Детальная информация

Название 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»
Авторы Байбакова Дарья Дмитриевна
Научный руководитель Хохловский Владимир Николаевич
Другие авторы Селиванова Елена Николаевна
Организация Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения Санкт-Петербург, 2020
Коллекция Выпускные квалификационные работы ; Общая коллекция
Тематика турбогенератор ; машинное обучение ; нейронные сети ; ансамблевые методы обучения ; turbo generator ; machine learning ; neural networks ; ensemble methods
Тип документа Выпускная квалификационная работа магистра
Тип файла PDF
Язык Русский
Уровень высшего образования Магистратура
Код специальности ФГОС 27.04.04
Группа специальностей ФГОС 270000 - Управление в технических системах
Ссылки Отзыв руководителя ; Рецензия ; Отчет о проверке на объем и корректность внешних заимствований
DOI 10.18720/SPBPU/3/2020/vr/vr20-1103
Права доступа Доступ по паролю из сети Интернет (чтение)
Ключ записи ru\spstu\vkr\6262
Дата создания записи 29.06.2020

Разрешенные действия

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа Анонимные пользователи
Сеть Интернет

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.

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все
Прочитать
Интернет Авторизованные пользователи СПбПУ
Прочитать
Интернет Анонимные пользователи
  • 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

Количество обращений: 26 
За последние 30 дней: 0

Подробная статистика