Details

Целью магистерской диссертации является разработка решения по мониторингу состояния компрессорного оборудования и предсказание ошибок и поломок на ранних стадиях обнаружения при помощи методов машинного обучения и предиктивной аналитике исторических данных. Для достижения цели были изучены методы и алгоритмы анализа данных, выявлены подходящие методы машинного обучения, с помощью которых строится предиктивная модель, так же произведены манипуляции с данными, помогающие улучшить качество исторических данных. В результате проделанной работы была спроектирована архитектура решения и реализована прогнозирующая модель, при помощи которой можно заблаговременно улавливать ошибки компрессорных установок. Так же разработан интерфейс для легкого и интуитивно понятного взаимодействия с моделью.

The purpose of the masters thesis is to develop a solution for monitoring the condition of compressor equipment and predicting errors and breakdowns in the early stages of detection using machine learning methods and predictive analytics of historical data. To achieve this goal, data analysis methods and algorithms were studied, suitable machine learning methods were identified, with which a predictive model is built, as well as data manipulations were performed to help improve the quality of historical data. As a result of the work done, the architecture of the solution was designed and a predictive model was implemented, with which it is possible to detect errors of compressor units in advance. An interface has also been developed for easy and intuitive interaction with the model.