Детальная информация

Название: Разработка диагностической модели гидроагрегата на основе методов машинного обучения: выпускная квалификационная работа магистра: направление 27.04.04 «Управление в технических системах» ; образовательная программа 27.04.04_07 «Распределенные интеллектуальные системы управления»
Авторы: Кудрявцева Екатерина Эдуардовна
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: гидроагрегат; предиктивная аналитика; методы машинного обучения; нейронные сети; библиотеки для аналитики и машинного обучения; Torch; Matplotlib; Pandas; hydraulic unit; predictive analytics; machine learning; neural networks; libraries for analytics and machine learning
Тип документа: Выпускная квалификационная работа магистра
Тип файла: PDF
Язык: Русский
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/vr20-1216
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Разрешенные действия:

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

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Цель работы состоит в разработке диагностической модели гидроагрегата на основе машинного обучения. В работе рассматриваются основные пути решения проблемы нештатных ситуаций на ГЭС с помощью разработки диагностической модели гидроагрегата. Для удобства пользования диагностической моделью разрабатывается пользовательский интерфейс, позволяющий в полной мере использовать возможности диагностической модели. В первой главе дается обзор предметной области, который включает в себя обоснование актуальности работы, обзор существующих разработок диагностических моделей в энергетике, краткие сведения о машинном обучении. Во второй главе рассматриваются теоретические материалы, которые включают изложение принципов работы гидроагрегата и информацию о нейронных сетях, их функциях активации и методах обучения. В заключительной главе рассматривается выбранное программное обеспечение, использованные библиотеки, производится описание разработанной диагностической модели гидроагрегата, рассматриваются возможности по работе с ней и анализируются полученные результаты.

The purpose of the work is to develop a diagnostic model of a hydraulic unit based on machine learning. Main ways of solving the problem of emergency occurrence at hydro power plants are considered based on development of a diagnostic model of the hydraulic unit. For ease of use of the diagnostic model, a graphic user interface is developed. The first chapter provides an overview of the subject area, which includes the consideration of the relevance of the work, an overview of existing diagnostic models in the energy industry, and a summary of machine learning. The second chapter deals with theoretical materials that include operation principles and structure of a hydraulic unit and information on neural networks, their activation functions and training methods. The final chapter describes the selected software, used libraries, describes the implemented diagnostic model of the hydraulic unit, its possibilities and analyses the results.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Интернет Авторизованные пользователи СПбПУ Прочитать Печать Загрузить
Интернет Авторизованные пользователи (не СПбПУ)
-> Интернет Анонимные пользователи

Статистика использования

stat Количество обращений: 0
За последние 30 дней: 0
Подробная статистика