Прогнозирование отказов оборудования в условиях малого количества поломок
Gespeichert in:
| Titel: | Прогнозирование отказов оборудования в условиях малого количества поломок |
|---|---|
| Quelle: | Вестник Череповецкого государственного университета. |
| Verlagsinformationen: | Федеральное государственное бюджетное образовательное учреждение высшего образования «Череповецкий государственный университет», 2016. |
| Publikationsjahr: | 2016 |
| Schlagwörter: | ПРОГНОЗИРОВАНИЕ ОТКАЗОВ,МАШИННОЕ ОБУЧЕНИЕ,RANDOM FOREST,ДЕРЕВО РЕШЕНИЙ,МОДЕЛЬ,FORECASTING FAILURES,MACHINE LEARNING,DECISION TREE,MODEL |
| Beschreibung: | Предложена модель прогнозирования отказов оборудования на основе алгоритма машинного обучения Random Forest. Рассмотрены ключевые этапы построения и настройки модели. Модель включает в себя несколько подмоделей, прогнозирующих отказ оборудования, используя фактические и прогнозируемые показания с датчиков. График разности в показаниях фактического и прогнозного значения сигналов в последующий промежуток времени используется для выявления отказов и аномалий. Обучение модели проводится на нормальных данных, а настройка модели на данных о предыдущих поломках. |
| Publikationsart: | Article |
| Dateibeschreibung: | text/html |
| Sprache: | Russian |
| ISSN: | 1994-0637 |
| Zugangs-URL: | http://cyberleninka.ru/article_covers/16918262.png http://cyberleninka.ru/article/n/prognozirovanie-otkazov-oborudovaniya-v-usloviyah-malogo-kolichestva-polomok |
| Dokumentencode: | edsair.od......2806..e3bbf28568d476c72e6e2bad057d049c |
| Datenbank: | OpenAIRE |
Nájsť tento článok vo Web of Science 
| Abstract: | Предложена модель прогнозирования отказов оборудования на основе алгоритма машинного обучения Random Forest. Рассмотрены ключевые этапы построения и настройки модели. Модель включает в себя несколько подмоделей, прогнозирующих отказ оборудования, используя фактические и прогнозируемые показания с датчиков. График разности в показаниях фактического и прогнозного значения сигналов в последующий промежуток времени используется для выявления отказов и аномалий. Обучение модели проводится на нормальных данных, а настройка модели на данных о предыдущих поломках. |
|---|---|
| ISSN: | 19940637 |