Операційні ризики, методи іх оцінки, запобігання та прогнозування

Скорочена інформація про документ
dc.contributor.advisorЛевенчук, Людмила Борисівна
dc.contributor.authorТитаренко, Всеволод Юрійович
dc.date.accessioned2025-02-07T14:51:34Z
dc.date.available2025-02-07T14:51:34Z
dc.date.issued2024
dc.description.abstractМагістерська дисертація: 134 с., 19 рис., 42 табл., 1 додаток, 43 джерела. Мета роботи – розробка системи прогнозування операційних ризиків на основі методів машинного навчання та створення життєздатного стартап-проекту для впровадження цієї системи у промисловому секторі. Об'єкт дослідження – процеси виникнення та розвитку операційних ризиків у складних технічних системах. Предмет дослідження – методи та алгоритми машинного навчання для прогнозування технічного стану обладнання та оцінки операційних ризиків. Методи дослідження – методи статистичного аналізу, машинного навчання, feature engineering, методи валідації моделей, методи проектного менеджменту та бізнес-планування. У роботі досліджено проблематику прогнозування та оцінювання операційних ризиків промислового обладнання. На основі датасету NASA Turbofan Engine розроблено та порівняно ефективність різних моделей машинного навчання для прогнозування залишкового ресурсу обладнання. Створено систему класифікації рівнів операційного ризику та запропоновано концепцію стартап-проекту для практичного впровадження розробленої системи. Практична цінність роботи полягає у створенні системи раннього попередження відмов промислового обладнання, що дозволяє оптимізувати процеси технічного обслуговування та знизити операційні витрати підприємств.
dc.description.abstractotherMaster's thesis: 134 p., 19 figures, 42 tables, 1 appendix, 43 references. The purpose of the study is to develop a system for predicting operational risks based on machine learning methods and to create a viable startup project for the implementation of this system in the industrial sector. The object of research is the processes of emergence and development of operational risks in complex technical systems. Subject of research - machine learning methods and algorithms for predicting the technical condition of equipment and assessing operational risks. Research methods - methods of statistical analysis, machine learning, feature engineering, model validation methods, project management and business planning methods. The thesis investigates the problems of forecasting and assessing operational risks of industrial equipment. Based on the NASA Turbofan Engine dataset, the effectiveness of various machine learning models for predicting the residual life of equipment is developed and compared. A system for classifying levels of operational risk has been created and a startup project concept for the practical implementation of the developed system has been proposed. The practical value of the work lies in the creation of an early warning system for industrial equipment failures, which allows optimizing maintenance processes and reducing operating costs of enterprises.
dc.format.extent134 с.
dc.identifier.citationТитаренко, В. Ю. Операційні ризики, методи іх оцінки, запобігання та прогнозування : магістерська дис. : 124 Системний аналіз / Титаренко Всеволод Юрійович. - Київ, 2024. - 134 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/72397
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectопераційні ризики
dc.subjectмашинне навчання
dc.subjectпредиктивна аналітика
dc.subjectпромислове обладнання
dc.subjectrandom forest
dc.subjectxgboost
dc.subjectsvr
dc.subjectturbofan engine
dc.subjectoperational risks
dc.subjectmachine learning
dc.subjectpredictive analytics
dc.subjectindustrial equipment
dc.subject.udc303.732.4
dc.titleОпераційні ризики, методи іх оцінки, запобігання та прогнозування
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Tytarenko_magistr.pdf
Розмір:
2.63 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи