Central Asian
Scientific
Journal

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

Гидравликалық жүйенің жұмыс режиміндегі ауытқуларды машиналық оқыту әдістерімен анықтау

  • Тусупова Аружан Алмазовна Л.Н. Гумилев атындағы Еуразия ұлттық университеті, Астана, Қазақстан
Выпуск
№4(32), Т. 2, 2026
Страницы
395–401
Опубликовано
16.11.2026
Скачать 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

Список литературы

  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.

Как цитировать

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 Статья в открытом доступе по лицензии CC BY 4.0: её можно свободно читать, копировать и распространять с указанием авторов и ссылки на статью. Подробнее о лицензии

Отзывы о статье

Оставить отзыв

Оцените статью и поделитесь мнением. Отзыв появится после проверки модератором.

Оценка