Объект исследования – кибер-физические системы, подверженные различным инцидентам, отказам и сбоям в своей работе. Цель работы – разработка модели машинного обучения для определения корневых причин сбоев в производственной системе, а также исследование возможности использования машинного обучения для определения причин будущих сбоев. Методы исследования: сбор, анализ и синтез данных, сравнение, обобщение, классификация, аналогия, эксперимент, измерение, описание. Результаты работы: разработана и обучена модель машинного обучения для анализа корневых причин инцидентов производственной установки методом классификации на выбранном наборе «сырых» данных небольшого объема с последующей проверкой качества ее работы на тестовых данных. Область применения – обучение модели корневым причинам инцидентов (отказов, сбоев) производственных систем на имеющихся данных с последующим оперативным обнаружением причин аномальной работы систем в тандеме с работой алгоритма по автоматическому обнаружению и прогнозированию аномалий. / The object of research is cyber-physical systems that are susceptible to various incidents, failures and malfunctions in their operation. The goal of the work is to develop a machine learning model to determine the root causes of failures in a production system, as well as to explore the possibility of using machine learning to determine the causes of future failures. Research methods: collection, analysis and synthesis of data, comparison, generalization, classification, analogy, experiment, measurement, description. Results of the work: a machine learning model was developed and trained to analyze the root causes of incidents in a production facility using the classification method on a selected set of small-volume “raw” data, followed by checking the quality of its work on test data. Scope of application: training a model for the root causes of incidents (failures, failures) of production systems using available data, followed by prompt detection of the causes of abnormal operation of systems in tandem with the work of the algorithm for automatic detection and prediction of anomalies.

Отчет содержит 80 страниц, 35 рисунков, 3 таблицы, 25 источников, 3 приложения. Объект исследования – модель машинного обучения, используемая в сфере научных исследований и мониторинга сна человека. Цель работы – создание модели машинного обучения, способной на основе данных акселерометра с достаточной степенью точности определять состояние сна: пробуждение или засыпание. Методы проведения работы: исследование научных работ, сбор и подготовка данных, разработка, обучение и тестирование моделей машинного обучения. Результаты работы и их новизна: обученная модель машинного обучения, способная определять одно из двух состояний сна: пробуждение или засыпание и оказать влияние на практику мониторинга сна в домашних условиях. Область применения полученных результатов: исследования в медицинских учреждениях. Рекомендации по внедрению: наличие программного и аппаратного обеспечения для запуска обученной модели машинного обучения, устройства сбора данных – акселерометра, специалистов для дальнейшего поддержания работоспособности модели машинного обучения. Значимость работы: разработанная модель машинного обучения поможет исследователям быстрее и качественнее анализировать данные с акселерометра, глубже понять закономерности и функции сна человека. Прогнозные предположения о развитии объекта исследования: совершенствование алгоритмов машинного обучения разработанного инструмента, использование устройств с более точными датчиками и с расширенным набором дополнительных датчиков, обучение модели на данных, размеченных более качественно. / The report contains 80 pages, 35 figures, 3 tables, 25 sources, 3 appendices. The object of research is a machine learning model used in the field of scientific research and human sleep monitoring. The aim of the work is to create a machine learning model capable of determining the state of sleep with a sufficient degree of accuracy based on accelerometer data: waking up or falling asleep. Methods of work: research of scientific papers, data collection and preparation, development, training and testing of machine learning models. The results of the work and their novelty: a trained machine learning model capable of determining one of two sleep states: waking up or falling asleep and influencing the practice of sleep monitoring at home. The scope of the results obtained: research in medical institutions. Implementation recommendations: availability of software and hardware to run a trained machine learning model, an accelerometer data acquisition device, and specialists to further maintain the machine learning model. The significance of the work: the developed machine learning model will help researchers analyze data from the accelerometer faster and better, and better understand the patterns and functions of human sleep. Predictive assumptions about the development of the research object: improving the machine learning algorithms of the developed tool, using devices with more accurate sensors and with an expanded set of additional sensors, training the model on data marked up more efficiently.