Thesis (Ph. D.)--Oregon State University, 2010. / Printout. Includes bibliographical references (leaves 122-126). Also available on the World Wide Web.

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.