Виявлення аномалій зібраних даних з пристроїв ІоТ на основі машинного навчання (ML)
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Актуальність роботи зумовлена стрімким переходом сучасної промисловості до стратегій прогнозованого обслуговування на базі мереж індустріального Інтернету речей (IIoT). Традиційні методи моніторингу з жорсткими пороговими значеннями не здатні вчасно фіксувати мікровідхилення та ранні стадії деградації обладнання серед колосальних обсягів телеметрії. Впровадження алгоритмів машинного навчання у поєднанні з периферійними обчисленнями (Edge Computing) дозволяє в режимі реального часу фільтрувати шум та виявляти приховані руйнівні патерни безпосередньо біля джерела даних, усуваючи проблему мережевих затримок, характерну для суто хмарних рішень.
Метою роботи є розробка інтелектуальної системи виявлення аномалій у телеметричних даних для моніторингу стану промислового обладнання та запобігання аварійним ситуаціям у середовищі IIoT з використанням гібридної Cloud-Edge архітектури.
Для досягнення поставленої мети було вирішено комплекс задач дослідження. Зокрема, проведено аналіз сучасних інфраструктурних моделей IIoT та визначено специфіку промислових часових рядів, включно з наявністю шумів, пропусків та залежністю від контексту. На основі цього спроєктовано гібридну архітектуру, де ресурсомістке навчання моделей відбувається у хмарному середовищі, а швидкий інференс здійснюється на Edge-шлюзах. У межах роботи розроблено програмний конвеєр підготовки даних, який охоплює їх очищення, статистичне конструювання ознак (Feature Engineering) та застосування швидкого перетворення Фур'є для аналізу обертового обладнання. Крім того, було обґрунтовано вибір та здійснено імплементацію класичних алгоритмів машинного навчання, таких як Isolation Forest і Local Outlier Factor, а також глибоких нейромереж, зокрема LSTM-автоенкодерів та 1D CNN мовою Python. Практична реалізація охоплює процес збору даних із ПЛК за протоколом OPC UA та створення візуального моніторингового дашборду для оператора. Проведені на промислових датасетах експериментальні дослідження повністю підтвердили високу точність детекції аномалій, швидкодію алгоритмів на периферії та стійкість системи до мережевих завад.
Об’єктом дослідження є процеси моніторингу стану промислового обладнання в середовищі індустріального Інтернету речей.
Предметом дослідження виступають методи машинного навчання для ідентифікації аномальних станів у телеметричних даних.
Опис
Ключові слова
машинне навчання, предиктивне обслуговування, lstm-автоенкодер, виявлення аномалій, телеметрія, industrial iot, machine learning, predictive maintenance, edge computing, isolation forest, lstm autoencoder, anomaly detection, python, telemetry
Бібліографічний опис
Боровик, А. С. Виявлення аномалій зібраних даних з пристроїв ІоТ на основі машинного навчання (ML) : дипломна робота ... бакалавра : 172 Телекомунікації та радіотехніка / Боровик Андрій Сергійович. – Київ, 2026. – 81 с.