Аналіз методів машинного навчання для прогнозування технічного стану обладнання
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
У роботі проведено аналіз основних методів машинного навчання, що застосовуються для прогнозування технічного стану промислового обладнання. Розглянуто класичні алгоритми машинного навчання, зокрема метод опорних векторів, випадковий ліс та градієнтний бустинг, а також методи глибокого навчання — рекурентні нейронні мережі, мережі довгої короткочасної пам'яті та згорткові нейронні мережі.
This paper analyzes the main machine learning methods used for predicting the technical condition of industrial equipment. Classical machine learning algorithms, including Support Vector Machines, Random Forest, and
This paper analyzes the main machine learning methods used for predicting the technical condition of industrial equipment. Classical machine learning algorithms, including Support Vector Machines, Random Forest, and
Опис
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Пакула А. А., Пакула А. А., Гармаш В. В. Аналіз методів машинного навчання для прогнозування технічного стану обладнання // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/28793.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (10)
- Carvalho T. P., Soares F. A., Vita R., Francisco R., Basto J., Alcal S. A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, vol. 137, 2019. DOI: 10.1016/j.cie.2019.106024.
- Ferreira C., Gonalves G. Remaining useful life prediction and challenges: a literature review on the use of machine learning methods. Journal of Manufacturing Systems, vol. 63, pp. 550–562, 2022. DOI: 10.1016/j.jmsy.2022.05.010.
- Zonta T., da Costa C. A., da Rosa Righi R., de Lima M. J., da Trindade E. S., Li G. P. Predictive maintenance in the Industry 4.0: A systematic literature review. Computers & Industrial Engineering, vol. 150, 2020. DOI: 10.1016/j.cie.2020.106889.
- Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer, 2009. 745 p.
- Peji Bach M., Topalovi A., Krsti ., Ivec A. Predictive Maintenance in Industry 4.0 for the SMEs: A Decision Support System Case Study Using Open-Source Software. Designs, vol. 7, no. 4, 2023. DOI: 10.3390/designs7040098.
- Nikolaou P., Madhusudanan N., Toska E., Adams S. Remaining useful lifetime prediction for predictive maintenance in manufacturing. Computers & Industrial Engineering, vol. 184, 2023. DOI: 10.1016/j.cie.2023.109592.
- Bengio Y., Goodfellow I., Courville A. Deep Learning. The MIT Press, 2016. 800 p.
- Zhou J., Qin Y., Chen J., Liu Q., Qian Q., Xiang L., Zhu F. Remaining useful life prediction of machine based on deep learning: a comprehensive survey. Measurement Science and Technology, vol. 35, no. 6, 2024. DOI: 10.1088/1361-6501/ad2bcc.
- Li X., Wang L., Wang C. et al. A method for predicting remaining useful life using enhanced Savitzky-Golay filter and improved deep learning framework. Scientific Reports, vol. 14, 2024. DOI: 10.1038/s41598-024-74989-y.
- Hector I., Panjanathan R. Predictive maintenance in Industry 4.0: a survey of planning models and machine learning techniques. PeerJ Computer Science, vol. 10, 2024. DOI: 10.7717/peerj-cs.2016.