ПІДХОДИ ДО МОДЕЛЮВАННЯ ЦИФРОВИХ ДВІЙНИКІВ ПРОМИСЛОВИХ СИСТЕМ НА ОСНОВІ МАШИННОГО НАВЧАННЯ
Information Technology: Computer Science, Software Engineering and Cyber Security · 29.05.2026 · (2) · 245-254
DOI: 10.32782/it/2026-2-27 ↗Kurz gefasst
Fachartikel in der Zeitschrift Information Technology: Computer Science, Software Engineering and Cyber Security, online erschienen am 29.05.2026. Verfasst von Тетяна САВЧЕНКО und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
В роботі досліджено підходи до побудови цифрових двійників (ЦД) промислових систем, проведено порівняльний аналіз фізичних, керованих даними та гібридних підходів до моделювання, формалізовано критерії класифікації технічного стану турбіни й архітектуру цифрових потоків даних, а також реалізовано систему автоматизованого аналізу SCADA-даних вітрової турбіни на основі моделей Random Forest Classifier і Random Forest Regressor.Мета роботи полягає у розробці та верифікації прототипу Digital Twin (DT) вітрової турбіни, спрямованого на автоматизовану діагностику технічного стану та короткострокове прогнозування генерованої потужності на основі реальних SCADA-даних.Методологія дослідження базується на порівняльному аналізі підходів до моделювання DT, формалізації функціональних та нефункціональних вимог до програмної системи, побудові діаграми потоків даних та застосуванні ансамблевих методів машинного навчання для аналізу датасету обсягом 50 530 десятихвилинних SCADA-записів з визначеними критеріями класифікації станів турбіни.Наукова новизна роботи полягає в адаптації архітектури Digital Twin під специфіку роботи вітрогенераторів та розробці системи діагностичних критеріїв, де коефіцієнт використання потужності виступає індикатором зносу компонентів, що дозволяє оцінювати стан установки навіть тоді, коли прямі заміри вібрації чи температури є недоступними або неповними.Висновки дослідження підтверджують практичну придатність керованого даними підходу для задач діагностики промислових об’єктів: модель класифікації технічного стану досягає точності 83,33% із повнотою виявлення критичних станів 89%, модель прогнозування потужності – похибки MAPE 12,08% на горизонті 24 години, час навчання обох моделей склав 35,03 с. У річному циклі експлуатації виявлено приблизно 14% аномальних записів. Перспективи подальших досліджень пов’язані з інтеграцією системи з потоковими джерелами даних у реальному часі та розширенням діагностичних ознак за рахунок вібраційних і температурних сенсорів.
Zitieren
APA
САВЧЕНКО, Т., & СИЧ, А. (2026). ПІДХОДИ ДО МОДЕЛЮВАННЯ ЦИФРОВИХ ДВІЙНИКІВ ПРОМИСЛОВИХ СИСТЕМ НА ОСНОВІ МАШИННОГО НАВЧАННЯ. Information Technology: Computer Science, Software Engineering and Cyber Security, 245-254. https://doi.org/10.32782/it/2026-2-27
Vancouver
САВЧЕНКО Т, СИЧ А. ПІДХОДИ ДО МОДЕЛЮВАННЯ ЦИФРОВИХ ДВІЙНИКІВ ПРОМИСЛОВИХ СИСТЕМ НА ОСНОВІ МАШИННОГО НАВЧАННЯ. Information Technology: Computer Science, Software Engineering and Cyber Security. 2026:245-254. doi:10.32782/it/2026-2-27
BibTeX
@article{2026,
author = {САВЧЕНКО, Тетяна and СИЧ, Анастасія},
title = {ПІДХОДИ ДО МОДЕЛЮВАННЯ ЦИФРОВИХ ДВІЙНИКІВ ПРОМИСЛОВИХ СИСТЕМ НА ОСНОВІ МАШИННОГО НАВЧАННЯ},
journal = {Information Technology: Computer Science, Software Engineering and Cyber Security},
year = {2026},
number = {2},
pages = {245--254},
doi = {10.32782/it/2026-2-27}
}
EUVIMED