Central Asian
Scientific
Journal

ТЕХНИКАЛЫҚ ҒЫЛЫМДАР - ТЕХНИЧЕСКИЕ НАУКИ - TECHNICAL SCIENCE · UDC 004.85 · Қазақша

Гидравликалық жүйенің жұмыс режиміндегі ауытқуларды машиналық оқыту әдістерімен анықтау

  • Тусупова Аружан Алмазовна Л.Н. Гумилев атындағы Еуразия ұлттық университеті, Астана, Қазақстан
Issue
No. 4(32), Vol. 2, 2026
Pages
395–401
Published
Nov 16, 2026
Download PDF

Аңдатпа

Мақалада гидравликалық сынақ жүйесіндегі жұмыс режимінің ауытқуларын анықтау үшін Isolation Forest, One-Class SVM және Local Outlier Factor әдістері салыстырылады. Деректер ретінде UCI репозиторийіндегі 2205 жұмыс циклінің қысым, температура және шығын бойынша орташа мәндері алынды; модельдер клапан қалыпты күйдегі циклдерде оқытылып, шешім шегі валидация жиынтығында таңдалды. Көлемі 441 циклдік тест жиынтығында Isolation Forest F1-score бойынша ең жақсы нәтиже берді (80,85%, Recall — 92,07%), ал One-Class SVM мен LOF үшін бұл көрсеткіш 50,12% және 58,49% болды. Нәтижелер клапан күйін анықтауға қатысты және сорғының ішкі ағып кетуін диагностикалауға тікелей көшірілмейді.

Түйін сөздер: гидравликалық жүйе, машиналық оқыту, аномалияларды анықтау, Isolation Forest, One-Class SVM, LOF, салыстырмалы талдау

References

  1. ISO 17359:2018. Condition monitoring and diagnostics of machines — General guidelines. – Geneva: International Organization for Standardization, 2018.
  2. Aggarwal C. C. Outlier Analysis. – 2nd ed. – Cham: Springer, 2017. – 466 p. – DOI: 10.1007/978-3-319-47578-3.
  3. Pang G. et al. Deep learning for anomaly detection: A review //ACM computing surveys (CSUR). – 2021. – Т. 54. – №. 2. – С. 1-38.
  4. Liu F. T., Ting K. M., Zhou Z. H. Isolation forest //2008 eighth ieee international conference on data mining. – Ieee, 2008. – С. 413-422.
  5. Dong Y., Chen K., Ma Z. Comparative study on semi-supervised learning applied for anomaly detection in hydraulic condition monitoring system //2023 IEEE International Conference on Systems, Man, and Cybernetics (SMC). – IEEE, 2023. – С. 1702-1708.
  6. Helwig N., Pignanelli E., Schütze A. Condition Monitoring of Hydraulic Systems [Data set]. – UCI Machine Learning Repository, 2015. – DOI: 10.24432/C5CW21.
  7. Fabian P. Scikit-learn: Machine learning in Python //Journal of machine learning research. – 2011. – Т. 12. – С. 2825.
  8. Schölkopf B. et al. Estimating the support of a high-dimensional distribution //Neural computation. – 2001. – Т. 13. – №. 7. – С. 1443-1471.
  9. Breunig M. M. et al. LOF: identifying density-based local outliers //Proceedings of the 2000 ACM SIGMOD international conference on Management of data. – 2000. – С. 93-104.

How to cite

Тусупова А.А. Гидравликалық жүйенің жұмыс режиміндегі ауытқуларды машиналық оқыту әдістерімен анықтау // Central Asian Scientific Journal. – 2026. – №4(32), Т. 2. – Б. 395–401.

CC BY 4.0 Open access under the CC BY 4.0 license: you may freely read, copy and share this article, giving credit to the authors and a link to it. About the license

Reviews of this article

Leave a review

Rate the article and share your opinion. Your review appears after moderation.

Rating