Por favor use este identificador para citas ou ligazóns a este item:
http://elartu.tntu.edu.ua/handle/lib/53462| Título: | Розробка та дослідження моделі машинного навчання для прогнозування технічного стану обладнання |
| Outros títulos: | Development and research of a machine learning model for predicting the technical condition of equipment. |
| Authors: | Уланов, Олександр Олегович Ulanov, Oleksandr |
| Affiliation: | Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії. Кафедра комп’ютерно-інтегрованих технологій |
| Bibliographic reference (2015): | Уланов О.О. – Розробка та дослідження моделі машинного навчання для прогнозування технічного стану обладнання: кваліфікаційна робота бакалавра за спеціальністю 151 – «Автоматизація та комп’ютерно-інтегровані технології» / О.О. Уланов – Тернопіль: ТНТУ, 2026. – 64 с. |
| Data de edición: | 25-Jun-2026 |
| Date of entry: | 13-Jul-2026 |
| Editor: | Тернопільський національний технічний університет імені Івана Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль |
| Supervisor: | Дідич, Ірина Степанівна Didych, Iryna |
| UDC: | 004.03.8 |
| Palabras chave: | 151 автоматизація та комп’ютерно-інтегровані технології автоматизовані системи технічний стан обладнання насосне обладнання моніторинг стану інтелектуальні системи машинне навчання класифікація automated systems technical condition of equipment pumping equipment condition monitoring intelligent systems machine learning classification |
| Number of pages: | 64 |
| Resumo: | Уланов О.О. – Розробка та дослідження моделі машинного навчання для прогнозування технічного стану обладнання. 151 – «Автоматизація та комп’ютерно-інтегровані технології» – Тернопільський національний технічний університет імені Івана Пулюя. – Тернопіль, 2026.
Кваліфікаційна робота присвячена розробці автоматизованої системи прогнозування технічного стану насосного обладнання на основі даних вібраційного та температурного моніторингу із застосуванням методів машинного навчання. У роботі розроблено програмне забезпечення для автоматизованої обробки діагностичних даних, класифікації технічного стану обладнання та підтримки прийняття рішень у системах прогнозного технічного обслуговування Ulanov O.O. – Development and research of a machine learning model for predicting the technical condition of equipment. 151 - "Automation and computer-integrated technologies" - Ternopil Ivan Puluj National Technical University. - Ternopil, 2026….. The qualification work is devoted to the development of an automated system for predicting the technical condition of pumping equipment based on vibration and temperature monitoring data using machine learning methods. The thesis presents software developed for the automated processing of diagnostic data, the classification of equipment technical condition, and decision support in predictive maintenance systems |
| Descrición: | Роботу виконано на кафедрі комп’ютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. Захист відбудеться 25 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 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 10 1.1 Автоматизовані системи моніторингу технічного стану насосного обладнання 10 1.2 Відцентрові насоси як об'єкт технічної діагностики та прогнозного обслуговування 14 1.3 Датчики вібрації та температури в системах контролю технічного стану обладнання 19 1.4 Методи прогнозного технічного обслуговування (Predictive Maintenance) в автоматизованих системах 23 1.5 Методи машинного навчання для класифікації технічного стану обладнання 26 РОЗДІЛ 2. ПРОЕКТНА ЧАСТИНА 29 2.1 Постановка задачі класифікації технічного стану насосного обладнання 29 2.2 Аналіз структури набору даних та характеристик контрольованих параметрів 30 2.3 Розробка структури системи прогнозування технічного стану насосного обладнання 32 2.4 Розробка алгоритму функціонування системи прогнозного технічного обслуговування 35 2.5 Вибір програмних засобів та критеріїв оцінювання якості моделей 37 РОЗДІЛ 3. СПЕЦІАЛЬНА ЧАСТИНА 41 3.1 Реалізація програмного забезпечення для класифікації технічного стану насосного обладнання 41 3.2 Дослідження та підготовка даних для навчання моделей 44 3.3. Побудова та дослідження моделей класифікації технічного стану насосного обладнання 46 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 53 4.1 Характеристика шкідливих факторів виробничого середовища 53 4.2 Забезпечення безпеки життєдіяльності при роботі з ПК 55 ВИСНОВКИ 60 ПЕРЕЛІК ПОСИЛАНЬ 62 |
| URI: | http://elartu.tntu.edu.ua/handle/lib/53462 |
| Copyright owner: | © Уланов О.О., 2026 |
| References (Ukraine): | 1. Zonta T., da Costa C.A., da Rosa Righi R., de Lima M.J., da Trindade E.S., Li G.P. Predictive maintenance in the Industry 4.0: A systematic literature review. Computers & Industrial Engineering. 2020. Vol. 150. Article 106889. DOI: 10.1016/j.cie.2020.106889. 2. Bechtsis D., Koutsiantzis M., Kolokas A., et al. Predictive maintenance framework for assessing health state of centrifugal pumps. International Journal of Artificial Intelligence. 2024. Vol. 13, No. 1. P. 850–862. DOI: 10.11591/ijai.v13.i1.pp850-862. 3. Bechtsis D. Sensor Measurements of Centrifugal Pumps Dataset. Kaggle. URL: https://www.kaggle.com/datasets/dimitriosbechtsis/centrifugal-pumps-sensor-measurements 4. Carvalho T.P., Soares F.A.A.M.N., Vita R., Francisco R.P., Basto J.P., Alcalá S.G. A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering. 2019. Vol. 137. Article 106024. DOI: 10.1016/j.cie.2019.106024. 5. Zhang W., Yang D., Wang H. Data-Driven Methods for Predictive Maintenance of Industrial Equipment: A Survey. IEEE Systems Journal. 2019. Vol. 13, No. 3. P. 2213–2227. DOI: 10.1109/JSYST.2019.2905565. 6. Jardine A.K.S., Lin D., Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing. 2006. Vol. 20(7). P. 1483–1510. DOI: 10.1016/j.ymssp.2005.09.012. 7. Susto G.A., Schirru A., Pampuri S., McLoone S., Beghi A. Machine Learning for Predictive Maintenance: A Multiple Classifier Approach. IEEE Transactions on Industrial Informatics. 2015. Vol. 11(3). P. 812–820. DOI: 10.1109/TII.2014.2349359. 8. Lei Y., Li N., Guo L., Li N., Yan T., Lin J. Machinery health prognostics: A systematic review from data acquisition to RUL prediction. Mechanical Systems and Signal Processing. 2018. Vol. 104. P. 799–834. DOI: 10.1016/j.ymssp.2017.11.016. 9. Zhao R., Yan R., Chen Z., Mao K., Wang P., Gao R.X. Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing. 2019. Vol. 115. P. 213–237. DOI: 10.1016/j.ymssp.2018.05.050. 10. Khan S., Yairi T. A Review on the Application of Deep Learning in System Health Management. Mechanical Systems and Signal Processing. 2018. Vol. 107. P. 241–265. DOI: 10.1016/j.ymssp.2017.11.024. 11. Didych I., Yasniy O., Tymoshchuk D., Maruschak P., Demchyk V. Prediction of structural elements lifetime of titanium alloy using neural network. Modelling. 2025. Vol. 6, No. 4. DOI: 10.3390/modelling6040118. 12. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021. 13. Alpaydin E. Introduction to Machine Learning. 5th ed. MIT Press, 2020. 14. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. 3rd ed. O’Reilly Media, 2022. 15. Han J., Pei J., Tong H. Data Mining: Concepts and Techniques. 4th ed. Morgan Kaufmann, 2022. 16. Sarker I.H. Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science. 2021. Vol. 2. Article 160. DOI: 10.1007/s42979-021-00592-x. 17. Breiman L. Random Forests. Machine Learning. 2001. Vol. 45(1). P. 5–32. DOI: 10.1023/A:1010933404324. 18. Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics. 2001. Vol. 29(5). P. 1189–1232. DOI: 10.1214/aos/1013203451. 19. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794. DOI: 10.1145/2939672.2939785. 20. Molnar C. Interpretable Machine Learning. 2022. URL: https://christophm.github.io/interpretable-ml-book/ 21. Lundberg S.M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 4765–4774. 22. Конспект лекцій з дисципліни «Методи та системи штучного інтелекту». Модуль 2. Для студентів спеціальності 174 «Автоматизація, комп’ютерно-інтегровані технології та робототехніка» денної та заочної форми здобуття освіти / уклад. І. С. Дідич, А. Г. Микитишин. // ТНТУ. – 2025. – С. 64. 23. Sarkar D., Bali R., Sharma T. Practical Machine Learning with Python. Аpress, 2018. 545 p. URL: www.apress.com/978-1-4842-3206-4. 24. Навчально-методичний посібник до практичних заняття з дисципліни «Безпека життєдіяльності, основи охорони праці» для студентів освітнього ступеня ,,бакалавр" усіх спеціальностей та форм навчання / Укладачі: Гурик О.Я., Окіпний І.Б., Сенчишин В.С., Мариненко С.Ю., Король О.І. – Тернопіль: ТНТУ імені Івана Пулюя, 2025. 123 с. 25. Методичні рекомендації з виконання, оформлення та захисту кваліфікаційних робіт бакалаврів спеціальності «Автоматизація, комп’ютерно-інтегровані технології та робототехніка» освітньої програми «Комп’ютеризовані системи управління та прикладне програмування» / ТНТУ ім. І. Пулюя; уклад. А.Г. Микитишин, В.В. Левицький, О.С. Голотенко – Тернопіль: ТНТУ, 2025. – 86 с. |
| Content type: | Bachelor Thesis |
| Aparece nas Coleccións | 151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври) |
Arquivos neste item
| Arquivo | Descrición | Tamaño | Formato | |
|---|---|---|---|---|
| dyplom_Ulanov_O_2026.pdf | Дипломна робота | 2,03 MB | Adobe PDF | Ver/abrir |
Todos os documentos en Dspace estan protexidos por copyright, con todos os dereitos reservados
Ferramentas administrativas