Details

В данной дипломной работе рассматривается применение методов машинного обучения для прогнозирования риска механических повреждений станков. Описаны типы, причины и последствия механических повреждений, а также методы их профилактики. Проведен анализ данных, выявлены ключевые признаки и проведена их предобработка, включая удаление выбросов и устранение пропущенных значений. Обучены и оценены различные модели машинного обучения, такие как логистическая регрессия, K-ближайших соседей, алгоритм опорных векторов, дерево решений и случайный лес.

The subject of the graduate qualification work is «Predicting the risk of mechanical damage to machine tools using machine learning methods». This thesis explores the application of machine learning methods for predicting the risk of mechanical failures in machinery. It describes the types, causes, and consequences of mechanical failures, as well as methods for their prevention. Data analysis was conducted, key features were identified, and preprocessing was performed, including outlier removal and handling of missing values. Various machine learning models were trained and evaluated, including logistic regression, k-nearest neighbors, support vector machines, decision trees, and random forests.