Информация о статье

Название статьи:

Использование библиотеки Scikit-learn и собственной программы по кластеризации для обработки статистических данных по отказам двухконтурных газовых котлов

Авторы:
Щербань П.С., кандидат технических наук, доцент отраслевого научного кластера «Институт высоких технологий», Балтийский федеральный университет им. И. Канта, г. Калининград, Российская Федерация, ursa-maior@yandex.ru,

Абу-Хамди Р.В., студент, отраслевой научный кластер «Институт высоких технологий», Балтийский федеральный университет им. И. Канта, г. Калининград, Российская Федерация, rabouhamdi@gmail.com,

Карагадян А.Н., студент, отраслевой научный кластер «Институт высоких технологий», Балтийский федеральный университет им. И. Канта, г. Калининград, Российская Федерация, a.karagadian2001@gmail.com

В рубрике:
МАТЕМАТИЧЕСКИЕ НАУКИ

Год: 2023 Том: 5 Номер журнала: 2

Страницы: 172-191

Тип статьи: Научная статья

УДК: 51-74

DOI: 10.17150/2713-1734.2023.5(2).172-191

Аннотация:
На современном этапе развития техники у большого числа промышленных предприятий и сервисных организаций часто возникает проблема обработки массивов статистических данных по аварийным ситуациям и отказам оборудования. Рост числа информации и ее сложность, многофакторность возникающих отказов и взаимосвязанные с этим риски - не позволяют обходиться примитивными механизмами статистического анализа и учета. Одним из способов стратифицировать поступающие данные, выявить определенные закономерности в отказах оборудования и установить весомость влияющих факторов является кластеризация статистической информации. Для малых и средних предприятий, задействованных в процессе технического обслуживания и ремонта это особенно важно, поскольку наряду с выявлением причин возникновения неисправностей и отказов, применение кластеризации к массиву статистических данных дает информацию для стратегического планирования - объема ремонтных работ, объема закупки материалов и комплектующих, управления временем и в целом прогностики. Обработка массива данных требует привлечения соответствующего программного обеспечения. Для этого могут быть использованы как имеющиеся в свободном доступе пакеты (например, использование в работе библиотеки scikit-learn на интерактивной вычислительной среде Jupyter Notebook), так и собственные программные продукты, сформированные для оценки конкретной проблемы. В исследовании проводиться последовательная обработка и нормализация исходных данных по отказам котелкового оборудования для проведения кластерного анализа, далее выполняется сам кластерный анализ и сравниваются его результаты, полученные на базе общедоступной библиотеки scikit-learn на интерактивной вычислительной среде Jupyter Notebook и программы по кластеризации данных собственной разработки.

Ключевые слова: математические и аналитические виды анализа, кластерный анализ, программная обработка данных, Python, управление качеством, отказы газовых систем

Скачиваний - 0
География скачиваний

Скачать полный текст статьи

Список цитируемой литературы:

Liu S. Corrosion Failure Analysis of the Heat Exchanger in a Hot Water Heating Boiler / S. Liu // Engineering Failure Analysis. - 2022. - Vol. 142. - P. 106847.
Evaluation of Gas-Fired Combi Boilers with HF-AHP-MULTIMOORA / F. Samanlioglu, Z. Ayağ, G. Kirkil, E. Yucal. - DOI 10.1155/2022/9225491 // Applied Computational Intelligence and Soft Computing. - 2022. - Vol. 2022. - P. 1-16.
Modelling of a Gas-Fired Heating Boiler Unit for Residential Buildings Based on Publicly Available Test Data / K. Simic, I. T'Jollyn, W. Faes [ed al.]. - DOI 10.1016/j.enbuild.2021.111451 // Energy and Buildings. - 2021. - Vol. 253. - P. 111451.
A Probabilistic Approach to Include the Overall Efficiency of Gas-Fired Heating Systems in urban Building Energy Modelling / K. Ritosa, I.D. Jaeger, D. Saelens, S. Roels. - DOI 10.1088/1742-6596/2069/1/012105 // Journal of Physics: Conference Series. IOP Publishing. - 2021. - Vol. 2069, No. 1. - P. 012105.
Statistics and Analysis of Test Data of Industrial Boiler Approved Products in 2020 / Y. Chang, J. Li, X. Liu [et al.] // International Conference on Advanced Manufacturing Technology and Manufacturing Systems (ICAMTMS 2022), Shijiazhuang, 2022. - Shijiazhuang. - Vol. 12309. - P. 604-610.
Prabhu V. Machine Learning Enabled Condition Monitoring Models for Predictive Maintenance of Boilers / V. Prabhu, D. Chaudhary. - DOI 10.1109/RDCAPE52977.2021.9633534 // RDCAPE : 2021 4th International Conference on Recent Developments in Control, Automation & Power Engineering (RDCAPE), Noida, 7 Oct. 2021. - Noida, 2021. - P. 426-430.
Aikin A.R. The Process of Effective Predictive Maintenance / A.R. Aikin // Tribology & Lubrication Technology. - 2021. - Vol. 77, No. 2. - P. 34-40.
Mohanty S. Implementation of Total Productive Maintenance (TPM) in the Manufacturing Industry for Improving Production Effectiveness / S. Mohanty, K.C. Rath, O.P. Jena // Industrial Transformation. - Boca Raton, 2022. - P. 45-60.
Analysis of the Resource-Saving Method for Calculating the Heat Balance of the Installation of Hot-Water Heating Boilers / N. Xodjiev, Sh. Juraev, K. Kurbanov [et al.] // AIP Conference Proceedings, 2022. - Vol. 2432, No. 1. - P. 020019.
Energy Efficiency Indicators for Combined Cooling, Heating and Power Systems / W. Ma, J. Fan, S. Fang, N.M.S. Hassan. - DOI 10.1016/j.enconman.2021.114187 // Energy Conversion and Management. - 2021. - Vol. 239. - P. 114187.
Larbi R.M. Maintenance Policies with Minimal Repair and Replacement on Failures: Analysis and Comparison / R.M. Larbi, D Aït-Kadi. - DOI 10.1080/00207543.2020.1832275 // International Journal of Production Research. - 2021. - Vol. 59, No. 23. - P. 6995-7017.
Leukel J. Adoption of Machine Learning Technology for Failure Prediction in Industrial Maintenance: A Systematic Review / J. Leukel, J. González, M. Riekert. - DOI 10.1016/j.jmsy.2021.08.012 // Journal of Manufacturing Systems. - 2021. - Vol. 61, No. 2. - P. 87-96.
Acuña-Soto C. Normalization in TOPSIS-Based Approaches with Data of Different Nature: Application to the Ranking of Mathematical Videos / C. Acuña-Soto, V. Liern, B. Pérez-Gladish. - DOI 10.1007/s10479-018-2945-5 // Annals of operations research. - 2021. - Vol. 296, No. 1. - P. 541-569.
Chabane A. Dependability Analysis in Systems Engineering Approach Using the FMECA Extracted From the SysML and Failure Modes Classification By K-Means / A. Chabane, S. Adjerid, I. Meddour. - DOI 10.1007/s40435-021-00855-8 // International Journal of Dynamics and Control. - 2022. - Vol. 10, No. 1. - P. 981-998.
Clustering Methods for Power Quality Measurements in Virtual Power Plant / F.F. Aksan, M. Jasiński, T. Sikorski [et al.]. - DOI 10.3390/en14185902 // Energies. - 2021. - Vol. 14, No. 18. - P. 5902.
Analysis and Research on Enterprise Resumption of Work and Production Based on K-Means Clustering / W. Peiyi, M. Longfei, L. Xianglong [ed al.]. - DOI 10.1109/ICBDA51983.2021.9403217 // 2021 IEEE 6th International Conference on Big Data Analytics (ICBDA). - Xiamen, 2021. - P. 169-174.
Quaranta L. KGTorrent: A dataset of Python Jupyter Notebooks from Kaggle / L. Quaranta, F. Calefato, F. Lanubile. - DOI 10.1109/MSR52588.2021.00072 // 2021 IEEE/ACM 18th International Conference on Mining Software Repositories (MSR). - Madrid, 2021. - P. 550-554.
Fangohr H. Jupyter in Computational Science / H. Fangohr, T. Kluyver, M. DiPierro. - DOI 10.1109/MCSE.2021.3059494 // Computing in Science & Engineering. - 2021. - Vol. 23, No. 2. - P. 5-6.
Weiss C.J. Introducing Students to Scientific Computing in the Laboratory through Python and Jupyter Notebooks / C.J Weiss, A. Klose // Teaching Programming across the Chemistry Curriculum. American Chemical Society, 2021. - P. 57-67.
Ono J.P. Interactive Data Visualization in Jupyter Notebooks / J.P. Ono, J. Freire, C.T. Silva. - DOI 10.1109/MCSE.2021.3052619 // Computing in Science & Engineering. - 2021. - Vol. 23, No. 2. - P. 99-106.