Registration Number
0826U002030, PhD dissertation
Status
Доктор філософії
Date
20-07-2026
popup.evolution
.
Title
Information technology for technical diagnosis of dynamic system elements based on monitoring data
Author
Dmytro Shevchenko,
popup.head Viktoriia Strilets
popup.opponent Vitalii O. Martovytskyi
popup.opponent Svitlana Gavrylenko
popup.review Olena Tolstoluzka
popup.review Dmytro Uzlov
popup.rada
Karazin University
Description
Шевченко Д. О. Інформаційна технологія технічного діагностування елементів динамічних систем на основі даних моніторингу. – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття ступеня доктора філософії за спеціальністю 122 Комп'ютерні науки (Галузь знань 12 Інформаційні технології). – Харківський національний університет імені В. Н. Каразіна, Міністерство освіти і науки України, Харків, 2026.
Дисертаційна робота присвячена розробці багаторівневої інформаційної технології технічного діагностування динамічних систем та їх елементів на основі даних моніторингу. Актуальність обумовлена тим, що непередбачувані відмови динамічних технічних систем призводять до значних економічних втрат та безпекових ризиків, а існуючі методи діагностування характеризуються фрагментарністю, гомогенністю ансамблевих підходів, відсутністю уніфікованих методів формування часових представлень для різнорідних компонентів та недостатньою спеціалізацією компонентів багаторівневих технологій. Метою роботи є підвищення якості та стійкості діагностування елементів динамічних систем в умовах складності операційних режимів шляхом розробки багаторівневої інформаційної технології за рахунок інтеграції комплементарних підходів машинного навчання з ансамблюванням діагностичних рішень.
У розділі 1 проведено аналіз моделей, методів та технологій діагностування за даними моніторингу: попередньої обробки, визначення стану (класифікація, виявлення аномалій, кластеризація), зменшення розмірності, прогнозування залишкового ресурсу та багаторівневих технологій з ансамблевими методами. Виявлені невирішені проблеми мають системний характер та взаємно підсилюють одна одну, що обґрунтовує необхідність нової технології.
У розділі 2 на основі принципів комплементарності, багаторівневої організації, модульності, ансамблювання, поєднання прогнозування та класифікації, використання часових представлень розроблено технологію та модель її функціонування у три рівні. На рівні попередньої обробки розроблено метод комплексної обробки даних моніторингу та формування диференційованих часових представлень. На рівні діагностування стану розроблено п'ять методів у двох паралельних гілках: класифікації на основі ансамблювання контрольованих та неконтрольованих методів класичного машинного навчання; виявлення аномалій та зменшення розмірності на основі автокодувальників з диференційованим навчанням; нечіткої кластеризації на основі агентно-орієнтованого підходу з підтримкою декількох режимів функціонування; прогнозування залишкового ресурсу на основі рекурентної нейронної мережі; класифікації на основі гібридної нейронної мережі. На рівні прийняття інтегрованого рішення розроблено метод ансамблювання діагностичних рішень з трьома стратегіями голосування та автоматизованим підбором конфігурації. Двоетапний процес налаштування забезпечує адаптацію до специфіки об'єкта діагностування.
У розділі 3 виконано математичну формалізацію технології та її компонентів. Для методу попередньої обробки специфіковано послідовність операцій та два методи формування часових представлень: ковзного вікна та часових вікон з агрегацією статистик. Для п'яти методів рівня діагностування визначено механізми формування рішень та обчислення їх достовірності. Специфіковано метод ансамблювання з трьома стратегіями голосування: бінарне, зважене за достовірністю та гібридне. Формалізовано інтегроване функціонування технології та двоетапний процес її налаштування.
У розділі 4 виконано експериментальну перевірку технології на даних деградації турбовентиляторних двигунів набору C-MAPSS NASA (підмножини FD001 з одним та FD004 з шістьма режимами і двома механізмами деградації). Виявлено залежність якості неконтрольованих компонент від складності сценаріїв та високу стійкість методів на основі нейронних мереж; підтверджено зростання цінності ансамблювання зі складністю даних. Технологія досягла F1-міри 94.12% на FD001 та 92.31% на FD004 зі зниженням лише 1.81%, що підтверджує стійкість до множинних режимів. Порівняння з 15 підходами до бінарної класифікації підтвердило найвищу F1-міру на багаторежимних даних та найменше зниження якості при ускладненні умов. Оцінка ресурсів підтвердила придатність до практичного застосування: пікове споживання пам'яті – до 1,4 ГБ, час опрацювання зразка – до 41 мс. Порівняння з 27 підходами до прогнозування залишкового ресурсу підтвердило найвищу стійкість із різницею RMSE між підмножинами 1.59 циклів (у 4.1 раза менше за найближчий конкурент) при конкурентній якості на FD004.
Розроблена технологія забезпечує високу точність діагностування критичних станів із найвищою стійкістю до множинних режимів та конкурентоспроможну точність прогнозування залишкового ресурсу. Практична значущість полягає у можливості використання результатів при створенні систем прогностичного обслуговування турбовентиляторних двигунів, промислових турбін, підшипників, редукторів та іншого критичного обладнання в авіаційній, енергетичній та обробній промисловості.
Registration Date
2026-05-28
popup.nrat_date
2026-05-28 / 2026-08-18
