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
Bearing fault detection by using autoencoder convolutional neural network
(Національний університет «Запорізька політехніка», 2025) Kysarin, M. K.; Кисарін, М. К.
EN: Context. Bearings are an important part for the functioning of various means of transportation. They have the property of wear and failure, which requires high-quality and timely detection of faults. Failures are not always easy to detect, so the use of traditional detection methods may not be effective enough. The use of machine learning methods well-suited to the task can effectively solve the problem of detecting bearing faults. The object of study is the process of non-destructive diagnosis of bearings. The subject of study is methods of selecting hyperparameters and other optimization for building a diagnostic model based on a neural network according to observations.
Objective. The goal of the work is to create a model based on a neural network for detecting bearing faults based on the ZSL.
Method. A proposed filter smooths the data, preserving key characteristics such as peaks and slopes, and eliminates noise without significantly distorting the signal. A normalization method vibration data is proposed, which consists of centering the data and distributing the amplitude within optimal limits, contributing to the correct processing of this data by the model architecture. A model based on a neural network is proposed to detect bearing faults by data processing and subsequent binary classification of their vibrations. The proposed model works by compressing the vibration data into a latent representation and its subsequent recovery, calculating the error between the recovered and original data, and determining the difference between the errors of healthy and faulty bearing vibration data. The Zero-Shot Learning machine learning method involves training, validating the model only on healthy vibration data, and testing the model only on faulty vibration data. Due to the proposed machine learning method, the model based on a neural network is able to detect faulty bearings present in the investigated fault class and theoretically new fault classes, that is, the model can detect different classes of data that it did not see during training. The architecture of the model is built on the convolutional and max-pooling layers of the encoder, and the reverse convolutional layers for the decoder. The best hyperparameters of the model are selected using a special method.
Results. Using the Pytorch library, a model capable of binary classification of healthy and faulty bearings was obtained through training, validation, and testing in the Kaggle software environment.
Conclusions. Testing of the constructed model architecture confirmed the model's ability to classify healthy and fault bearings binaryly, allowing it to be recommended for use in practice to detect bearing faults. Prospects for further research may include testing the model through integration into predictive maintenance systems for timely fault detection.
UK: Актуальність. Підшипники є важливою частиною для функціонування різних засобів пересування. Вони мають властивість зношуватися і виходити з ладу, що вимагає якісного і своєчасного виявлення несправностей. Збої не завжди легко виявити, тому використання традиційних методів виявлення може бути недостатньо ефективним. Використання методів машинного навчання, які добре підходять для завдання, може ефективно вирішити проблему виявлення несправностей підшипників. Об’єктом дослідження є процес неруйнівної діагностики підшипників. Предметом дослідження є методи підбору гіперпараметрів та іншої оптимізації для побудови діагностичної моделі на основі нейронної мережі за даними спостережень.
Мета роботи – створення моделі на основі нейронної мережі для виявлення несправностей підшипників на основі ZSL.
Метод. Запропонований фільтр згладжує дані, зберігаючи ключові характеристики, такі як піки та нахили, і усуває шум без істотного спотворення сигналу. Запропоновано метод нормалізації вібраційних даних, який полягає в центруванні даних і розподілі амплітуди в оптимальних межах, що сприяє коректній обробці цих даних архітектурою моделі. Запропоновано модель на основі нейронної мережі для виявлення несправностей підшипників шляхом обробки даних і подальшої двійкової класифікації їх коливань. Запропонована модель працює шляхом стиснення даних про вібрацію в приховане представлення та їх подальшого відновлення, обчислення похибки між відновленими та вихідними даними та визначення різниці між похибками даних про вібрацію справного та несправного підшипників. Метод машинного навчання Zero-Shot Learning передбачає навчання, перевірку моделі лише на справних даних про вібрацію та тестування моделі лише на несправних даних про вібрацію. Завдяки запропонованому методу машинного навчання модель на основі нейронної мережі здатна виявляти несправні підшипники, наявні в досліджуваному класі несправностей і теоретично нові класи несправностей, тобто модель може виявляти різні класи даних, які вона не бачила під час навчання. Архітектура моделі побудована на згорткових рівнях і рівнях максимального об’єднання кодера, а також на зворотних згорткових рівнях для декодера. Спеціальним методом вибираються найкращі гіперпараметри моделі.
Результати. Використовуючи бібліотеку PyTorch, було отримано модель, здатну до бінарної класифікації справних і несправних підшипників, шляхом навчання, валідації та тестування в програмному середовищі Kaggle.
Висновки. Тестування побудованої архітектури моделі підтвердило здатність моделі класифікувати справні та несправні підшипники двійково, що дозволяє рекомендувати її для використання на практиці для виявлення несправностей підшипників. Перспективи подальших досліджень можуть включати тестування моделі шляхом інтеграції в системи прогнозного обслуговування для своєчасного виявлення несправностей.
A study on the use of normalized L2-metric in classification tasks
(Національний університет «Запорізька політехніка», 2025) Kondruk, N. E.; Кондрук, Н. Е.
EN: Context. In machine learning, similarity measures, and distance metrics are pivotal in tasks like classification, clustering, and dimensionality reduction. The effectiveness of traditional metrics, such as Euclidean distance, can be limited when applied to complex datasets. The object of the study is the processes of data classification and dimensionality reduction in machine learning tasks, in particular, the use of metric methods to assess the similarity between objects.
Objective. The study aims to evaluate the feasibility and performance of a normalized L2-metric (Normalized Euclidean Distance, NED) for improving the accuracy of machine learning algorithms, specifically in classification and dimensionality reduction.
Method. We prove mathematically that the normalized L2-metric satisfies the properties of boundedness, scale invariance, and monotonicity. It is shown that NED can be interpreted as a measure of dissimilarity of feature vectors. Its integration into k-nearest neighbors and t-SNE algorithms is investigated using a high-dimensional Alzheimer’s disease dataset. The study implemented four models combining different approaches to classification and dimensionality reduction. Model M1 utilized the k-nearest neighbors method with Euclidean distance without dimensionality reduction, serving as a baseline; Model M2 employed the normalized L2-metric in kNN; Model M3 integrated t-SNE for dimensionality reduction followed by kNN based on Euclidean distance; and Model M4 combined t-SNE and the normalized L2-metric for both reduction and classification stages. A hyperparameter optimization prоcedure was implemented for all models, including the number of neighbors, voting type, and the perplexity parameter for t-SNE. Cross-validation was conducted on five folds to evaluate classification quality objectively. Additionally, the impact of data normalization on model accuracy was examined.
Results. Models using NED consistently outperformed models based on Euclidean distance, with the highest classification accuracy of 91.4% achieved when it was used in t-SNE and the nearest neighbor method (Model M4). This emphasizes the adaptability of NED to complex data structures and its advantage in preserving key features in high and low-dimensional spaces.
Conclusions. The normalized L2-metric shows potential as an effective measure of dissimilarity for machine learning tasks. It improves the performance of algorithms while maintaining scalability and robustness, which indicates its suitability for various applications in high-dimensional data contexts.
UK: Актуальність. У машинному навчанні міри подібності та метрики відстані відіграють ключову роль у задачах класифікація, кластеризація та зменшення розмірності. Ефективність традиційних метрик, зокрема евклідової відстані, може бути обмеженою при застосуванні до складних наборів даних. Об’єктом дослідження є процеси класифікації та зменшення розмірності у задачах машинного навчання, зокрема використання метричних методів для визначення подібності між об’єктами.
Мета роботи – оцінка доцільності та ефективності нормалізованої L2-метрики (нормалізованої евклідової метрики, NED) для підвищення точності алгоритмів машинного навчання, зокрема в задачах класифікації та зменшення розмірності.
Метод. Математично доведено, що нормалізована L2-метрика задовольняє властивості обмеженості, масштабної інваріантності та монотонності. Показано, що NED можна інтерпретувати як міру несхожості векторів ознак. Її інтеграція в алгоритми k-найближчих сусідів і t-SNE досліджується на основі даних про хворобу Альцгеймера високої розмірності. У дослідженні реалізовано чотири моделі, що поєднують різні підходи до класифікації та зменшення розмірності. Модель M1 використовувала метод k-найближчих сусідів з евклідовою відстанню без зменшення розмірності, як базова; модель M2 використовувала нормалізовану L2-метрику в kNN; модель M3 інтегрувала t-SNE для зменшення розмірності, а потім kNN на основі евклідової відстані; модель M4 поєднувала t-SNE і нормалізовану L2-метрику як для зменшення розмірності, так і класифікації. Для всіх моделей було застосовано процедуру оптимізації гіперпараметрів, включаючи кількість сусідів, тип голосування та параметр перплексії в t-SNE. Для об’єктивної оцінки якості класифікації було проведено перехресну перевірку на п’яти фолдах. Крім того, було досліджено вплив нормалізації даних на точність моделі.
Результати. Моделі, що використовували NED, стабільно перевершували моделі на основі евклідової відстані, причому найвища точність класифікації (91,4%) була досягнута при інтегруванні NED у t-SNE та методі найближчих сусідів (модель M4). Це підкреслює адаптивність NED до складних структур даних та її перевагу у збереженні ключових ознак як у високорозмірному, так і в низькорозмірному просторах.
Висновки. Нормалізована метрика L2 демонструє потенціал як ефективна міра несхожості для задач машинного навчання. Вона покращує продуктивність алгоритмів, зберігаючи при цьому масштабованість і надійність, що вказує на її придатність для різних застосувань у контексті даних високої розмірності.
Situation anticipation and planning framework for intelligent environments
(Національний університет «Запорізька політехніка», 2025) Burov, E. V.; Zhovnir, Y. I.; Zakhariya, O. V.; Kunanets, N. E.; Буров, Є. В.; Жовнір, Ю. І.; Захарія, О. В.; Кунанець, Н. Е.
UK: Context. Situation anticipation, prediction and planning play an important role in intelligent environments, allowing to learn and predict the behavior of its users, anticipate maintenance and resource provision needs. The object of study is the process of modeling the situation anticipation and planning in the situation-aware systems.
Objective. The goal of the work is to develop and analyze the ontology-based framework for modeling and predicting the situation changes for intelligent agents, allowing for proactive agent behavior.
Method. This article proposes a framework for anticipation and planning based on GFO ontology. Each task or problem is considered a situoid, having a number of intermediate situations. Each task or problem is considered a situoid, having several intermediate situations. The framework is focused on the analysis of changes between situations, coming from anticipated actions or events. Contextually organized knowledge base of experiential knowledge is used to retrieve information about possible developments scenarios and is used for planning and evaluation. The framework allows to build and compare trajectories of configuration changes for specific objects, situations or situoids. The planning and anticipation process works in conditions of incomplete information and unpredicted external events, because the projections are constantly updated using feedback from sensor data and reconciliating this information with predicted model.
Results. The framework for reasoning and planning situations based on GFO ontology, allowing to model spatial, temporal and structural data dependencies.
Conclusions. The situation anticipation framework allows to represent, model and reason about situation dynamics in the intelligent environment, such as intelligent residential community. Prospects for further research include the elaboration of contextual knowledge storing and processing, reconciliation and learning procedures based on real-world feedback and the application of proposed framework in the real-world system, such as intelligent security systems.
UK: Актуальність. Передбачення, прогнозування та планування ситуації відіграють важливу роль у інтелектуальних середовищах, дозволяючи вивчати та прогнозувати поведінку своїх користувачів, передбачати потреби в обслуговуванні та забезпеченні ресурсами. Об’єктом дослідження є процес моделювання ситуації, передбачення і планування в ситуаційно-обізнаних системах.
Мета роботи. Метою роботи є розробка та аналіз онтологічного фреймворку для моделювання та прогнозування динаміки змін ситуації для інтелектуальних агентів, що дозволяє реалізувати проактивну поведінку агентів.
Метод. У цій статті запропонована основа для передбачення та планування на основі онтології GFO. Кожна задача або задача розглядається як ситуоїд, що має ряд проміжних ситуацій. Фреймворк орієнтований на аналіз змін між ситуаціями, спричинених передбаченими діями або подіями. Контекстуально організована база знань використовується для отримання інформації про можливі сценарії розвитку подій і використовується для планування та оцінки. Фреймворк дозволяє будувати і порівнювати траєкторії зміни конфігурацій для конкретних об’єктів, ситуацій або сітуоїдів. Процес планування і передбачення працює в умовах неповної інформації і непередбачуваних зовнішніх подій, тому що прогнози постійно оновлюються за допомогою зворотного зв’язку від даних сенсорів і звірки цієї інформації з прогнозованою моделлю.
Результати. Фреймворк для міркування та планування ситуацій на основі онтології GFO, що дозволяє моделювати просторові, часові та структурні залежності даних.
Висновки. Фреймворк передбачення ситуації дозволяє подавати, моделювати та обґрунтовувати динаміку ситуації в інтелектуальному середовищі, наприклад, у розумному житловому будинку. Перспективи подальших досліджень включають розробку процедур зберігання та опрацювання контекстних знань, узгодження та навчання на основі зворотного зв’язку в реальних умовах та застосування запропонованого фреймворку реальних системах, таких як інтелектуальні системи безпеки.
Energy-efficient design of screw presses
(Національний університет «Запорізька політехніка», 2024) Obdul, Vasyl; Мартовицький, Леонід Максимович; Kawalek, Anna; Riabenko, Anton; Yepishkin, Oleksandr; Fedoseeva, Viktoria; Обдул, Василь Дмитрович; Матюхін, Антон Юрійович; Ковалек, Анна; Рябенко, Антон Євгенович; Єпішкін, Олександр Вячеславович; Федосєєва, Вікторія
EN: Purpose. To improve the energy efficiency of screw presses by developing structures for the rational use of the flywheel kinetic energy, reducing losses on the return stroke and increasing the impact efficiency. This will reduce energy costs and improve productivity in forging, stamping and other technological operations.
Research methods. Increasing the energy efficiency of screw presses is achieved by developing and implementing design solutions aimed at reducing the energy accumulated during the reverse stroke, as well as ensuring its efficient use during the forward stroke. The main emphasis is placed on optimising the press mechanisms to minimise energy losses, which will significantly increase the overall efficiency of the equipment.
Results. As part of the study, a new design of the slider was proposed, which includes a kinematic disconnection of the nut. This reduces the energy usually accumulated by the flywheel during the reverse stroke and ensures more efficient use of energy during the forward stroke, which in turn reduces energy consumption and increases the efficiency of the press.
Scientific novelty. For the first time, designs have been developed that provide kinematic disconnection of the slider nut during the reverse stroke. These designs allow to reduce the accumulated energy and ensure its more rational use during the forward stroke. In addition, the design of the flywheel has been improved to optimise its moment of inertia depending on different press operating modes, which makes it possible to significantly improve the performance of press equipment under variable operating conditions.
Practical value. The results of the work make it possible to increase the energy efficiency of screw presses, which can be implemented in forging and stamping industries, especially in precision stamping technologies. The application of the developed structures increases the energy efficiency of screw presses, which reduces energy costs and ensures long-term and stable operation of the equipment.
UK: Мета роботи. Підвищення енергоефективності гвинтових пресів через розробку конструкцій для раціо-нального використання кінетичної енергії маховика, зменшення втрат на зворотному ході та підвищення ефек-тивності удару. Це дозволить знизити енергетичні витрати та поліпшити продуктивність при виконанні ковки, штампування та інших технологічних операцій.
Методи дослідження. Підвищення енергоефективності гвинтових пресів досягається шляхом розробки та впровадження конструктивних рішень, які спрямовані на зменшення енергії, накопичуваної під час зворотного ходу, а також на забезпечення її ефективного використання під час прямого ходу. Основний акцент зроблено на оптимізацію механізмів преса для мінімізації енергетичних втрат, що дозволить значно підвищити загальну ефективність обладнання.
Отримані результати. У рамках дослідження було запропоновано нову конструкцію повзуна, що містить кінематичне відключення гайки. Це дозволяє зменшити енергію, яку зазвичай накопичує маховик під час зворотного ходу, і забезпечує більш ефективне використання енергії на прямому ходу, що в свою чергу знижує витрати електроенергії і підвищує ефективність роботи преса.
Наукова новизна. Уперше розроблено конструкції, що забезпечують кінематичне відключення гайки повзуна в процесі зворотного ходу. Ці конструкції дозволяють зменшити накопичену енергію і забезпечити більш раціональне її використання на прямому ходу. Крім того, було вдосконалено конструкцію маховика, що дозволяє оптимізувати його момент інерції залежно від різних режимів роботи преса, що дає можливість значно покращити роботу пресового обладнання в умовах змінних робочих умов.
Практична цінність. Результати роботи дозволяють підвищити енергоефективність гвинтових пресів, що може бути впроваджено в ковальсько-штампувальних виробництвах, особливо у технологіях точного штампування. Застосування розроблених конструкцій підвищує енергоефективність гвинтових пресів, що дозволяє зменшити витрати на енергію та забезпечити довготривалу та стабільну роботу обладнання.
Two-layer graph invariant for pattern recognition
(Національний університет «Запорізька політехніка», 2025) Batsamut, V. M.; Batsamut, M. V.; Bashkatov, Y. H.; Tolstonosov, D. Yu.
EN: Context. The relevance of the article is driven by the need for further development of object recognition (classification) algorithms, reducing computational complexity, and increasing the functional capabilities of such algorithms. The graph invariant proposed in the article can be applied in machine vision systems for recognizing physical objects, which is essential during rescue and monitoring operations in crisis areas of various origins, as well as in delivering firepower to the enemy using swarms of unmanned aerial vehicles.
Objective is to develop a graph invariant with low computational complexity that enables the classification of physical objects with a certain level of confidence in the presence of external interference.
Method. The physical object to be recognized (identified) is modeled by a connected undirected weighted graph. To identify the constant characteristics of different model graphs, the idea of selecting the minimum and maximum weighted spanning trees in the structure of these graphs is applied. For this purpose, the classical and modified Boruvka-Sollin’s method are used (modified – for constructing the maximum weighted spanning tree). Such a stratification of the structure of the initial graph into two layers provides a larger information base during image analysis regarding the belonging of a certain implementation to a certain class of objects.
Next, for each of the resulting spanning trees, two numerical characteristics are calculated: the weight of the spanning tree and the Randić index. The first characteristic contains indirect information about the linear dimensions of the object, while the second conveys its structural features. These characteristics are independent of vertex labeling and the graphical representation of the graph, which is a necessary condition for graph isomorphism verification. From these four obtained characteristics, an invariant is formed, which describes the corresponding physical object present in a single scene.
To fully describe one class or subclass of objects in four scenes (top view; front and rear hemispherical views; side view), the pattern recognition system must have four corresponding invariants.
Results. 1) A two-layer invariant of a weighted undirected graph has been developed, enabling the recognition of physical objects with a certain level of confidence; 2) A method for recognizing physical objects has been formalized in graph theory terms, based on hashing the object structure using the weights of the minimum and maximum spanning trees of the model graph, as well as the Randić index of these trees; 3) The two-layer invariant of the weighted undirected graph has been verified on test tasks for graph isomorphism checking.
Conclusions. The conducted theoretical studies and a series of experiments confirm the feasibility of using the proposed graph invariant for real-time pattern recognition and classification tasks. The estimates obtained using the developed method are probabilistic, allowing the system operator to flexibly approach the classification of physical objects within the machine vision system’s field of view, depending on the technological process requirements or the operational situation in the system’s deployment area.
UK: Актуальність. Актуальність статті обумовлюється потребою у подальшому розвитку алгоритмів розпізнавання (класифікації) об’єктів, у зменшенні обчислювальної складності і збільшенні функціональних можливостей таких алгоритмів. Запропонований у статті інваріант графа може бути застосований у системах машинного зору для розпізнавання фізичних об’єктів, що є важливим у ході виконання рятувальних, моніторингових завдань у кризових районах різного характеру походження, а також у ході нанесення противнику вогневого ураження із застосуванням рою безпілотних апаратів.
Мета роботи полягає в розробленні інваріанту графа з низькою обчислювальною складністю, який дозволятиме з певним рівнем довірчої ймовірності класифікувати фізичні об’єкти в умовах зовнішніх завад.
Метод. Фізичний об’єкт, що підлягає розпізнаванню (ідентифікації) моделюється зв’язним неорієнтованим зваженим графом. Для виявлення сталих характеристик різних модельних графів застосовано ідею виділення в структурі цих графів мінімального і максимального за вагою каркасних дерев. З цією метою застосовується класичний і модифікований методи Борувки-Солліна (модифікований – для побудови максимального зваженого каркасного дерева). Таке розшарування структури початкового графа на два шари надає більшої інформаційної бази у ході аналізу зображення щодо приналежності певної реалізації до деякого класу об’єктів.
Далі, для кожного з отриманих таким чином каркасних дерев, відшукуються значення двох числових характеристик: ваги каркасного дерева та індексу Рандіча. Перша характеристика несе в собі опосередковану інформацію про лінійні розміри об’єкту, а друга – про його структурні особливості. Ці характеристики не залежать від способу позначення вершин та графічного зображення графа, що є необхідною умовою для перевірки графів на ізоморфізм.З отриманих таким чином чотирьох характеристик складається інваріант, яким описується відповідний фізичний об’єкт, що перебуває в одній сцені.
Для повного опису одного класу або підкласу об’єктів в чотирьох сценах (вид зверху; вид передньої та задньої полусфер; вид збоку) система розпізнавання образів повинна мати чотири відповідні інваріанти.
Результати. 1) Розроблено двошаровий інваріант зваженого неорієнтованого графу, який дозволяє з певним рівнем довірчої ймовірності розпізнавати фізичні об’єкти; 2) В термінах теорії графів формалізовано метод розпізнавання фізичних об’єктів, що заснований на хешуванні структури об’єкту вагою мінімального і максимального каркасних дерев модельного графу, а також індексом Рандіча цих дерев; 3) Виконано верифікацію двошарового інваріанту зваженого неорієнтованого графу на тестових задачах з перевірки графів на ізоморфізм.
Висновки. Проведені теоретичні дослідження та низка проведених експериментів підтверджують можливість використання пропонованого інваріанту графів в задачах розпізнавання та класифікації образів в масштабі реального часу. Оцінки, що виробляються із використанням розробленого методу, носять ймовірнісний характер, що дозволяє особі, яка налаштовує систему машинного зору, гнучко підходити до класифікації фізичних об’єктів в полі зору такої системи, виходячи з вимог до технологічного процесу або з умов оперативної обстановки в районі застосування системи.