Научный архив: статьи

Цифровые двойники представляют собой перспективный инструмент для оптимизации производственных процессов, в том числе в хлебопекарной промышленности. Целью данного исследования является разработка и апробация методики создания цифровых двойников хлебопекарных линий для повышения эффективности их функционирования. В работе использован комплекс методов математического моделирования, компьютерного симулирования и машинного обучения. На основе детального анализа технологических процессов и оборудования хлебозавода «ТОНОЯН» построены динамические модели ключевых производственных участков. Проведена серия экспериментов по оптимизации параметров работы жиловочного и тестоприготовительного отделений. Внедрение цифровых двойников на предприятии позволило: 1) снизить расход муки на 2,5% при сохранении качества готовой продукции; 2) повысить производительность линий на 5,7% за счет минимизации простоев; 3) сократить удельное энергопотребление на 4,1%. Предложенный подход может быть масштабирован на хлебопекарные производства различного типа. Для достижения максимального эффекта требуется адаптация моделей к специфике конкретных предприятий и активное вовлечение персонала в процесс цифровой трансформации.

В статье приводятся результаты анализа эффективности метода нейросетевой диагностики зубчатой передачи по амплитудно-частотному составу вибраций подшипникового узла. Натурное моделирование различных технических состояний механической передачи проведено на специально созданном в Российском биотехнологическом университете экспериментальном стенде. Автоматизация процедур измерения, цифровой обработки и анализа вибросигналов с применением технологии ИНС реализована в пакете Матлаб. Результаты исследований показали достоверность определения класса технического состояния зубчатой передачи по значениям амплитуд спектра вибрации порядка 99%. Научные исследования легли в основу создания интеллектуальных компонентов для системы технического мониторинга и диагностики технологических машин хлебопекарного производства.

АКТУАЛЬНОСТЬ. Значимость внедрения передовых технологий, таких как Интернет вещей (IoT), машинное обучение и искусственный интеллект, в современных условиях повышения требований к надежности и эффективности систем ресурсоснабжения становится всё более очевидной. Способность этих технологий к сбору, обработке и анализу данных в реальном времени открывает новые перспективы для оптимизации работы и предотвращения аварий.

ЦЕЛЬ. Исследование направлено на анализ современных методов и технологий искусственного интеллекта и машинного обучения, применяемых в технических системах, с акцентом на возможности IoT для создания эффективной информационной системы. Эта система предназначена для дальнейшего использования в разработке и обучении моделей, способных к прогнозированию аварий и оптимизации распределения ресурсов.

МЕТОДЫ. В рамках работы был проведен глубокий анализ литературных источников, посвященных применению сверточных и рекуррентных нейронных сетей, алгоритмов градиентного бустинга, моделей многослойного персептрона, методов опорных векторов и K-ближайших соседей в контексте систем водоснабжения. Особое внимание уделялось изучению интеграции технологий IoT для сбора данных, передаваемых через датчики посредством сетей LoRaWAN и базовых станций операторов сотовой связи.

РЕЗУЛЬТАТЫ. В результате исследования было подтверждено, что использование передовых методов искусственного интеллекта в сочетании с технологиями Интернета вещей значительно повышает точность прогнозирования аварий и эффективность управления системами водоснабжения. В статье определена важность создания надежной информационной системы, способной собирать и анализировать большие объемы данных в реальном времени, что является критическим фактором для успешного применения прогностических моделей.

ЗАКЛЮЧЕНИЕ. Исследование подчеркивает значительный потенциал интеграции методов машинного обучения в IoT-инфраструктуру водоснабжения. В статье демонстрируется, что выбор подходящих методов сбора и передачи данных, включая протокол MQTT, играет ключевую роль в создании эффективной информационной базы для обучения моделей. Результаты исследования предоставляют ценную основу для разработки будущих инновационных решений в области управления ресурсами водоснабжения.

Цель. При решении задач компьютерного зрения для определения границ детектируемого объекта, как правило, используются методы семантической сегментации, которые требуют высокого вычислительного ресурса. Их использование повышает сложность реализации и увеличивает стоимость решений для внедряемых аппаратно-программных комплексов. В настоящей работе предлагается альтернативный метод определения границы сегментируемого объекта, в виде железнодорожного пути, для комплекса фиксации исполненного движения. Методы. Так как железнодорожный путь на изображении можно представить линией полинома n-порядка, то для решения задачи детектирования границы пути предлагается использовать приближения в виде прямых линий. В качестве метода детектирования прямых линий предлагается использовать преобразование Хафа, параметрическое пространство которого будет скомпоновано в соответствии с решаемой задачей. Заключение. Предложенная аппроксимация позволит отказаться от семантической сегментации и снизит вычислительную сложность нагрузки на аппаратуру.

В работе рассматриваются особенности преподавания линейной алгебры тем студентам, которые планируют работать в сфере информационных технологий. Отмечается, что все темы, изучаемые при традиционном подходе в большинстве вузов, необходимы, но не достаточны. С развитием искусственного интеллекта выпускники встречаются на работе с машинным обучением и понятием кластеризации множеств. Для решения поставленных задач будущий специалист должен хорошо понимать, как устроена структура пространств и подпространств, что такое расстояние от объекта до подпространства, косинусная мера близости, какие бывают способы задания пространств, какие бывают метрики. В статье предлагается ряд задач с методическими комментариями и описываются способы создания задач для большого количества вариантов.

Задача рациональной организации вспомогательных процессов на предприятии заключается в снижении их себестоимости путем более глубокой интеграции в основной производственный процесс. Цель статьи заключается в разработке алгоритма классификационного анализа для оценки зависимостей между основными и вспомогательными подразделениями и типологии производственных процессов по уровню внутризаводского кооперирования. В качестве метода определения типа производства предложен метод машинного обучения «Случайный лес» с использованием метаалгоритма обучения машин Бэггинга. Разработаны параметры, описывающие затраты на вспомогательные операции, расходы на ремонтное хозяйство и обслуживание оборудования, уровень технической эффективности производства. Апробация алгоритма на примере химических предприятий позволила выделить три типа производств по характеру внутризаводской кооперации процессов по наиболее информативным параметрам. Для оценки полезности и производительности моделей построены диаграммы кумулятивного подъема, где наиболее продуктивным определен тип со средним уровнем внутризаводского кооперирования. Результаты являются первичной диагностикой организации вспомогательного хозяйства, принятия решений о проведении реинжиниринга процессов с целью усиления внутризаводского кооперирования и снижения уровня затрат.

С задачей прогнозирования инфляции методы машинного обучения справляются не хуже, а зачастую и лучше подходов, основанных на классических эконометрических моделях. Однако, несмотря на наличие временных рядов по ценам для всех товаров и услуг, являющихся отдельными компонентами потребительской корзины, для которой рассчитывается индекс потребительских цен (ИПЦ), и на то, что методы машинного обучения работают точнее с ростом объема данных, в большинстве работ покомпонентные данные ИПЦ не используются. Исследований, посвященных прогнозированию ИПЦ путем агрегации прогнозов индексов цен для отдельных категорий товаров и услуг (bottom-up approach), немного, и на их основании нельзя однозначно утверждать, будет ли агрегированный прогноз точнее, чем прогноз ИПЦ, не использующий покомпонентные данные. Мы показываем на российских данных, что в зависимости от горизонта прогнозирования покомпонентный агрегированный прогноз инфляции может быть до 1,5 раза точнее. Даже при использовании таких ставших уже классическими моделей машинного обучения, как градиентный бустинг или регрессии с регуляризацией, преимущество статистически значимо на горизонтах до полугода. Каждую компоненту инфляции и на каждый горизонт мы прогнозируем отдельной моделью независимо от остальных компонент и от остальных горизонтов.

В статье изложены основные аспекты разработки веб-системы автоматизированного анализа тональности отзывов, представлена целевая функция, описано математическое обеспечение веб-системы. Произведен сравнительный анализ фреймворков парсинга: Selenium, Playwright, BeautifulSoup, Grab, API. Выполнено сравнение модели векторного представления: Bag of Words, TF-IDF, BERT. А также сравнили методы классификации: Логистическая регрессия, Градиентный бустинг, Случайный лес. Описана логика работы программного продукта, определена архитектура системы. Определен набор данных для обучения моделей машинного обучения. В результате разработан веб-сервис СААТО, позволяющий по одной ссылке проанализировать эмоциональность комментариев и откликов.

В статье рассматриваются результаты исследования возможности использования искусственного интеллекта как инструмента в области таможенно-тарифного регулирования. Проведен анализ применения искусственного интеллекта для классификации товаров на примере группы 90 ТН ВЭД ЕАЭС. Авторами описан процесс применения нейронной сети искусственного интеллекта Всемирной таможенной организации (ИИ AI HS Code), которая была обучена на наборе данных таможенных органов нескольких стран. В статье описан порядок работы с ИИ AI HS Code, приведены графические материалы, сгенерированные ИИ AI HS Code для принятия решений в целях таможенно-тарифного регулирования. Целью работы является обобщение опыта, уточнение специфики применения ИИ для классификации товаров в таможенно-тарифных целях. Авторами использованы методы анализа, синтеза и графической интерпретации.

Цель исследования: разработка методики аналитической обработки больших массивов данных сервисов и приложений в сетях последнего поколения для обнаружения инцидентов кибербезопасности и построения устойчивых систем защиты на основе состязательного машинного обучения. Метод исследования: анализ современных методов машинного обучения и нейросетевых технологий, синтез и формализация алгоритмов состязательных атак на модели машинного обучения. Результат исследования: в статье предложена методика построения устойчивой системы защиты от состязательных атак в беспроводных самоорганизующихся сетях последнего поколения. Формализованы основные виды состязательных атак, в том числе отравляющие атаки и атаки уклонения, а также описаны методы генерации состязательных примеров на табличные, текстовые и визуальные данные. Проведена генерация нескольких сценариев и исследовательский анализ наборов данных с помощью эмулятора DeepMIMO. Выделены потенциальные прикладные задачи бинарной классификации и прогнозирования затухания сигнала между пользователем и базовой станцией для проведения состязательных атак. Представлена алгоритмизация процессов построения и обучения устойчивой системы от состязательных атак в беспроводных сетях последнего поколения на примере эмулируемых данных.Научная новизна: представлена методика аналитической обработки больших массивов эмулируемых данных сервисов и приложений для обнаружения инцидентов кибербезопасности, которая обеспечивает задел в области исследования вопросов безопасности сложных интеллектуальных сервисов и приложений в инфраструктуре беспроводных сетей последнего поколения.

Настоящая научная статья посвящена разработке и перспективам внедрения новых методов наноскопического анализа органических структур с применением искусственного интеллекта (ИИ). Обзор существующих методов, таких как сканирующая туннельная микроскопия и атомно-силовая микроскопия, выявляет их преимущества и ограничения. В статье подробно рассматриваются перспективы внедрения ИИ для автоматизации и улучшения процессов анализа, включая распознавание структур, классификацию типов и определение свойств материалов. Обсуждаются преимущества, такие как повышение точности и скорости анализа, а также вызовы, связанные с обучением моделей на ограниченных данных.

Научная статья рассматривает актуальные методы машинного обучения для предсказания химических реакций и оптимизации условий синтеза. Сфера химического синтеза является ключевой в науке и промышленности, и внедрение методов машинного обучения представляет собой инновационный подход к решению сложных проблем в этой области. Статья обсуждает применение графовых нейронных сетей, рекуррентных нейронных сетей и генеративных моделей для предсказания реакций с высокой точностью. Также рассматриваются методы оптимизации условий синтеза, основанные на машинном обучении, с акцентом на предсказании оптимальных параметров реакции.