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
Empreu aquest identificador per citar o enllaçar aquest ítem: http://elartu.tntu.edu.ua/handle/lib/51219
Registre complet de metadades
Camp DCValorLengua/Idioma
dc.contributor.advisorДідич, Ірина Степанівна-
dc.contributor.advisorDidych, Iryna-
dc.contributor.authorАндрушків, Віктор Володимирович-
dc.contributor.authorНазаревич, Богдан Васильович-
dc.contributor.authorAndrushkiv, Viktor-
dc.contributor.authorNazarevych, Bohdan-
dc.date.accessioned2026-01-08T17:32:13Z-
dc.date.available2026-01-08T17:32:13Z-
dc.date.issued2025-12-22-
dc.identifier.citationАндрушків В.В., Назаревич Б.В. – Розробка автоматизованої системи класифікації стану обладнання на основі методів машинного навчання : кваліфікаційна робота магістра за спеціальністю „174 — автоматизація, комп’ютерно-інтегровані технології та робототехніка“ / В.В. Андрушків, Б.В. Назаревич, — Тернопіль : ТНТУ, 2025. — 101 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/51219-
dc.descriptionРоботу виконано на кафедрі комп’ютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. Захист відбудеться 22 грудня 2025 р. о 09 .00 годині на засіданні екзаменаційної комісії № 21 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул. Руська, 56, навчальний корпус №1, ауд. 505uk_UA
dc.description.abstractАндрушків В.В., Назаревич Б.В. – Розробка автоматизованої системи класифікації стану обладнання на основі методів машинного навчання (комплексна робота). 174 – «Автоматизація, комп’ютерно-інтегровані технології та робототехніка» – Тернопільський національний технічний університет імені Івана Пулюя. – Тернопіль, 2025. Кваліфікаційна робота присвячена розробленню та дослідженню автоматизованої системи класифікації технічного стану обладнання на основі методів машинного навчання. Актуальність дослідження зумовлена необхідністю підвищення надійності та безпеки експлуатації промислового обладнання, зокрема роторних машин, шляхом впровадження інтелектуальних методів обробки вимірювальних даних. Andrushkiv V.V., Nazarevych B.V. – Development and research of an automated system for equipment condition classification based on machine learning methods (complex topic). 174 - “Automation, computer-integrated technologies and robotics” - Ternopil Ivan Puluj National Technical University. - Ternopil, 2025. The thesis is devoted to the development and research of an automated system for classifying the technical condition of equipment based on machine learning methods. The relevance of the research is determined by the need to improve the reliability and safety of industrial equipment, in particular rotary machines, through the introduction of intelligent methods of processing measurement datauk_UA
dc.description.tableofcontentsВСТУП 11 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 14 1.1 Аналіз сучасних підходів до технічної діагностики обладнання..14 1.2 Підшипникові вузли як об’єкт моніторингу: типи дефектів та їх діагностичні ознаки 18 1.3 Сенсори, датчики та контролери для моніторингу підшипникових вузлів……………………………………………………………………24 1.4 Огляд методів МН для класифікації технічного стану обладнання 34 1.5 Аналіз існуючих систем автоматизованої діагностики та їх недоліків 36 РОЗДІЛ 2. ТЕХНОЛОГІЧНА ЧАСТИНА 42 2.1 Характеристика вібраційних сигналів та вибір інформаційних параметрів 42 2.2 Формування набору даних: джерела, preprocessing, сегментація вікон 46 2.3 Вибір і обґрунтування програмного забезпечення 48 РОЗДІЛ 3. КОНСТРУКТОРСЬКА ЧАСТИНА 51 3.1 Проектування структури автоматизованої системи класифікації стану обладнання 51 3.2 Розроблення алгоритму обробки вібраційних сигналів 56 3.3 Розроблення алгоритму класифікації на основі методів МН 59 3.4 Опис програмної реалізації системи (інтерфейс, модулі, функціональні блоки) 63 РОЗДІЛ 4. НАУКОВО-ДОСЛІДНА ЧАСТИНА 66 4.1 Проведення експерименту із класифікації чотирьох станів підшипникового вузла 66 4.2 Порівняння методів МН 68 4.3 Аналіз точності, похибок класифікації та стабільності моделей ..75 4.4 Порівняння результатів із експериментальними даними та вибір оптимального підходу машинного навчання 76 РОЗДІЛ 5. СПЕЦІАЛЬНА ЧАСТИНА 79 5.1 Оцінка ефективності запропонованої автоматизованої системи ..79 5.2 Рекомендації щодо впровадження системи в промислові процеси 85 РОЗДІЛ 6. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 86 6.1 Характеристика негативних факторів виробничого середовищ 86 6.2 Організація безпечних умов праці користувачів персональних комп’ютерів 88 ВИСНОВКИ 93 ПЕРЕЛІК ДЖЕРЕЛ 95 ДОДАТКИuk_UA
dc.language.isoukuk_UA
dc.publisherТернопіль, ТНТУuk_UA
dc.subject151uk_UA
dc.subjectавтоматизація та комп’ютерно-інтегровані технологіїuk_UA
dc.subjectалгоритми машинного навчанняuk_UA
dc.subjectкласифікація станівuk_UA
dc.subjectвипадкові лісиuk_UA
dc.subjectпідсилені дереваuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectметод k-найближчих сусідівuk_UA
dc.subjectметод опорно-векторних машинuk_UA
dc.subjectавтоматизована система діагностикиuk_UA
dc.subjectпідшипниковий вузолuk_UA
dc.subjectвібраційні сигналиuk_UA
dc.subjectmachine learning algorithmsuk_UA
dc.subjectcondition classificationuk_UA
dc.subjectboosted treesuk_UA
dc.subjectrandom forestsuk_UA
dc.subjectk-nearest neighbours methoduk_UA
dc.subjectneural networksuk_UA
dc.subjectautomated diagnostic systemuk_UA
dc.subjectsupport vector machines methoduk_UA
dc.subjectvibration signalsuk_UA
dc.subjectbearing assemblyuk_UA
dc.titleРозробка автоматизованої системи класифікації стану обладнання на основі методів машинного навчанняuk_UA
dc.title.alternativeDevelopment and research of an automated system for equipment condition classification based on machine learning methodsuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Андрушків В.В., Назаревич Б.В., 2025uk_UA
dc.contributor.committeeMemberДмитрів, Олена Романівна-
dc.contributor.committeeMemberDmytriv, Olena-
dc.coverage.placenameТернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії. Кафедра комп’ютерно-інтегрованих технологійuk_UA
dc.format.pages101-
dc.subject.udc004.03.8uk_UA
thesis.degree.grantorЕК №21, 2025 р.-
dc.relation.references1. Randall, Robert Bond. (2011). Vibration-based Condition Monitoring (Industrial, Aerospace and Automotive Applications), doi:10.1002/9780470977668.uk_UA
dc.relation.references2. Ghazali, Mohamad & Rahiman, Wan. (2021). Vibration Analysis for Machine Monitoring and Diagnosis: A Systematic Review. Shock and Vibration. 2021. 1-25. 10.1155/2021/9469318.uk_UA
dc.relation.references3. A. Aherwar and M. S. Khalid, “Vibration analysis techniquesfor gearbox diagnostic: a review,” International Journal ofAdvances in Engineering & Technology, vol. 3, no. 2, pp. 4–12,2012.uk_UA
dc.relation.references4. D. H. C. de S´a S´o, D. P. Viana, A. A. de Lima et al., “Di-agnostic and severity analysis of combined failures composedby imbalance and misalignment in rotating machines,” In-ternational Journal of Advanced Manufacturing Technology,vol. 114, no. 9, pp. 3077–3092, 2021.uk_UA
dc.relation.references5. S. Kumar, M. Lokesha, K. Kumar, and K. Srinivas, “Vibrationbased fault diagnosis techniques for rotating mechanicalcomponents: review paper,” in Proceedings of the Interna-tional Conference on Advances in Manufacturing, Materialsand Energy Engineering, pp. 1–6, Karnataka, India, June 2018.uk_UA
dc.relation.references6. R. Ranjan, S. K. Ghosh, and M. Kumar, “Fault diagnosis ofjournal bearing in a hydropower plant using wear debris,vibration and temperature analysis: a case study,” Proceed-ings of the Institution of Mechanical Engineers - Part E:Journal of Process Mechanical Engineering, vol. 234, no. 3,pp. 235–242, 2020.uk_UA
dc.relation.references7. Raj, K. K., Kumar, S., Kumar, R. R., & Andriollo, M. (2024). Enhanced Fault Detection in Bearings Using Machine Learning and Raw Accelerometer Data: A Case Study Using the Case Western Reserve University Dataset. Information, 15(5), 259. https://doi.org/10.3390/info15050259.uk_UA
dc.relation.references8. Yoo Y, Jo H, Ban SW. Lite and Efficient Deep Learning Model for Bearing Fault Diagnosis Using the CWRU Dataset. Sensors (Basel). 2023 Mar 15;23(6):3157. doi: 10.3390/s23063157.uk_UA
dc.relation.references9. Masalegoo, S. E., Soleimani, A., & Saeedi Masine, H. (2022). Experimental fault detection of rotating machinery through chaos-based tools of recurrence plot and recurrence quantitative analysis. Archive of Applied Mechanics.uk_UA
dc.relation.references10. 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.references11. Alpayndin E. Introduction to Machine Learning // The Knowledge Engineering Review. 2010. Vol. 25, № 3. P. 353–353.uk_UA
dc.relation.references12. Mitchell T.M. Machine learning. London: McGraw-Hill Science/Engineering/Math, 1997.uk_UA
dc.relation.references13. Wasserman Ph.D. Neural Computing: Theory and Practice. New York: Coriolis Group (Sd), 1989.uk_UA
dc.relation.references14. Smola A., Vishwanathan S.V.N. Introduction to Machine Learning. Cambridge University Press, 2010.uk_UA
dc.relation.references15. Haykin, S., 2009 “Neural Networks and Learning Machines”, Third Edition, McMaster University, Hamilton, Ontario, Canada, 938 p.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), 64-71.uk_UA
dc.relation.references17. Tymoshchuk, D., Yasniy, O., Maruschak, P., Iasnii, V., & Didych, I. (2024). Loading Frequency Classification in Shape Memory Alloys: A Machine Learning Approach. Computers, 13(12), 339.uk_UA
dc.relation.references18. Yasniy, O., Maruschak, P., Mykytyshyn, A., Didych, I., & Tymoshchuk, D. (2025). Artificial intelligence as applied to classifying epoxy composites for aircraft. Aviation, 29(1), 22-29.uk_UA
dc.relation.references19. Tymoshchuk, D., Didych, I., Maruschak, P., Yasniy, O., Mykytyshyn, A., & Mytnyk, M. (2025). Machine Learning Approaches for Classification of Composite Materials. Modelling, 6(4), 118.uk_UA
dc.relation.references20. Didych I. et al. Evaluation of structural elements lifetime by neural network // Acta Metallurgica Slovaca. 2018. Vol. 24, № 1. P. 82–87.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії. Кафедра комп’ютерно-інтегрованих технологійuk_UA
dc.coverage.countryUAuk_UA
Apareix a les col·leccions:151 — автоматизація та комп’ютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка

Arxius per aquest ítem:
Arxiu Descripció MidaFormat 
KRM_Andrushkiv_V_Nazarevych_B_2025.pdfКваліфікаційна робота магістра4,73 MBAdobe PDFVeure/Obrir
Mostrar el registre simplificat de l'ítem


Els ítems de DSpace es troben protegits per copyright, amb tots els drets reservats, sempre i quan no s’indiqui el contrari.

Eines d'Administrador