1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври)
Empreu aquest identificador per citar o enllaçar aquest ítem: http://elartu.tntu.edu.ua/handle/lib/53462
Registre complet de metadades
Camp DCValorLengua/Idioma
dc.contributor.advisorДідич, Ірина Степанівна-
dc.contributor.advisorDidych, Iryna-
dc.contributor.authorУланов, Олександр Олегович-
dc.contributor.authorUlanov, Oleksandr-
dc.date.accessioned2026-07-13T17:13:11Z-
dc.date.available2026-07-13T17:13:11Z-
dc.date.issued2026-06-25-
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/53462-
dc.descriptionРоботу 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. 505uk_UA
dc.description.abstractУланов 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 обслуговуванняuk_UA
dc.description.abstractUlanov 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 systemsuk_UA
dc.description.tableofcontentsВСТУП 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 62uk_UA
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.subject151uk_UA
dc.subjectавтоматизація та комп’ютерно-інтегровані технологіїuk_UA
dc.subjectавтоматизовані системиuk_UA
dc.subjectтехнічний стан обладнанняuk_UA
dc.subjectнасосне обладнанняuk_UA
dc.subjectмоніторинг стануuk_UA
dc.subjectінтелектуальні системиuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectкласифікаціяuk_UA
dc.subjectautomated systemsuk_UA
dc.subjecttechnical condition of equipmentuk_UA
dc.subjectpumping equipmentuk_UA
dc.subjectcondition monitoringuk_UA
dc.subjectintelligent systemsuk_UA
dc.subjectmachine learninguk_UA
dc.subjectclassificationuk_UA
dc.titleРозробка та дослідження моделі машинного навчання для прогнозування технічного стану обладнанняuk_UA
dc.title.alternativeDevelopment and research of a machine learning model for predicting the technical condition of equipment.uk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holder© Уланов О.О., 2026uk_UA
dc.coverage.placenameТернопільuk_UA
dc.format.pages64-
dc.subject.udc004.03.8uk_UA
dc.relation.references1. 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.uk_UA
dc.relation.references2. 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.uk_UA
dc.relation.references3. Bechtsis D. Sensor Measurements of Centrifugal Pumps Dataset. Kaggle. URL: https://www.kaggle.com/datasets/dimitriosbechtsis/centrifugal-pumps-sensor-measurementsuk_UA
dc.relation.references4. 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.uk_UA
dc.relation.references5. 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.uk_UA
dc.relation.references6. 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.uk_UA
dc.relation.references7. 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.uk_UA
dc.relation.references8. 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.uk_UA
dc.relation.references9. 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.uk_UA
dc.relation.references10. 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.uk_UA
dc.relation.references11. 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.uk_UA
dc.relation.references12. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021.uk_UA
dc.relation.references13. Alpaydin E. Introduction to Machine Learning. 5th ed. MIT Press, 2020.uk_UA
dc.relation.references14. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. 3rd ed. O’Reilly Media, 2022.uk_UA
dc.relation.references15. Han J., Pei J., Tong H. Data Mining: Concepts and Techniques. 4th ed. Morgan Kaufmann, 2022.uk_UA
dc.relation.references16. 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.uk_UA
dc.relation.references17. Breiman L. Random Forests. Machine Learning. 2001. Vol. 45(1). P. 5–32. DOI: 10.1023/A:1010933404324.uk_UA
dc.relation.references18. 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.uk_UA
dc.relation.references19. 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.uk_UA
dc.relation.references20. Molnar C. Interpretable Machine Learning. 2022. URL: https://christophm.github.io/interpretable-ml-book/uk_UA
dc.relation.references21. 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.uk_UA
dc.relation.references22. 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.uk_UA
dc.relation.references23. Sarkar D., Bali R., Sharma T. Practical Machine Learning with Python. Аpress, 2018. 545 p. URL: www.apress.com/978-1-4842-3206-4.uk_UA
dc.relation.references24. 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.uk_UA
dc.relation.references25. 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.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
dc.identifier.citation2015Уланов 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.uk_UA
Apareix a les col·leccions:151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври)

Arxius per aquest ítem:
Arxiu Descripció MidaFormat 
dyplom_Ulanov_O_2026.pdfДипломна робота2,03 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