Details

Title Обнаружение и классификация дефектов функционирования производственного оборудования на основе методов машинного обучения: выпускная квалификационная работа магистра по направлению 09.04.01 - Информатика и вычислительная техника ; 09.04.01_17 - Интеллектуальные системы (международная образовательная программа)
Creators Чудасама Яшраджсинх Виджайсинх
Scientific adviser Малыхина Галина Федоровна
Other creators Селиванова Елена Николаевна
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint Санкт-Петербург, 2019
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects Информация — Обработка - Автоматизация ; процесс обработки ; системы мониторинга ; сбор данных ; Anaconda-Spyder ; Python ; обнаружение аномалий и отказов
UDC 658.51-52
Document type Master graduation qualification work
File type PDF
Language Russian
Level of education Master
Speciality code (FGOS) 09.04.01
Speciality group (FGOS) 090000 - Информатика и вычислительная техника
Links Отзыв руководителя ; Рецензия ; Отчет о проверке на объем и корректность внешних заимствований
DOI 10.18720/SPBPU/3/2019/vr/vr19-5779
Rights Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key ru\spstu\vkr\5094
Record create date 11/29/2019

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Action 'Download' will be available if you login or access site from another network

Group Anonymous
Network Internet

Обнаружение аномалий - это распространенная проблема в науке о данных, которая направлена на выявление любых ненормальных наблюдений, событий или проектов в нашем наборе данных, которые могут указывать на определенные проблемы при сборе данных (например,повреждение датчика). Поскольку мы знаем, что эффективные методы обнаружения выбросов могут помочь производителям сократить потери сырья, увеличить время безотказной работы оборудования и оценить жизненный цикл инструмента. Обнаружение аномалий может выполняться под наблюдением, под наблюдением и без надзора. Этот магистерский тезис посвящен обнаружению сбоев в системе мониторинга процессов с использованием подхода без надзора. В настоящей работе информация из этих сигналов была сегментирована, после чего были извлечены и объединены. Мы хотели бы больше сосредоточиться на одном из неконтролируемых подходов к обнаружению аномалий, основанных исключительно на концепции изоляции без использования какого-либо измерения расстояния или плотности, метода, называемого лесом изоляции (iForest).

Detecting Anomalies and machine fault is a common data-science issue that seeks to identify any abnormal observations, events, or projects in our dataset that may indicate certain issues in our data-acquisition (example: sensor damage). As we know that effective outlier detection techniques can help manufacturers reduce raw material wastage, increase equipment uptime, and evaluate life-cycle of tool. Anomaly detection can be performed in a supervised, semi-supervised, and unsupervised manner. This master thesis deals with detection of failures in a process monitoring system using an unsupervised approach. In present work, the information from these signals was segmented, following which features are been extracted and concatenated. We would like to focus more on one of the unsupervised approaches to anomaly detection purely based on the concept of isolation without employing any distance or density measure, method called Isolation Forest (IForest).

Network User group Action
ILC SPbPU Local Network All
Read Print Download
Internet Authorized users SPbPU
Read Print Download
Internet Anonymous

Access count: 68 
Last 30 days: 0

Detailed usage statistics