TY - JOUR AU - Козак, Є.Б. PY - 2021/11/02 Y2 - 2024/03/28 TI - ПРИНЦИПИ ВПРОВАДЖЕННЯ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ У СФЕРІ ІНТЕЛЕКТУАЛЬНОГО ОБСЛУГОВУВАННЯ ПРОМИСЛОВОГО ОБЛАДНАННЯ JF - Таврійський науковий вісник. Серія: Технічні науки JA - tech VL - IS - 3 SE - DO - 10.32851/tnv-tech.2021.3.3 UR - http://journals.ksauniv.ks.ua/index.php/tech/article/view/51 SP - 19-28 AB - <p>У статті досліджено принципи впровадження моделей машинного навчання у сферу інтелектуального обслуговування промислового обладнання. Зазначено, що розумне вироб- ництво використовує передову аналітику даних для доповнення фізичних законів щодо підвищення ефективності роботи виробничих систем. Наголошується, що за широкого поширення датчиків та Інтернету речей (IoT) зростає потреба в обробці великих вироб- ничих даних, що характеризуються високим об’ємом, високою швидкістю і високою різ- номанітністю. Наведено схему промислової машини, яка використовується для перемо- тування та різання пакувальної плівки на виробництві. Детально розкрито виробничий процес та складено структурну схему налаштування системи, сформовано модель клас- теризації параметрів для виявлення збоїв у роботі промислової машини. Підкреслено, що дані, отримані від датчиків, фактично є дискретними даними часу, що відбираються за секунду часу, а декомпозиція даних часових рядів виявила тенденцію до зростання залиш- ків. Отримані часові ряди стаціонарувались за допомогою диференціації, а логарифмічне перетворення у свою чергу використовувалось для зменшення дисперсії даних часових рядів. При цьому наголошується, що диференціація усуває зміни рівня динамічного ряду, а отже, усуває тенденції та сезонність, причому середнє ковзне та стандартне відхи- лення знайдено незалежно від часу, на основі чого побудовано діаграму стаціонарності. Визначено етапи прогнозування та запропоновано модель інтегрованої ковзної середньої. У роботі запропоновано три моделі: метод опорних векторів, глибока нейронна мережа та наївний баєсів класифікатор, здійснено порівняння всіх трьох моделей та доведено, що модель глибокої нейронної мережі була більш ефективною в разі моделювання даних. Про- гнозна модель побудована для зменшення низькоякісних виробничих циклів та планування технічного обслуговування. Таким чином, наголошено, що машинне навчання на основі IoT допоможе подолати суттєві обмеження продуктивності та пов’язані з цим витрати на обслуговування, що в загальному випадку значно підвищить продуктивність виробничого обладнання.</p> ER -