View in EDS

Прогнозирование отказов оборудования в условиях малого количества поломок

Saved in:
Bibliographic Details
Title: Прогнозирование отказов оборудования в условиях малого количества поломок
Source: Вестник Череповецкого государственного университета.
Publisher Information: Федеральное государственное бюджетное образовательное учреждение высшего образования «Череповецкий государственный университет», 2016.
Publication Year: 2016
Subject Terms: ПРОГНОЗИРОВАНИЕ ОТКАЗОВ,МАШИННОЕ ОБУЧЕНИЕ,RANDOM FOREST,ДЕРЕВО РЕШЕНИЙ,МОДЕЛЬ,FORECASTING FAILURES,MACHINE LEARNING,DECISION TREE,MODEL
Description: 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.
Document Type: Article
File Description: text/html
Language: Russian
ISSN: 1994-0637
Access URL: http://cyberleninka.ru/article_covers/16918262.png
http://cyberleninka.ru/article/n/prognozirovanie-otkazov-oborudovaniya-v-usloviyah-malogo-kolichestva-polomok
Accession Number: edsair.od......2806..e3bbf28568d476c72e6e2bad057d049c
Database: OpenAIRE
Description
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