EFFICIENT FAULT DETECTION IN INDUSTRIAL EQUIPMENT USING PCA AND SMOTE ENHANCED NEURAL NETWORKS

ID елемента: 22374
2026/05/05
Властивості
Назва
Англійська
EFFICIENT FAULT DETECTION IN INDUSTRIAL EQUIPMENT USING PCA AND SMOTE ENHANCED NEURAL NETWORKS
Українська
Ефективне виявлення відмов у промисловому обладнанні з використанням PCA та покращених нейронних мереж на основі SMOTE
Опис
Англійська
This research addresses the challenge of fault detection in industrial equipment using high-dimensional vibration data with limited labeled examples. The goal was to develop a neural network model capable of accurately classifying measurement vectors into normal and faulty categories. The dataset consisted of 1158 samples, each with 93,752 numerical features, representing two classes: 865 normal and 293 faulty instances. A comprehensive preprocessing pipeline was employed, including standardization, dimensionality reduction using Principal Component Analysis (PCA), and Synthetic Minority Over-sampling Technique (SMOTE) for class balancing. The developed neural network achieved a baseline accuracy of 94.40% with 100 PCA components. Further experiments demonstrated that reducing the architecture and using only 50 PCA components improved accuracy to 98.81%, highlighting the effectiveness of the proposed approach. These findings emphasize the utility of combining PCA, SMOTE, and neural networks for fault detection in industrial equipment in high-dimensional, imbalanced datasets. Future research directions include exploring advanced neural networkarchitectures, investigating the impact of PCA component count on model performance, and studying the feasibility of training effective models on synthetic data.
Українська
У цьому дослідженні розглядається проблема виявлення відмов у промисловому обладнанні за допомогою високовимірних даних вібрації з обмеженою кількістю мічених прикладів. Метою було розробити модель нейронної мережі, здатну точно класифікувати вектори вимірювань на нормальні та несправні категорії. Набір даних складався з 1158 зразків, кожен із яких містив 93,752 числові ознаки, що представляли два класи: 865 нормальних та 293 несправних випадки. Було використано комплексний конвеєр попередньої обробки, який включав стандартизацію, зменшення розмірності за допомогою методу головних компонент (PCA) і техніку синтетичного збільшення меншості (SMOTE) для балансування класів. Розроблена нейронна мережа досягла базової точності 94,40% із 100 компонентами PCA. Подальші експерименти показали, що зменшення розмірності архітектури та використання лише 50 компонентів PCA підвищило точність до 98,81%, підкреслюючи ефективність запропонованого підходу. Ці результати акцентують увагу на корисності комбінування PCA, SMOTE та нейронних мереж для виявлення відмов у високовимірних незбалансованих наборах даних. Майбутні напрями досліджень включають вивчення передових архітектур нейронних мереж, аналіз впливу кількості компонентів PCA на продуктивність моделі та дослідження можливості навчання ефективних моделей на синтетичних даних.
Автор
Англійська
Huts, Vladyslav
Англійська
Gorokhovatskyi, Oleksii
Українська
Гуць, В. В.
Українська
Гороховатський, О. В.
Тематика
Англійська
fault detection
Англійська
neural networks
Англійська
PCA
Англійська
SMOTE
Англійська
dimensionality reduction
Українська
виявлення відмов
Українська
нейронні мережі
Українська
PCA
Українська
SMOTE
Українська
зменшення розмірності
Видавництво
Українська
Національний університет «Полтавська політехніка імені Юрія Кондратюка»
Тип
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Українська
Рецензована Стаття
Формат
application/pdf
Ідентифікатор
https://journals.nupp.edu.ua/sunz/article/view/3673
10.26906/SUNZ.2025.1.77-82
Джерело
Англійська
Control, Navigation and Communication Systems. Academic Journal; Vol. 1 No. 79 (2025): Control, Navigation and Communication Systems; 77-82
Російська
Системы управления, навигации и связи. Сборник научных трудов; Том 1 № 79 (2025): Системи управління, навігації та зв’язку; 77-82
Українська
Системи управління, навігації та зв’язку. Збірник наукових праць; Том 1 № 79 (2025): Системи управління, навігації та зв’язку; 77-82
2073-7394
10.26906/SUNZ.2025.79
2025. №1 (79)
Мова
en
Відношення
https://journals.nupp.edu.ua/sunz/article/view/3673/3012
Права
Українська
http://creativecommons.org/licenses/by-nc/4.0
Набори елементів 1
Збірник наукових праць. Системи управління, навігації та зв’язку
20733 346 items
Інформація про метадані
Створено
2026-5-5 11:56
Остання зміна
2026-5-5 11:56
ID елемента
#22374