Central Asian
Scientific
Journal

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

Гидравликалық жүйенің жұмыс режиміндегі ауытқуларды машиналық оқыту әдістерімен анықтау

  • Тусупова Аружан Алмазовна Л.Н. Гумилев атындағы Еуразия ұлттық университеті, Астана, Қазақстан
Шығарылым
№4(32), Т. 2, 2026
Беттер
395–401
Жарияланды
16.11.2026
PDF жүктеу

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

Әдебиеттер тізімі

  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.

Дәйексөз келтіру үлгісі

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 Мақала CC BY 4.0 лицензиясы бойынша ашық қолжетімді: оны авторлары мен мақалаға сілтеме көрсетіле отырып еркін оқуға, көшіруге және таратуға болады. Лицензия туралы толығырақ

Мақала туралы пікірлер

Пікір қалдыру

Мақаланы бағалап, пікіріңізбен бөлісіңіз. Пікір модератор тексергеннен кейін шығады.

Баға