Аналіз даних з сенсорних мереж Інтернету речей для прогнозування технічного обслуговування та виявлення несправностей

UKR: Магістерська робота виконана на 131 сторінках, містить 6 рисунків, 18 таблиць та 59 використані джерела. У роботі розглядається створення системи аналізу даних з сенсорних мереж Інтернету речей (IoT), яка використовує сучасні методи машинного навчання для прогнозування технічного обслуговування та виявлення несправностей. Основна увага приділяється застосуванню алгоритму Isolation Forest для виявлення аномалій, методу Random Forest для прогнозування, а також рекурентних нейронних мереж (LSTM) для аналізу часових рядів. Мета роботи — розробити архітектуру системи, здатну ефективно аналізувати дані, отримані з IoT-сенсорів, для зниження експлуатаційних витрат та підвищення надійності обладнання. Програмна реалізація виконана мовою Python із використанням бібліотек TensorFlow, Keras, Pandas

ENG: The master's thesis is performed on 131 pages, contains 6 figures, 18 tables and 59 sources used. The thesis focuses on developing an IoT sensor network data analysis system employing modern machine learning methods for predictive maintenance and fault detection. Emphasis is placed on the Isolation Forest algorithm for anomaly detection, the Random Forest method for prediction, and Long Short-Term Memory (LSTM) recurrent neural networks for time-series analysis. The objective is to design a system architecture capable of effectively analyzing IoT sensor data to reduce operational costs and enhance equipment reliability. The software implementation was carried out in Python using TensorFlow, Keras, and Pandas libraries