Показати скорочену інформацію

Аналіз методів машинного навчання для прогнозування технічного стану обладнання

dc.contributor.authorПакула, А. А.uk
dc.contributor.authorПакула, А. А.uk
dc.contributor.authorГармаш, В. В.uk
dc.contributor.authorPakula, A. A.en
dc.contributor.authorHarmash, V. V.en
dc.date.accessioned2026-09-03T10:04:43Z
dc.date.available2026-09-03T10:04:43Z
dc.date.issued2026
dc.identifier.citationПакула 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.uk
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/52629
dc.description.abstractУ 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.uk
dc.description.abstractThis 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, anden
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofМатеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/28793
dc.subjectмашинне навчанняuk
dc.subjectпрогнозування технічного стануuk
dc.subjectпрогнозне обслуговуванняuk
dc.subjectзалишковий ресурсuk
dc.subjectглибоке навчанняuk
dc.subjectпромислове обладнанняuk
dc.subjectmachine learningen
dc.subjectcondition predictionen
dc.subjectpredictive maintenanceen
dc.subjectremaining useful lifeen
dc.subjectdeep learningen
dc.subjectindustrial equipmenten
dc.titleАналіз методів машинного навчання для прогнозування технічного стану обладнанняuk
dc.typeThesis
dc.identifier.udc004.8
dc.relation.referencesCarvalho 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.en
dc.relation.referencesFerreira 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.en
dc.relation.referencesZonta 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.en
dc.relation.referencesHastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer, 2009. 745 p.en
dc.relation.referencesPeji 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.en
dc.relation.referencesNikolaou 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.en
dc.relation.referencesBengio Y., Goodfellow I., Courville A. Deep Learning. The MIT Press, 2016. 800 p.en
dc.relation.referencesZhou 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.en
dc.relation.referencesLi 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.en
dc.relation.referencesHector 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.en


Файли в цьому документі

Thumbnail
Ім'я:
28793.pdf
Розмір:
109.6Kb
Формат:
PDF
Відкрити

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію