Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://elartu.tntu.edu.ua/handle/lib/53401| Název: | Розроблення автоматизованої системи виявлення аномалій у технологічних даних для раннього попередження аварій |
| Další názvy: | Development of an automated system for anomaly detection in technological data for early accident prevention |
| Autoři: | Кренько, Ростислав Анатолійович Krenko, Rostyslav |
| Affiliation: | Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії. Кафедра комп’ютерно-інтегрованих технологій |
| Bibliographic reference (2015): | Кренько Р.А. – Розроблення автоматизованої системи виявлення аномалій у технологічних даних для раннього попередження аварій: кваліфікаційна робота бакалавра за спеціальністю „174 — автоматизація та комп’ютерно-інтегровані технології“ / Р.А.Кренько— Тернопіль : ТНТУ, 2026. — 55 с. |
| Datum vydání: | 26-čer-2026 |
| Date of entry: | 12-čer-2026 |
| Nakladatel: | Тернопільський національний технічний університет імені Івана Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль |
| Supervisor: | Станько, Андрій Андрійович Stanko, Andrii |
| UDC: | 681.5:004.89 |
| Klíčová slova: | 174 автоматизація, комп’ютерно-інтегровані технології та робототехніка автоматизована система технологічні дані аномалія ПЛК SCADA інтерфейс automated system process data anomaly PLC SCADA interface |
| Number of pages: | 55 |
| Abstrakt: | Кваліфікаційна робота присвячена розробленню автоматизованої системи виявлення аномалій у технологічних даних для раннього попередження аварійних ситуацій. У першому розділі проаналізовано технологічні дані в комп’ютеризованих системах управління. У другому розділі розроблено архітектуру автоматизованої системи, інформаційну модель технологічних даних, алгоритм виявлення аномалій, структуру програмних модулів та макет інтерфейсу оператора. У третьому розділі сформовано тестовий набір технологічних даних, змодельовано роботу системи в нормальних і аварійних режимах, оцінено ефективність алгоритму та подано рекомендації щодо практичного впровадження системи. У четвертому розділі розглядаються питання, пов’язані з безпекою життя та основами охорони праці та безпеки. Об’єкт дослідження: процес автоматизованого контролю технологічних параметрів у комп’ютеризованих системах управління. Предмет дослідження: методи, алгоритми та програмні засоби виявлення аномалій у технологічних даних для раннього попередження аварійних ситуацій. This thesis is devoted to the development of an automated system for detecting anomalies in process data for the early warning of emergency situations. The first chapter analyses process data in computerised control systems. The second chapter develops the architecture of the automated system, an information model of process data, an anomaly detection algorithm, the structure of software modules, and a mock-up of the operator interface. The third chapter presents a test set of process data, simulates the system’s operation in normal and emergency modes, evaluates the algorithm’s effectiveness, and provides recommendations for the practical implementation of the system. The fourth chapter addresses issues related to life safety and the fundamentals of occupational health and safety. Object of study: the process of automated monitoring of process parameters in computerised control systems. Subject of study: methods, algorithms and software tools for detecting anomalies in process data for the early warning of emergency situations. |
| Popis: | Роботу виконано на кафедрі комп’ютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. Захист відбудеться 26 червня 2026 р. о 09 .00 годині на засіданні екзаменаційної комісії № 20 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул. Руська, 56, навчальний корпус №1, ауд. 505 |
| Content: | ВСТУП 7 1 АНАЛІТИЧНА ЧАСТИНА 10 1.1 Аналіз технологічних даних у комп’ютеризованих системах управління 10 1.2 Поняття аномалій у технологічних процесах та їх класифікація 12 1.3 Аналіз методів виявлення аномалій у технологічних даних 14 1.4 Вимоги до системи раннього попередження аварій 16 1.5 Постановка дослідження та вибір підходу до реалізації системи 17 1.6 Висновок до першого розділу 18 2 ПРОЕКТНА ЧАСТИНА 20 2.1 Загальна архітектура системи виявлення аномалій 20 2.2 Розроблення інформаційної моделі технологічних даних 21 2.3 Алгоритм виявлення аномалій у технологічних даних 23 2.4 Проєктування програмних модулів системи 25 2.5 Розроблення інтерфейсу оператора та підсистеми попереджень 26 2.6 Висновок до другого розділу 27 3 СПЕЦІАЛЬНА ЧАСТИНА 28 3.1 Формування тестового набору технологічних даних 28 3.2 Моделювання роботи системи в різних режимах 30 3.3 Оцінювання ефективності алгоритму виявлення аномалій 32 3.4 Аналіз надійності та обмежень розробленої системи 33 3.5 Рекомендації щодо практичного впровадження системи 34 3.6 Висновок до третього розділу 35 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 36 4.1 Питання щодо охорони праці 36 4.2 Питання щодо безпеки в надзвичайних ситуаціях 38 ВИСНОВКИ 42 ПЕРЕЛІК ДЖЕРЕЛ 44 ДОДАТКИ |
| URI: | http://elartu.tntu.edu.ua/handle/lib/53401 |
| Copyright owner: | © Кренько Р.А., 2026 |
| References (Ukraine): | 1 Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys, 41(3), Article 15. 2 Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249. 3 Aggarwal, C. C. (2017). Outlier analysis (2nd ed.). Springer. 4 Hodge, V. J., & Austin, J. (2004). A survey of outlier detection methodologies. Artificial Intelligence Review, 22, 85–126. 5 Qin, S. J. (2012). Survey on data-driven industrial process monitoring and diagnosis. Annual Reviews in Control, 36(2), 220–234. 6 Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). Wiley. 7 Chiang, L. H., Russell, E. L., & Braatz, R. D. (2001). Fault detection and diagnosis in industrial systems. Springer. 8 Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483–1510. 9 Mobley, R. K. (2002). An introduction to predictive maintenance (2nd ed.). Butterworth-Heinemann. 10 Lee, J., Bagheri, B., & Kao, H.-A. (2015). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23. 11 Wollschlaeger, M., Sauter, T., & Jasperneite, J. (2017). The future of industrial communication: Automation networks in the era of the Internet of Things and Industry 4.0. IEEE Industrial Electronics Magazine, 11(1), 17–27. 12 OPC Foundation. (2017). OPC Unified Architecture Specification, Part 1: Overview and Concepts. OPC Foundation. 13 Park, Y.-J., Fan, S.-K. S., & Hsu, C.-Y. (2020). A review on fault detection and process diagnostics in industrial processes. Processes, 8(9), Article 1123. 14 Venkatasubramanian, V., Rengaswamy, R., Yin, K., & Kavuri, S. N. (2003). A review of process fault detection and diagnosis: Part I: Quantitative model-based methods. Computers & Chemical Engineering, 27(3), 293–311. 15 International Electrotechnical Commission. (2013). IEC 62443-3-3: Industrial communication networks - Network and system security - Part 3-3: System security requirements and security levels. IEC. 16 Boyer, S. A. (2010). SCADA: Supervisory control and data acquisition 17 Petruzella, F. D. (2017). Programmable logic controllers (5th ed.). 18 Bolton, W. (2015). Programmable logic controllers (6th ed.). Newnes. 19 Montgomery, D. C. (2019). Introduction to statistical quality control ( 20 Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. 21 International Society of Automation. (2010). ANSI/ISA-95.00.01-2010: Enterprise-control system integration - Part 1: Models and terminology. ISA. 22 Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. 23 Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., VanderPlas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825 24 McKinney, W. (2022). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media. 25 Stouffer, K., Zimmerman, T., Tang, C., Lubell, J., Cichonski, J., McCarthy, J., & Anand, R. (2023). Guide to operational technology (OT) security (NIST Special Publication 800-82 Revision 3). NIST 26 I. Didych, A. Stanko, A. Mykytyshyn, M. Mytnyk, «Application of machine learning methods to the prediction of NO₂ concentration in the air environment». In ITTAP-2024. 27 O. Duda, A. Mykytyshyn, M. Mytnyk, A. Stanko, «Information technology sets formation and "TNTU Smart Campus" services network support». In ITTAP-2024., pp. 93-105. |
| Content type: | Bachelor Thesis |
| Vyskytuje se v kolekcích: | 151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври) |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| dyplom_Krenko_R._2026.pdf | Дипломна робота | 2,92 MB | Adobe PDF | Zobrazit/otevřít |
Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.
Nástroje administrátora