Adatfeldolgozási módszerek ipari eszközök proaktív karbantartásához

OData támogatás
Konzulens:
Dr. Varga Pál
Távközlési és Médiainformatikai Tanszék

A dolgozatom célja az adatbányászati technikákkal való ismerkedés, valamint ezeknek a tervezésben, kivitelezésben való felhasználása volt. Erre a célra a konzulensemen keresztül 2 adathalmazt kaptam, amiknek a vizsgálata után elő kellet állnom egy-egy prediktív modellel, ami a proaktív karbantartást segíti.

Ezen cél eléréséhez két technológiát hívtam segítségül az R-t és a Python-t.

A CAN fingerpint nevezetű adathalmazhoz az R-t használtam, mivel itt az idő nagy része egy megfelelő tisztító rendező algoritmus megalkotása ment el, hiszen az adatokat az adatszolgáltató MATLAB exportként adta. Ezen adatokat kellett a tisztítás után vizsgálni, ellenőrizni a szakértők megállapításait, esetlegese új összefüggéseket keresni az adatokban, főleg vizualizációs és "unsupervised learning" módszerekkel. Ezek után megtervezésre került egy hátralévő működési idő számítási algoritmus, aminek az implementációja megfelelő adatszolgáltatás hiányában a az utolsó előtti lépésig jutott, mégpedig az aggregált segédváltozók számításához, amik segítségével a hátralévő működési idő becsülhető, akár kevés (2-3) mérési pont esetén is.

Az "Electric failure" elnevezésű adathalmazhoz a Python használtam, mivel ennél az adathalmaznál nem volt annyi előrelátható tisztítási feladat, viszont az adatok nem mérési értékeket, hanem inkább állapotokat jegyeztek. Ezen adatokból szintén egy hátralévő hasznos idő prediktáló algoritmust kellett terveznem. Az objektíva eléréshez egy gráf-szerű adatreprezentációt használtam, hiszen így tudtam a legegyszerűbben egy egészként összefűzni, megfogni és felhasználni az adathalmaz a hátralévő működési idő prediktálásához.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.