Search academic texts

Information × Registration Number 2125U003035, Article popup.category Бакалаврська робота Title Аналіз сенсорних даних автомобіля та прогнозування технічного стану із використанням методів машинного навчання (AI translated) popup.author Марченко Євгеній ПавловичMarchenko Yevhenii Pavlovych popup.publication 01-01-2025 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/76049 popup.publisher Київ Description Дипломна робота: 98 с., 5 табл., 10 рис., 2 дод., 23 джерела. Об’єктом дослідження є процеси збору та обробки сенсорних даних транспортного засобу з метою автоматичного виявлення технічного стану за допомогою методів машинного навчання. Метою роботи є побудова ефективної моделі машинного навчання, яка здатна класифікувати технічний стан автомобіля на основі аналізу сенсорних показників, виявляючи ознаки потенційних несправностей. Методами дослідження у роботі є поєднання теоретичних засад системного аналізу та прикладних підходів до обробки сенсорних даних транспортного засобу із використанням інструментів машинного навчання. Для обробки інформації використовуються методи заповнення пропусків, нормалізації, фільтрації шумів та виявлення залежностей між ознаками. Прогнозування технічного стану здійснюється з використанням моделей дерева рішень, випадкового лісу, градієнтного бустингу та методу найближчих сусідів. Якість побудованих моделей оцінюється за допомогою стандартних метрик класифікації, зокрема точності, повноти та F1-міри, що забезпечує обґрунтовану оцінку придатності обраних підходів. Розроблена модель машинного навчання навчається на спеціально підготовлених сенсорних даних, які були отримані з відкритих джерел і пройшли етапи очистки, нормалізації та обробки. Для підвищення ефективності моделі було проведено аналіз ознак і скорочення вибірки шляхом усунення зайвих атрибутів. Упровадження побудованої моделі дає змогу автоматизовано аналізувати технічний стан автомобіля на основі поточних сенсорних показників і завчасно виявляти потенційні несправності. Bachelor’s Thesis: 98 pages, 5 tables, 10 figures, 2 appendices, 23 references. The object of the research is the processes of collecting and processing sensor data from a vehicle in order to automatically determine its technical condition using machine learning methods. The purpose of this work is to build an effective machine learning model capable of classifying the technical condition of a car based on the analysis of sensor indicators and detecting signs of potential faults. The research methods combine the theoretical foundations of systems analysis with practical approaches to sensor data processing using machine learning tools. The data processing pipeline includes handling missing values, normalization, noise filtering, and detecting dependencies between features. Technical condition prediction is performed using decision trees, random forest, gradient boosting, and k-nearest neighbors models. The performance of the models is evaluated using standard classification metrics, including accuracy, recall, and F1-score, which provides a grounded assessment of the selected approaches. The developed machine learning model is trained on specially prepared sensor data obtained from open sources and subjected to cleaning, normalization, and preprocessing. To improve model efficiency, feature analysis and dataset reduction were performed by eliminating redundant attributes. The implemented model enables automated analysis of a vehicle's technical condition based on current sensor readings and early detection of potential malfunctions. popup.nrat_date 2025-11-05 Close