Details

Title: Исследование методов предиктивной аналитики для построения моделей возникновения вибраций в турбогенераторе: выпускная квалификационная работа магистра: направление 27.04.04 «Управление в технических системах» ; образовательная программа 27.04.04_07 «Распределенные интеллектуальные системы управления»
Creators: Байбакова Дарья Дмитриевна
Scientific adviser: Хохловский Владимир Николаевич
Other creators: Селиванова Елена Николаевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2020
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: турбогенератор; машинное обучение; нейронные сети; ансамблевые методы обучения; turbo generator; machine learning; neural networks; ensemble methods
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 27.04.04
Speciality group (FGOS): 270000 - Управление в технических системах
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-1103
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)

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

Annotation

Целью исследования является сравнение методов машинного обучения для анализа данных турбогенератора и выбор лучшего из них для построения моделей вибрации турбогенератора. В работе рассмотрены возможности методов машинного обучения для построения моделей зависимости вибраций от электрических параметров турбогенератора. Реализованы нейросетевые модели и ансамблевые модели машинного обучения с использованием библиотек для машинного обучения Scikit-learn и Keras. Реализация и анализ показали достоинства и недостатки обоих подходов. Составлены сравнительные таблицы, а также приведена визуализация полученных моделей машинного обучения.

The aim of this work is to compare machine learning methods for analyzing turbo generator data and choose the best one for building turbo generator vibration models. The paper analyses machine learning methods used in the modelling of dependence between vibration and electrical parameters of a turbo generator. Neural network models and ensemble machine learning models are implemented with using the Scikit-learn and Keras machine learning libraries. Implementation and analysis showed the advantages and disadvantages of both approaches. Comparative tables are compiled. Visualization of the obtained machine learning models is provided.

Document access rights

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

Table of Contents

  • ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
  • ВВЕДЕНИЕ
  • 1 Характеристики и описание турбогенератора
    • 1.1 Статор и ротор генератора
    • 1.2 Оборудование систем возбуждения (ОСВ) и возбудитель
    • 1.3 Система охлаждения
    • 1.4 Система маслоснабжения, уплотнение вала и подшипник (УВП)
    • 1.5 Вибрационное состояние турбогенератора
    • 1.6 Выводы по главе 1
  • 2 Методы машинного обучения
    • 2.1 Классическое обучение
    • 2.2 Обучение с подкреплением
    • 2.3 Ансамблевые методы
    • 2.4 Нейронные сети и глубокое обучение
    • 2.5 Выводы по главе 2
  • 3 Построение моделей зависимости возникающих вибраций с помощью методов машинного обучения
    • 3.1 Среда разработки Jupyter notebook
    • 3.1 База данных InfluxDB
    • 3.2 Предварительная подготовка данных
    • 3.3 Критерии оценки точности моделей
    • 3.4 Построение моделей с применением ансамблевых методов обучения
    • 3.5 Построение моделей с применением нейросетевого машинного обучения
    • 3.6 Сравнительный анализ методов машинного обучения
    • 3.7 Выводы по главе 3
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • ПРИЛОЖЕНИЕ А

Usage statistics

stat Access count: 2
Last 30 days: 1
Detailed usage statistics