Розроблення та дослідження системи прогнозування зносу авіаційних турбін на основі алгоритмів машинного навчання
Автор: Біжинський Іван Степанович
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні технології проектування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Біжинський І.С, Оборська О.В. (керівник). Розроблення та дослідження системи прогнозування зносу авіаційних турбін на основі алгоритмів машинного навчання. Магістерська кваліфікаційна робота. – Національний університет «Львівська Політехніка», Львів, 2025. Розширена анотація. Метою роботи є створення інтелектуальної системи прогнозування технічного стану авіаційної турбіни, яка на основі сенсорних даних і алгоритмів машинного навчання дозволяє оцінювати залишковий ресурс двигуна та формувати рекомендації для його технічного обслуговування. У проєкті виконано системний аналіз предметної області, розглянуто процеси деградації авіаційних турбін, досліджено методи діагностики та прогнозування технічного стану. Як експериментальну базу використано відкритий набір даних NASA?CMAPSS, що містить симуляційні часові ряди параметрів роботи турбінних двигунів. Розроблено математичну модель прогнозування залишкового ресурсу, реалізовано програмну систему, яка поєднує алгоритми градієнтного бустингу (XGBoost) та нейронні мережі типу LSTM (Long?Short-Term?Memory). Проведені експерименти показали, що модель LSTM забезпечує найвищу точність прогнозування (MAE???11?%, RMSE???15?циклів). Система реалізована мовою програмування Python із використанням бібліотек TensorFlow,?Keras,?scikit-learn,?pandas,?Matplotlib, має модульну структуру, підтримує GPU-прискорення й візуалізацію результатів. Проведено розрахунки швидкодії, об’єму пам’яті, пропускної здатності та показників надійності. Наукова новизна полягає у розробленні гібридного підходу до прогнозування деградаційних процесів авіаційних турбін, який поєднує методи глибинного навчання з аналітичними алгоритмами бустингу. Практичне значення полягає у створенні програмного комплексу, який може використовуватися в системах предиктивного технічного обслуговування авіаційних двигунів та інших енергетичних установок. Ключові слова: авіаційна турбіна, прогнозування зносу, залишковий ресурс, машинне навчання, LSTM, XGBoost, NASA?CMAPSS, TensorFlow.