<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Застосування методів нечіткої кластеризації для аналізу даних в експлуатації та ремонті озброєння і військової техніки

Завантаження...
Ескіз

Дата

Науковий керівник

Редактор

Інші учасники

Відповідальний

ORCID

Назва журналу

Номер ISSN

Назва тому

DOI

Альтернативна назва

Анотація

Розглянуто можливості методів кластеризації для аналізу даних, що накопичуються під час експлуатації, технічного обслуговування та ремонту озброєння і військової техніки (ОВТ). Обґрунтовано доцільність застосування нечіткої кластеризації для групування діагностичних ознак за умов невизначеності та перехідних станів. Окреслено потенційне використання результатів кластерного аналізу для підтримки оцінювання технічного стану й планування обслуговування. Запропонований підхід потребує перевірки на репрезентативних даних конкретних зразків ОВТ.
The paper considers clustering methods for analyzing data collected during the operation, maintenance and repair of weapons and military equipment. Fuzzy clustering is highlighted as a useful approach to grouping diagnostic features under uncertainty and transitional operating conditions. Potential applications include technical-condition assessment and maintenance planning support. The approach requires validation using representative data from specific equipment systems.

Опис

Тип документа

Мова

ISSN

Серія, номер

ISBN

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Большакова І. М., Хмелевський С. І. Застосування методів нечіткої кластеризації для аналізу даних в експлуатації та ремонті озброєння і військової техніки // VІ Міжнародна науково-технічна інтернет-конференція «Актуальні проблеми бойового застосування та експлуатації і ремонту зразків озброєння та військової техніки», Вінниця, 10-11 листопада 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/apozbt/apozbt2026/paper/view/30537.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (8)

  1. Якимець Р. В. Методи кластеризації та їх класифікація. Міжнародний науковий журнал. 2016. № 6 (2). С. 48–50.
  2. Surucu O., Gadsden S. A., Yawney J. Condition Monitoring using Machine Learning: A Review of Theory, Applications, and Recent Advances. Expert Systems with Applications. 2023. Vol. 221. Art. 119738. DOI: 10.1016/j.eswa.2023.119738.
  3. Hassan I. U., Panduru K., Walsh J. Review of Data Processing Methods Used in Predictive Maintenance for Next Generation Heavy Machinery. Data. 2024. Vol. 9, No. 5. Art. 69. DOI: 10.3390/data9050069.
  4. Coates A., Ng A. Y. Learning feature representations with k-means. In: Neural Networks: Tricks of the Trade. 2nd ed. 2012. P. 561–580.
  5. Деркач О. І. Аналітична обробка текстової інформації за допомогою засобів кластеризації. Молодий вчений. 2016. № 7. С. 159–165.
  6. Lu Y., Li S., Fotouhi F., Deng Y., Brown S. Incremental genetic k-means algorithm and its application in gene expression data analysis. BMC Bioinformatics. 2004.
  7. Gaber T., Ismail G., Anter A. et al. Thermogram breast cancer prediction approach based on Neutrosophic sets and fuzzy c-means algorithm. 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015. P. 4254–4257.
  8. ISO 13374-1:2003. Condition monitoring and diagnostics of machines – Data processing, communication and presentation – Part 1: General guidelines. ISO. Confirmed 2025. https://www.iso.org/standard/21832.html.