Preview

Наука и техника транспорта

Расширенный поиск

Методика прогнозирования ресурса узлов и деталей железнодорожного подвижного состава при помощи машинного обучения. Проверка и обработка данных

EDN: NWDOIA

Аннотация

Данная статья освещает важный этап обработки данных с прибора Calipri-Ferberg CW-40 (CALIPRI), а именно проверку и предобработку. Этот этап критически влияет на качество машинного обучения, поскольку точность данных непосредственно влияет на аналитические и модельные результаты. Рассматриваются основные этапы проверки и предобработки данных.

Об авторах

К. А. Сергеев
Российский университет транспорта (РУТ (МИИТ))
Россия

Сергеев Константин Александрович, доктор технических наук, доцент, доцент кафедры «Нетяговый подвижной состав»  



О. И. Мироненко
Российский университет транспорта (РУТ (МИИТ))
Россия

Мироненко Олег Игоревич, кандидат технических наук, доцент кафедры «Нетяговый подвижной состав» 



О. Ю. Кривич
Российская открытая академия транспорта Российского университета транспорта (РОАТ РУТ (МИИТ))
Россия

Кривич Ольга Юрьевна, кандидат технических наук, доцент, начальник Учебного отдела учебно-методического многофункционального центра 



Н. О. Мироненко
Московский государственный технический университет им. Н.Э. Баумана (МГТУ им. Н.Э. Баумана)
Россия

Мироненко Никита Олегович, студент  



Список литературы

1. Методика прогнозирования ресурса узлов и деталей железнодорожного подвижного состава при помощи машинного обучения / К. А. Сергеев, О. И. Мироненко, М. В. Козлов, Н. О. Мироненко. - Текст : непосредственный //Транспортное машиностроение. - 2023. - № 11 (23). - С. 42-49.

2. Плас, Джейк Вандер. Python для сложных задач. Наука о данных и машинное обучение. Руководство / Плас Джейк Вандер. - Москва : Питер, 2018. - 759 c. - Текст : непосредственный.

3. Сальникова, К. В. Анализа массива данных с помощью инструмента визуализации «Ящик с усами» / К. В. Сальникова. - Текст : непосредственный // Universum: экономика и юриспруденция. - 2021. - №6(81). - С. 11-17. - DOI: 10.32743/UniLaw.2021.81.6.11778. - EDN: APSOIG.

4. T. Beysolow II. Applied Reinforcement Learning with Python: With OpenAI Gym, Tensorflow, and Keras. Apress, 2019. - ISBN 14842512615.

5. Шарден, Б. Крупномасштабное машинное обучение вместе с Python / Б. Шарден, Л. Массарон, А. Боскетти ; перевод А. В. Логунов. - Москва : ДМК Пресс, 2018. - 358 c. - ISBN 978-5-97060-506-6. - Текст: электронный. - URL: https://www.iprbookshop.ru/124994.html (дата обращения: 21.05.2024).


Рецензия

Для цитирования:


Сергеев К.А., Мироненко О.И., Кривич О.Ю., Мироненко Н.О. Методика прогнозирования ресурса узлов и деталей железнодорожного подвижного состава при помощи машинного обучения. Проверка и обработка данных. Наука и техника транспорта. 2024;(2):64-66. EDN: NWDOIA

For citation:


Sergeev K.A., Mironenko O.I., Krivich O.Yu., Mironenko N.O. Resource Prediction Techniques of Components and Parts of Railway Rolling Stock Using Machine Learning. Data Validation and Processing. Science and Technology in Transport. 2024;(2):64-66. (In Russ.) EDN: NWDOIA

Просмотров: 8


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2074-9325 (Print)