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

Аналіз методів машинного навчання для прогнозування технічного стану обладнання

Ескіз

Файли

28793.pdf (109,68 KB)

Дата

2026

Автори


Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Анотація

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

Ключові слова

machine learning , condition prediction , predictive maintenance , remaining useful life , deep learning , industrial equipment

УДК

004.8

Тип документа

Thesis

Мова

uk_UA

Є частиною

Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.

ISSN

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.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/52629

Зібрання

Молодь в науці: дослідження, проблеми, перспективи (МН-2026)

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (10)

  1. 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.
  2. 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.
  3. 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.
  4. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer, 2009. 745 p.
  5. 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.
  6. 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.
  7. Bengio Y., Goodfellow I., Courville A. Deep Learning. The MIT Press, 2016. 800 p.
  8. 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.
  9. 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.
  10. 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.