Детальная информация

Тема выпускной квалификационной работы «Предиктивная аналитика отказа токарного станка во время обработки изделия». Данная работа посвящена разработке экспертной системы позволяющей в реальном времени оценить рабочие параметры токарного станка и спрогнозировать возможный отказ токарного оборудования. Задачи, которые решались в ходе исследования: 1. Анализ современных технологий, улучшающих работу оборудования. 2. Разведочный анализ данных, фильтрация, проверка статистических гипотез. 3. Построение предсказательных моделей и сравнение результатов бинарной и многоклассовой классификации. 4. Улучшение результатов предсказаний при помощи подбора гиперпараметров. 5. Подбор датчиков, оборудования и ИТ-решений для реализации разработанной системы. Поиск актуальных подходов для решения задачи осуществлялся в сети интернет. Для реализации системы использовался язык программирования Python совместно со средой программирования Jupiter Notebook и библиотеки обработки данных, машинного обучения и визуализации: pandas, numpy, tensorflow, keras, scikit-learn, xgboost, seaborn, matplotlib.pyplot.

The topic of the final qualification work is "Predictive analytics of lathe failure during product processing". This work is devoted to the development of an expert system that allows you to evaluate the operating parameters of a lathe in real time and predict a possible failure of turning equipment. Tasks that were solved during the research: 1. Analysis of modern technologies that improve the operation of equipment. 2. Exploratory data analysis, filtering, statistical hypothesis testing. 3. Building predictive models and comparing the results of binary and multiclass classification. 4. Improving prediction results by selecting hyperparameters. 5. Selection of sensors, equipment, and IT solutions for the implementation of the developed system. The search for relevant approaches to solving the problem was carried out on the Internet. To optimize the systems, I used the Python programming language, compatible with the average Jupiter Notebook program, and libraries for working with data, including training and release: pandas, numpy, tensorflow, keras, scikit-learn, xgboost, seaborn, matplotlib.pyplot.