Магистерская диссертация тема работы Разработка цифрового двойника технологического процесса с использованием производственных данных

Выводы по разделу

• 
  рамках раздела «социальная ответственность» были выявлены и проанализированы наиболее вероятные вредные и опасные производственные факторы, а также предложены мероприятия по снижению уровней их воздействия на работника. Было приведено описание рабочего места и перечень выполненных работ. Произведен расчет времени эвакуации. Помимо этого, в подразделе «экологическая безопасность» рассматривается характер воздействия проектируемого решения на окружающую среду. Также рассмотрены наиболее возможные чрезвычайные ситуации на рабочем месте и алгоритм действий при их возникновении.
  

69
Заключение

В работе в рамках поставленной задачи были достигнуты следующие

цели:

1. 
   Изучен технологический процесс стана тянущих валов, для лучшей интерпретации данных.
   

2. 
   Выполнен анализ реальных данных, сделана обработка методами сглаживания, заполнения пропусков и удаления выбросов для последующей обработке и создания предсказательных моделей.
   

3. 
   Разработаны модели прогнозирования временных рядов скорости приводных электродвигателей стана тянущих валов (P.R.S.), используя функции
   

4. 
   Создано приложение для взаимодействия с моделью предсказания с помощью Designer App. Данное приложение можно разместить на любом ПК.
   

ПО Matlab для корректного функционирования не требуется.

70
Список литературы

1. 
   Фейгенберг И.М. Быстрота моторной реакции и вероятностное прогнозирование //Физиология человека. – 2018. – Т. 34. – №. 5. – С. 51-62.
   

2. 
   Waller M. A., Fawcett S. E. Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management//Journal of Business Logistics. – 2013. – Т. 34. – №. 2. – С. 77-84
   

3. 
   Hazen B. T. et al. Data quality for data science, predictive analytics, and big data in supply chain management: An introduction to the problem and suggestions for research and applications //International Journal of Production Economics. – 2014. – Т. 154. – С. 72-80.
   

4. 
   Schoenherr T., Speier‐ Pero C. Data science, predictive analytics, and big data in supply chain management: Current state and future potential //Journal of Business Logistics. – 2015. – Т. 36. – №. 1. – С. 120-132.
   

5. 
   Eckerson W. W. Predictive analytics //Extending the Value of Your Data Warehousing Investment. TDWI Best Practices Report. – 2007. – Т. 1. – С. 1-36.
   

6. 
   Чугреев В.Л. Системы поддержки принятия решений с использованием методов машинного обучения и прогнозной аналитики \ Чугреев В.Л. \\
   

Проблемы экономического роста и устойчивого развития территорий Материалы научно-практической интернет-конференции г. Вологда, 27–29 апреля 2016 г. С. 79-83.

7. 
   Siegel E. Predictive analytics: The power to predict who will click, buy, lie, or die. – Hoboken: Wiley, 2013. – С. 148.
   

7. 
   Waller M. A., Fawcett S. E. Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management //Journal of Business Logistics. – 2013. – Т. 34. – №. 2. – С. 77-84.
   

7. 
   Shmueli G., Koppius O. R. Predictive analytics in information systems research //Mis Quarterly. – 2011. – С. 553-572.
   

71

10. 
    Schoenherr T., Speier‐ Pero C. Data science, predictive analytics, and big data in supply chain management: Current state and future potential //Journal of Business Logistics. – 2015. – Т. 36. – №. 1. – С. 120-132.
    

10. 
    Eckerson W. W. Predictive analytics //Extending the Value of Your Data Warehousing Investment. TDWI Best Practices Report. – 2007. – Т. 1. – С. 1-36.
    

10. 
    Боровиков С.М. IT-система прогнозирования надѐжности сложных электронных систем методом анализа дерева отказов \ С. М. Боровиков, А. Е. Епихин \\ Информационные системы и технологии: управление и безопасность. 2013. №2. С. 140-144.
    

10. 
    Гречко И.А. Использование методов машинного обучения для прогнозирования опасных конвективных явлений с помощью численной модели конвективного облака \ Санкт-Петербург 2017 г.
    

10. 
    Wirth, Rüdiger and Jochen Hipp. – CRISP-DM: Towards a Standard Process Model for Data Mining. (2000).
    

10. 
    Кожевников А.В. Применение методов машинного обучения в рамках прогнозирования состояния электромеханических систем прокатного производства \ Кожевников А.В., Илатовский И.С., Соловьева О.И. \\ Вестник Череповецкого государственного университета, 2017, №1. С. 33-39
    

10. 
    Shipp M. A. et al. Diffuse large B-cell lymphoma outcome prediction by gene-expression profiling and supervised machine learning //Nature medicine. – 2002.
    

–Т.8.–№.1.–С.68.

10. 
    Nielsen H., Brunak S., von Heijne G. Machine learning approaches for the prediction of signal peptides and other protein sorting signals //Protein engineering. –
    

1999. – Т. 12. – №. 1. – С. 3-9.

18. 
    Challagulla V. U. B. et al. Empirical assessment of machine learning based software defect prediction techniques //International Journal on Artificial Intelligence Tools. – 2008. – Т. 17. – №. 02. – С. 389-400.
    

72

19. 
    Suthaharan S. Big data classification: Problems and challenges in network intrusion prediction with machine learning //ACM SIGMETRICS Performance Evaluation Review. – 2014. – Т. 41. – №. 4. – С. 70-73.
    

19. 
    Тулупьев А. Л., Фильченков А. А., Вальтман Н. А. Алгебраические
    

байесовские сети: задачи автоматического обучения //Информационноизмерительные и управляющие системы. – 2011. – Т. 9. – №.

11. 
    – С. 57-61.
    

21. 
    Van Hinsbergen C. P. I. J., Van Lint J. W. C., Van Zuylen H. J. Bayesian training and committees of state-space neural networks for online travel time prediction //Transportation Research Record. – 2009. – Т. 2105. – №. 1. – С. 118-126.
    

21. 
    MacKay D. J. C. et al. Bayesian nonlinear modeling for the prediction competition //ASHRAE transactions. – 1994. – Т. 100. – №. 2. – С. 1053-1062.
    

21. 
    Akoush S., Sameh A. Mobile user movement prediction using Bayesian learning for neural networks //Proceedings of the 2007 international conference on Wireless communications and mobile computing. – ACM, 2007. – С. 191-196.
    

21. 
    Суворова А. В. и др. Вероятностные графические модели социальнозначимого поведения индивида, учитывающие неполноту информации //Труды СПИИРАН. – 2012. – Т. 3. – №. 22. – С. 101-112.
    

21. 
    Artamonov Y. S. Prediction of cluster system load using adaptive model mixture //International Journal of Open Information Technologies. – 2017. – Т. 5. –
    

№. 5. – С. 9-15.

21. 
    Singh S. et al. SVM based system for classification of microcalcifications in digital mammograms //Engineering in Medicine and Biology Society, 2006. EMBS'06. 28th Annual International Conference of the IEEE. – IEEE, 2006. – С. 4747-4750.
    

21. 
    Wee L. J. K. et al. SVM-based prediction of linear B-cell epitopes using Bayes Feature Extraction //BMC genomics. – BioMed Central, 2010. – Т. 11. – №. 4.
    

– С. 21.
73

28. 
    Ma C. Y. et al. Prediction models of human plasma protein binding rate and oral bioavailability derived by using GA–CG–SVM method //Journal of pharmaceutical and biomedical analysis. – 2008. – Т. 47. – №. 4-5. – С. 677-682.
    

28. 
    Deris A. M., Zain A. M., Sallehuddin R. Hybrid GR-SVM for prediction of surface roughness in abrasive water jet machining //Meccanica. – 2013. – Т. 48. – №.
    

8. 
   – С. 1937-1945.
   

30. 
    Chen J. H., Lin J. Z. Developing an SVM based risk hedging prediction model for construction material suppliers //Automation in construction. – 2010. – Т.
    

19. 
    – №. 6. – С. 702-708.
    

31. 
    Lin J. Y., Cheng C. T., Chau K. W. Using support vector machines for long-term discharge prediction //Hydrological Sciences Journal. – 2006. – Т. 51. – №. 4. – С. 599-612.
    

31. 
    Sapankevych N. I., Sankar R. Time series prediction using support vector
    

machines: a survey //IEEE Computational Intelligence Magazine. – 2009. – Т. 4. – №.

2.

33. 
    Wang Z. Failure prediction using machine learning and time series in optical network \ Zhilong Wang, Min Zhang, Danshi Wang, Chuang Song, Min Liu, In Li, Liqi Lou, Zhuo Liu \\ Opt Express. 2017 Aug 7; 25(16):18553-18565
    

33. 
    Маценов А. А. Комитетный бустинг: минимизация числа базовых алгоритмов при простом голосовании //Всероссийская конференция ММРО- 3. –
    

2007. – С. 180-183.

35. 
    Кашницкий Ю. С., Игнатов Д. И. Ансамблевый метод машинного обучения, основанный на рекомендации классификаторов/Machine Learning in
    

Python, Journal of Machine Learning Research, 12.-2825-2830. – 2011.

36. 
    Попова Т. П. Ансамбли моделей как современный инструмент анализа данных //ББК 65.04 К64 Ответственные за выпуск: доктор экономических наук, ректор Уральского государственного экономического университета. – 2017. – С.
    

256.
74

37. 
    Schapire R. E., Singer Y. Improved boosting algorithms using confidencerated predictions //Machine learning. – 1999. – Т. 37. – №. 3. – С. 297-336.
    

37. 
    Freund Y., Schapire R., Abe N. A short introduction to boosting //JournalJapanese Society For Artificial Intelligence. – 1999. – Т. 14. – №. 771-780. –
    
• 
  1612.
  

39. 
    Берестнева О. Г., Муратова Е. А. Построение логических моделей с использованием деревьев решений //Известия Томского политехнического университета. – 2004. – Т. 307. – №. 2.
    

39. 
    Freund Y., Mason L. The alternating decision tree learning algorithm //icml.
    

– 1999. – Т. 99. – С. 124-133.

41. 
    Prasad A. M., Iverson L. R., Liaw A. Newer classification and regression tree techniques: bagging and random forests for ecological prediction //Ecosystems. –
    

2006. – Т. 9. – №. 2. – С. 181-199.

42. 
    Летова М.С. Реализация регрессивных и классификационных задач с помощью метода Random Forest \ М.С. Летова \\ E-Scio. 2017. №8 (11). С. 15- 21.
    

42. 
    Чистяков С. П. Случайные леса: обзор //Труды Карельского научного центра Российской академии наук. – 2013. – №. 1.
    

42. 
    Пальмов С. В. Случайный лес: основные особенности / С.В. Пальмов, А.О. Денискова // Наука сегодня: теоретические и практические аспекты. - 2017,
    

стр.: 51-52.

45. 
    Беляков М. И. Оптимизация программы обслуживания оборудования на основе методологии RCM //Главный механик. – 2015. – №. 9. – С. 69.
    

45. 
    Мухарямов Т. Ш. Современные подходы к автоматизации управления состоянием основного оборудования в гидроэнергетике России //Известия высших учебных заведений. Проблемы энергетики. – 2006. – №. 7-8.
    

45. 
    Баскакова Н. Т. Использование методологии RCM в технологическом обслуживании и ремонтах металлургического оборудования \ Баскакова Н.Т., Сидорук И.Л., Ганникова А.А. \\ Моделирование и развитие поцессов ОМД. 2013. № 19. С. 235-239.
    

75

48. 
    Баскакова Н. Т. Оптимизация затрат ремонтов в условиях теории ограничений с применением методов RCM \ Н.Т. Баскакова, И.Л. Сидорук \\
    

Актуальные проблемы современной науки, техники и образования. 2014. Т.2.

№1. С. 207-211.

49. 
    Трудовой кодекс Российской Федерации от 30.12.2001 N 197-ФЗ (ред. от 30.04.2020)
    

49. 
    СанПиН 2.2.2/2.4.1340-03. Гигиенические требования к персональным электронно-вычислительным машинам и организации работы.
    

49. 
    ГОСТ 12.0.003-2015 Система стандартов безопасности труда (ССБТ). Опасные и вредные производственные факторы. Классификация.
    

49. 
    ГОСТ 12.1.005-88 ССБТ. Общие санитарно-гигиенические требования
    

• 
  воздуху рабочей зоны.
  

53. 
    СП 52.13330.2016 Естественное и искусственное освещение. Актуализированная редакция СНиП 23-05-95
    

53. 
    ГОСТ 12.1.003-2014 ССБТ. Шум. Общие требования безопасности;
    

53. 
    СП 51.13330.2011 Защита от шума
    

53. 
    СанПиН 2.2.2/2.4.1340-03 Гигиенические требования к персональным электронно-вычислительным машинам и организации работы.
    

53. 
    ГОСТ 12.1.019-2017 ССБТ. Электробезопасность. Общие требования и номенклатура видов защиты
    

53. 
    ГОСТ 12.1.004-91 ССБТ. Пожарная безопасность. Общие требования.
    

53. 
    ГОСТ Р 51768-2001 Ресурсосбережение. Обращение с отходами. Методика определения ртути в ртутьсодержащих отходах. Общие требования.
    

53. 
    О противопожарном режиме (с изменениями на 23 апреля 2020 года).
    

53. 
    Приказ МЧС РФ от 10.07.2009 N 404 (ред. от 14.12.2010) "Об утверждении методики определения расчетных величин пожарного риска на производственных объектах.
    

53. 
    Об утверждении Правил обращения с отходами производства и потребления в части осветительных устройств, электрических ламп,
    

76
ненадлежащие сбор, накопление, использование, обезвреживание, транспортирование и размещение которых может повлечь причинение вреда жизни, здоровью граждан, вреда животным, растениям и окружающей среде (с изменениями на 1 октября 2013 года).

77
Приложение A

(обязательное)

Раздел 2.1.1. Технологический процесс


Technological process

Студент: