EIRNUZP – Електронний інституційний репозитарій Національного університету «Запорізька політехніка»
Інституційний репозитарій Національного університету «Запорізька політехніка» – це електронний архів, що накопичує, систематизує, зберігає та забезпечує довготривалий відкритий доступ до електронних публікацій та електронних версій документів наукового та навчально-методичного призначення, авторами яких є співробітники, аспіранти, докторанти та студенти Національного університету «Запорізька політехніка».
Communities in DSpace
Select a community to browse its collections.
Recent Submissions
An intelligent model based on deep transfer learning for detecting anomalies in cyber-physical systems
(Національний університет "Запорізька політехніка", 2021) Sukhostat, L. V.; Сухостат, Л. В.
EN: Context. The problem of detecting anomalies from signals of cyber-physical systems based on spectrogram and scalogram images is considered. The object of the research is complex industrial equipment with heterogeneous sensory systems of different nature.
Objective. The goal of the work is the development of a method for signal anomalies detection based on transfer learning with the extreme gradient boosting algorithm.
Method. An approach based on transfer learning and the extreme gradient boosting algorithm, developed for detecting anomalies in acoustic signals of cyber-physical systems, is proposed. Little research has been done in this area, and therefore various pre-trained deep neural model architectures have been studied to improve anomaly detection. Transfer learning uses weights from a deep neural model, pre-trained on a large dataset, and can be applied to a small dataset to provide convergence without overfitting. The classic approach to this problem usually involves signal processing techniques that extract valuable information from sensor data. This paper performs an anomaly detection task using a deep learning architecture to work with acoustic signals that are preprocessed to produce a spectrogram and scalogram. The SPOCU activation function was considered to improve the accuracy of the proposed approach. The extreme gradient boosting algorithm was used because it has high performance and requires little computational resources during the training phase. This algorithm can significantly improve the detection of anomalies in industrial equipment signals.
Results. The developed approach is implemented in software and evaluated for the anomaly detection task in acoustic signals of cyber-physical systems on the MIMII dataset.
Conclusions. The conducted experiments have confirmed the efficiency of the proposed approach and allow recommending it for practical use in diagnosing the state of industrial equipment. Prospects for further research may lie in the application of ensemble approaches based on transfer learning to various real datasets to improve the performance and fault-tolerance of cyber-physical systems.
UK: Актуальність. Розглянуто задачу виявлення аномалій сигналів кіберфізичних систем на основі зображень спектрограм і скалограм. Об’єктом дослідження є складне промислове устаткування, яке має неоднорідні сенсорні системи різної природи.
Мета роботи. Розробка методу виявлення аномалій сигналів на основі трансферного навчання у поєднанні з алгоритмом екстремального градієнтного бустінгу.
Метод. Запропоновано підхід на основі трансферного навчання і екстремального градієентного бустінгу, розроблений для виявлення аномалій в акустичних сигналах кіберфізичних систем. У цій області було проведено мало досліджень, і тому вивчалися різні архітектури заздалегідь навчених глибоких нейронних моделей, щоб поліпшити виявлення аномалій. Трансферне навчання використовує ваги з глибокої нейронної моделі, попередньо навченої на великому наборі даних, і може бути застосоване до невеликого набору навчальних даних, що забезпечує збіжність без перенавчання. Класичний підхід до такого роду проблем зазвичай включає в себе методи обробки сигналів, які дозволяють отримувати корисну інформацію з даних сенсорів. У цій статті виконується завдання виявлення аномалій з використанням архітектури глибокого навчання для роботи з акустичними сигналами, з яких попередньо витягуються спектрограми і скалограми. Функція активації SPOCU була розглянута для поліпшення точності запропонованого підходу. Алгоритм екстремального градієнтного бустінгу був використаний, оскільки він має високу продуктивність і вимагає мало обчислювальних ресурсів на етапі навчання. Застосування даного алгоритму дозволяє домогтися значного поліпшення виявлення аномалій в сигналах промислового обладнання.
Результати. Розроблений підхід реалізований програмно і досліджений під час вирішення завдання виявлення аномалій в акустичних сигналах кіберфізичних систем на наборі даних MIMII.
Висновки. Проведені експерименти підтвердили працездатність запропонованого підходу і дозволяють рекомендувати його для використання на практиці при вирішенні завдань діагностування стану промислового устаткування. Перспективи подальших досліджень можуть полягати в застосуванні ансамблевих підходів на основі трансферного навчання до різних реальних наборів даних для підвищення продуктивності та відмовостійкості кіберфізичних систем.
Посібник з домашнього читання для студентів фаху «Германські мови та літератури», які вивчають німецьку мову як другу іноземну
(Національний університет «Запорізька політехніка», 2025) Волошук, Вікторія Іванівна; Voloshuk, Viktoriia
UK: Посібник призначений для студентів магістрів філологічних факультетів. Він складається з 7 розділів, кожен з яких містить оригінальний текст новели, комплекс вправ і завдань до текста та завдання по розділами для самостійної роботи студентів.
Кожний урок містить різні завдання для закріплення активного словника. Ці завдання завершують роботу над словом та лексико-граматичними засобами. Закріплення словникового запасу підсумовуються завданням на комунікативно орієнтовану навчальну ситуацію. Обов’язково присутні і вправи на переклад як лексики так і речень і текстових уривків, що сприяють підвищенню рівня перекладацьких навичок студентів магістрів.
EN: The manual is intended for master's students of philological faculties. It consists of 7 sections, each of which contains the original text of the novella, a set of exercises and tasks for the text, and tasks by section for independent work of students. Each lesson contains various tasks for consolidating active vocabulary. These tasks complete the work on the word and lexical and grammatical means. Consolidation of vocabulary is summarized by a task for a communicatively oriented educational situation. There are also exercises for translating both vocabulary and sentences and text passages, which contribute to improving the level of translation skills of master's students.
О магнитном упорядочивании кластерных зон в аустенитных сталях при изменении их состава или деформационном воздействии
(Національний університет «Запорізька політехніка», 2019) Ольшанецкий, Вадим Ефимович; Снежной, Геннадий Валентинович; Ol’shanetskii, V.; Snizhnoi, G.
Механические свойства стали 30ХГСА после изотермической закалки из межкритического интервала температур по новому способу
(Національний університет «Запорізька політехніка», 2019) Малинов, Л. С.; Бурова, Д. В.; Malinov, L.; Burova, D.
Problem of a discrete data array approximation by a set of elementary geometric algorithms
(Національний університет "Запорізька політехніка", 2021) Povkhan, I. F.; Mitsa, O. V.; Mulesa, O. Y.; Melnyk, O. O.; Повхан, І. Ф.; Міца, О. В.; Мулеса, О. Ю.; Мельник, О. О.
EN: Context. In this paper, a problem of a discrete data array approximation by a set of elementary geometric algorithms and a recognition model representation in a form of algorithmic classification tree has been solved. The object of the present study is a concept of a classification tree in a form of an algorithm trees. The subject of this study are the relevant models, methods, algorithms and schemes of different classification tree construction.
Objective. The goal of this work is to create a simple and efficient method and algorithmic scheme of building the tree-like recognition and classification models on the basis of the algorithm trees for training selections of large-volume discrete information characterized by a modular structure of independent recognition algorithms assessed in accordance with the initial training selection data for a wide class of applied tasks.
Method. A scheme of classification tree (algorithm tree) synthesis has been suggested being based on the data array approximation by a set of elementary geometric algorithms that constructs a tree-like structure (the ACT model) for a preset initial training selection of arbitrary size. The latter consists of a set of autonomous classification/recognition algorithms assessed at each step of the ACT construction according to the initial selection. A method of the algorithmic classification tree construction has been developed with the basic idea of step-by-step arbitrary-volume and structure initial selection approximation by a set of elementary geometric classification algorithms. When forming a current algorithm tree vertex, node and generalized attribute, this method provides alignment of the most effective and high-quality elementary classification algorithms from the initial set and complete construction of only those paths in the ACT structure, where the most of classification errors occur. The scheme of synthesizing the resulting classification tree and the ACT model developed allows one to reduce considerably the tree size and complexity. The ACT construction structural complexity is being assessed on the basis of a number of transitions, vertices and tiers of the ACT structure that allows the quality of its further analysis to be increased, the efficient decomposition mechanism to be provided and the ACT structure to be built in conditions of fixed limitation sets. The algorithm tree synthesis method allows one to construct different-type tree-like recognition models with various sets of elementary classifiers at the preset accuracy for a wide class of artificial intelligence theory problems.
Results. The method of discrete training selection approximation by a set of elementary geometric algorithms developed and presented in this work has received program realization and was studied and compared with those of logical tree classification on the basis of elementary attribute selection for solving the real geological data recognition problem.
Conclusions. Both general analysis and experiments carried out in this work confirmed capability of developed mechanism of constructing the algorithm tree structures and demonstrate possibility of its promising use for solving a wide spectrum of applied recognition and classification problems. The outlooks of the further studies and approbations might be related to creating the other-type algorithmic classification tree methods with other initial sets of elementary classifiers, optimizing its program realizations, as well experimental studying this method for a wider circle of applied problems.
algorithmic classification tree
UK: Актуальність. В роботі розв’язана задача апроксимації масиву дискретних даних набором елементарних геометричних алгоритмів і представлення побудованої моделі розпізнавання у вигляді алгоритмічного дерева класифікації. Об‘єктом даного дослідження є концепція дерева класифікації у вигляді дерева алгоритмів. Предметом дослідження є актуальні моделі, методи, алгоритми та схеми побудови різнотипних дерев класифікації.
Мета. Метою даної роботи є створення простого та ефективного методу та алгоритмічної схеми побудови деревоподібних моделей розпізнавання та класифікації на основі дерев алгоритмів для навчальних вибірок дискретної інформації великого об‘єму, який характеризується модульною структурою з незалежних алгоритмів розпізнавання оцінених на основі даних початкової начальної вибірки для широкого спектру прикладних задач.
Метод. Пропонується схема синтезу дерев класифікації (дерев алгоритмів) на основі апроксимації масиву даних набором елементарних геометричних алгоритмів, яка для заданої початкової навчальної вибірки довільного розміру будує деревоподібну структуру (модель АДК), яка складається з набору автономних алгоритмів класифікації та розпізнавання оцінених на кожному кроці, етапі побудови АДК за даною початковою вибіркою. Розроблений метод побудови алгоритмічного дерева класифікації основна ідея якого полягає в по кроковій апроксимації начальної вибірки довільного об‘єму та структури набором елементарних геометричних алгоритмів класифікації. Даний метод при формуванні поточної вершини дерева алгоритмів, вузла, узагальненої ознаки, забезпечує виділення найбільш ефективних, якісних елементарних алгоритмів класифікації з початкового набору та добудову лише тих шляхів в структурі АДК де відбувається найбільша кількість помилок класифікації. Розроблена схема синтезу результуючого дерева класифікації, моделі АДК дозволяє значно скоротити розмір та складність дерева. Структурна складність конструкції АДК оцінюється на основі кількості переходів, вершин та ярусів структури АДК, що дозволяє підвищити якість його наступного аналізу, забезпечити ефективний механізм декомпозиції, та будувати структури АДК в умовах фіксованих наборів обмежень. Метод синтезу дерев алгоритмів дозволяє будувати різнотипні деревоподібні моделі розпізнавання з різними початковими наборами елементарних класифікаторів з наперед заданою точністю для широкого класу задач теорії штучного інтелекту.
Результати. Розроблений та представлений в даній роботі метод апроксимації дискретних навчальних вибірок набором елементарних геометричних алгоритмів отримав програмну реалізацію та був досліджений і порівняний з методами логічних дерев класифікації на основі селекції елементарних ознак при розв’язку задачі розпізнавання реальних даних геологічного типу.
Висновки. Проведені в даній роботі загальний аналіз та експерименти підтвердили працездатність розробленого механізму побудови структур дерев алгоритмів та показують можливість його перспективного використання для розв‘язку широкого спектру практичних задач розпізнавання та класифікації. Перспективи подальших досліджень та апробацій можуть полягати в створенні методів алгоритмічного дерева класифікації інших типів з іншими початковими наборами елементарних класифікаторів, оптимізації його програмних реалізацій, а також експериментальних дослідженнях даного методу на більш широкому колі практичних задач.