_2024.pdfКваліфікаційна робота магістра3,96 MBAdobe PDFVisualizza/apri
Visualizza la scheda semplice del documento


Tutti i documenti archiviati in DSpace sono protetti da copyright. Tutti i diritti riservati.

Strumenti di amministrazione