Россия
Россия
УДК 004.896 Искусственный интеллект в промышленных системах. Интеллектуальные САПР и АСУ. Интеллектуальные роботы
Предлагается новый гибридный подход к автоматизации управления сложными технологическими процессами, протекающими на железнодорожных станциях промышленного транспорта, с привлечением технологий интеллектуального мониторинга. В основу предлагаемого подхода положена концепция эволюционирующего предиктивного моделирования в сочетании с методами многофакторного статистического анализа. В качестве метода многофакторного статистического анализа используется модификация известного метода главных компонент. Идентификация нарушений в поведении технологического процесса осуществляется на основе объединения известного метода анализа вкладов и предложенного авторами метода нечетко-динамического анализа, также базирующегося на методе главных компонент. Принципиальной особенностью гибридного подхода является отображение исходного пространства числовых параметров технологического процесса в новое пространство переменных, образованное нечеткими правилами эволюционирующей системной модели. Путем применения к новым системным переменным технологии многофакторного анализа на основе метода главных компонент образуется ряд промежуточных разносортных переменных. Наличие нескольких групп системных переменных с различной степенью детализации и интерпретируемости, описывающих поведение контролируемого процесса, обеспечивает возможность разработки на их основе математических моделей и алгоритмов решения разнообразных задач мониторинга. Рассматривается пример использования предложенного подхода для постобработки мониторинговых данных с целью выявления расхождений в показателях работы сортировочной станции и обнаружения аномалий в развитии контролируемого процесса.
интеллектуальный мониторинг, эволюционирующее моделирование, метод главных компонент, нечетко-динамическая модель, технологические процессы железнодорожных перевозок.
1. Стоянова Н. В. Основные этапы стратегического развития железнодорожного транспорта // Транспорт: наука, образование, производство («ТРАНСПОРТ‑2022»). 2022. С. 268–272.
2. Рыков Ю. Г. К вопросу развития гибридного аналитического подхода к моделированию сложных систем, содержащих как слабо структурированные, так и хорошо структурированные подсистемы // Информационные и математические технологии в науке и управлении. 2022. № 4(28). С. 234–247.
3. Кудрявцев Е. GPSS World. Основы имитационного моделирования различных систем. Litres, 2022.
4. Никитин А. Б., Грошев В. А. Автоматизация контроля хода технологического процесса станции в режиме реального времени // Известия Петербургского университета путей сообщения. 2016. № 2(47). С. 229–238.
5. A review of process fault detection and diagnosis: Part I: Quantitative model-based methods / V. Venkatasubramanian [et al.] // Computers & Chemical Engineering. 2003. Т. 27. No. 3. P. 293–311.
6. A review of data mining technologies in building energy systems: Load prediction, pattern identification, fault detection and diagnosis / Y. Zhao [et al.] // Energy and Built Environment. 2020. Т. 1. No. 2. P. 149–164.
7. Large language models for software engineering: A systematic literature review / X. Hou [et al.] // ACM Transactions on Software Engineering and Methodology. 2023.
8. Zheng S. A new unsupervised data mining method based on the stacked autoencoder for chemical process fault diagnostics // Computers & Chemical Engineering. 2020. Vol. 135. P. 106755. Russian.
9. An unsupervised data mining strategy for performance evaluation of ground source heat pump systemsт X. Zhou [et al.] // Sustainable Energy Technologies and Assessments. 2021. Vol. 46. P. 01255.
10. Development of the intelligent monitoring system for water parameters / A. A. Bezgin [et al.] // 2020 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF). IEEE, 2020.
11. Kasabov N., Filev D. Evolving intelligent systems: methods, learning, & applications // International symposium on evolving fuzzy systems. IEEE, 2006. P. 8–18.
12. Lughofer E. On-line assurance of interpretability criteria in evolving fuzzy systems — Achievements, new concepts and open issues // Information Sciences. 2013. Vol. 251.
13. Angelov P., Filev D. An approach to online identification of Takagi–Sugeno fuzzy models // IEEE Transactions on Systems, Man and Cybernetics, Part B: Cybernetics. 2004. Vol. 34(1).
14. Leite D., Škrjanc I., Gomide F. An overview on evolving systems and learning from stream data. URL: https:// doi.org/10.1007/s12530-020-09334-5
15. Incremental Structure-Evolving Intelligent Systems with Advanced Interpretational Properties // Kuznetsov S. O., Panov A. I., Yakovlev K. S. (eds) Artificial Intelligence. RCAI 2020. Lecture Notes in Computer Science. Vol. 12412. Springer, Cham.
16. Temporal Prediction Models for Technological Processes Based on Predictive Analytics / Dolgiy A. [et al.] // Lecture Notes in Networks and Systems / eds. S. Kovalev [et al.]. T. 777. LNNS Springer Science and Business Media Deutschland GmbH, 2023. P. 179–194.
17. Abraham W. C., Robins A. Memory retention — the synaptic stability versus plasticity dilemma // Trends in Neurosciences. 2005. Vol. 28(2). P. 73–78.
18. Lazar N. Ockham’s razor // Wiley Interdisciplinary Reviews: Computational Statistics. 2010. Т. 2. No. 2. P. 243–246.
19. Angelov P., Filev D. On-line design of Takagi-Sugeno models // International fuzzy systems association world congress. Berlin, Heidelberg: Springer Berlin Heidelberg, 2003. P. 576–584.
20. Chiu S. Fuzzy Model Identification Based on Cluster Estimation // Journal of Intelligent and Fuzzy Systems. 1994. Vol. 2(3). P. 267–278.
21. Пологов В. В. Комплексирование метода субтрактивной кластеризации и метода K-средних для сегментации изображений // Лучший исследовательский проект. 2020. С. 180–187.
22. Долгий А. И., Ковалев С. М., Колоденкова А. Е. Нечетко-динамический метод анализа главных компонент в системах интеллектуального мониторинга // 21-я Национальная конференция по искусственному интеллекту с международным участием (КИИ‑2023): труды конференции (Смоленск, 16–20 октября 2023 года): в 2 т. Смоленск: Принт-Экспресс, 2023. С. 66–76.
23. Долгий А. И., Ковалев С. М., Колоденкова А. Е. Интерпретируемость и дизайн нечетких интерпретируемых систем // Гибридные и синергетические интеллектуальные системы. 2022. С. 359–364.
24. Долгий А. И., Колоденкова А. Е., Ковалев С. М. Интерпретируемая модель классификатора на основе нечеткой логистической регрессии // Интегрированные модели и мягкие вычисления в искусственном интеллекте: сборник научных трудов XI Международной научно-практической конференции (ИММВ‑2022, Коломна, 16–19 мая 2022 г.): в 2 т. М.: РАИИ, 2022. Т. 1. С. 53–60.
25. Angelov P., Zhou X. Evolving fuzzy systems from data streams in real-time // 2006 International Symposium on Evolving Fuzzy Systems. P. 29–35.
26. Hallgrímsson Á. D., Niemann H. H., Lind M. Improved process diagnosis using fault contribution plots from sparse autoencoders // IFAC-PapersOnLine. 2020. Т. 53. No. 2. P. 730–737.
27. Формирование объективных показателей грузовой станции на основе данных «от колеса» / А. Е. Хатламаджиян [и др.] // Автоматика на транспорте. 2024. Т. 10, № 3. С. 254–268.
