| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Intelektuālas robotizētas sistēmas |
| Nosaukums |
Mašīnmācīšanās algoritmu izmantošana elektromotoru prognozējošai uzturēšanai |
| Nosaukums angļu valodā |
Application of Machine Learning Algorithms for Predictive Maintenance of Electric Motors |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Dmitrijs Bļizņuks |
| Recenzents |
Vitālijs Osadčuks |
| Anotācija |
Maģistra darba tēma ir “Mašīnmācīšanās algoritmu izmantošana elektromotoru prognozējošai uzturēšanai”. Tā mērķis ir izveidot sistēmu, kas spēj noteikt un prognozēt elektromotora darbības anomāliju.
Maģistra darbs ir veltīts dažādiem mašīnmācīšanas algoritmiem, kurus izmanto motoru prognozējošai uzturēšanai. Darba ietvaros tiek apskatīti zinātniskie raksti, kas veltīti dažādu motoru prognozējošai uzturēšanai. Tika atrasta brīvpieejama datu bāze ar motora darbības parametriem un izanalizēti tas dati.
Maģistra darba praktiskajā daļā tiek izpētīti un optimizēti parametri LSTM un “Random Forest” algoritmiem. LSTM algoritmam tika apskatīti tādi parametri kā apmācības solis, neironu skaits, “dropout” un klašu piederības slieksnis. “Random Forest” algoritmam tika apskatīti tādi parametri kā koku maksimālais dziļums un koku skaits mežā. Tika arī izpētīts faktoru svarīgums katrā no algoritmiem. Papildus tika apskatīts CNN algoritms. Tika pārbaudīta izveidotas sistēmas efektivitāte un sasniedzama precizitāte ar datu fragmentiem, kas saturēja gan motora normālas darbības datus, gan motora nelīdzsvarotas darbības datus.
Darbs sastāv no ievada, 3 nodaļām, secinājumiem un izmantotās literatūras saraksta.
Darbā ir 65 lappuses, 73 attēli, 3 tabulas, 20 literatūras avots un 8 pielikumi. |
| Atslēgas vārdi |
LSTM, RF, CNN, prognozējoša uzturēšana |
| Atslēgas vārdi angļu valodā |
LSTM, RF, CNN, Random Forest, predictive maintenance |
| Valoda |
lv |
| Gads |
2022 |
| Darba augšupielādes datums un laiks |
30.05.2022 10:22:41 |
