Automatic Search for a Solution in the Information Management System to Monitor the State of the Production Environment
DOI:
https://doi.org/10.22213/2410-9304-2024-2-19-25Keywords:
state management, monitoring the state of the production environment, information management system, automatic search for solutionsAbstract
The article presents a method for monitoring and managing the state of a production environment based on an information management system with an automatic solution search module using a hybrid neural network. The object of the study is the state of the production environment. Monitoring and management are carried out on the basis of predicting changes within the environment state, taking into account the interdependence of the measured parameters. In addition to the task of regulating the value of the controlled parameter, there is an additional task of automatically compiling a control program depending on external parametersprovided by this method of monitoring and control. To do this, an automatic solution search device with software based on neural networks is installed in a closed control loop. This device analyzes many parameters of the production environment and supplies the control device with the required value of the controlled parameter. To analyze dependencies between parameters and predict the state of the production environment, a neural network is used, the weights and biases of which are calculated using the harmonic search algorithm; training was carried out with the gradient descent algorithm. To assess the accuracy and stability of the automatic search for solutions in the information management system for monitoring the state of the production environment, an experiment was conducted, the results of which made it possible to obtain the parameters of the hybrid model. Further study of the obtained parameters showed that its use in the control loop of the information system for monitoring the state of the production environment makes it possible to provide a high-quality and stable forecast of changes in the state of the production environment. The proposed method made it possible to obtain stable operation of the information and control system for monitoring the state of the production environment and maintaining controlled parameters within the acceptable range.References
Рагимов Ш. Р., Мамедов Д. Ф. Экспериментальное исследование процесса управления активных элементов гибких производственных систем в условиях неопределенности // Вестник Магнитогорского государственного технического университета им. Г. И. Носова. 2022. Т. 20, № 2. С. 148-160.
Вахнин А. В., Сопов Е. А., Рурич М. А. Гибридный эволюционный алгоритм для решения задач глобальной оптимизации сверхбольшой размерности // Вестник Московского государственного технического университета им. Н. Э. Баумана. Серия "Приборостроение". 2023. № 2 (143). С. 51-73.
Обухов А. Д. Метод автоматического поиска структуры и параметров нейронных сетей для решения задач обработки информации // Известия Саратовского университета. Новая серия. Серия Математика. Механика. Информатика, Т. 23, № 1. 2023. С. 113-125.
Плешкова Т. С., Становов В. В. Модификация метода генерации нечетких правил для алгоритма машинного обучения на нечеткой логике // Актуальные проблемы авиации и космонавтики. 2022. № 2. С. 65-67.
Кузьмич Р. И., Масич И. С., Ступина А. А. Модели формирования закономерностей в методе логического анализа данных // Системы управления и информационные технологии. 2017. № 1 (67). С. 33-37.
Xinyuan Liu, Jihua Zhu, Zhongyu Li, Zhiqiang Tian, XiuyiJia, Lei Chen. Unified framework for learning with label distribution. Information Fusion, Volume 75, 2021, Pages 116-130, ISSN 1566-2535, https://doi.org/10.1016/j.inffus.2021.04.014.
Sefa Aras, EyüpGedikli, Hamdi Tolga Kahraman. A novel stochastic fractal search algorithm with fitness-Distance balance for global numerical optimization. Swarm and Evolutionary Computation, Volume 61, 2021, 100821, ISSN 2210-6502, https://doi.org/10.1016/j.swevo.2020.100821.
Tung The Tran, Khoa Hoang Truong, Dieu Ngoc Vo. Stochastic fractal search algorithm for reconfiguration of distribution networks with distributed generations. Ain Shams Engineering Journal, Volume 11, Issue 2, 2020, Pages 389-407, ISSN 2090-4479, https://doi.org/10.1016/j.asej.2019.08.015.
Гольдштейн А. Л. Многокритериальный генетический алгоритм // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2013. № 8. С. 14-22.
Шерстнев П. А., Липинский Л. В. Настройка структуры искусственной нейронной сети с помощью самоконфигурируемого метода генетического программирования // Актуальные проблемы авиации и космонавтики. 2022. № 2. С. 101-103.
Метод кластерного анализа гетерогенных данных с использованием положений нечеткой логики / Ю. С. Шевнина, Л. Г. Гагарина, Е. В. Конюхов, А. Д. Харитонова // Известия вузов. Электроника. 2023. № 4. С. 445-452.
Шевнина Ю. С. Метод оценки состояния нелинейной системы на основе логического анализа данных // Известия вузов. Электроника. 2022. Т. 27, № 3. С. 407-415.
Методы робастного, нейро-нечеткого и адаптивного управления: учебник / под ред. Н. Д. Егупова, изд. 2-е. М.: Изд-во МГТУ им. Баумана, 2022, 744 с.
Прыткова Е. А., Давыдов В. М. Анализ применения иерархических нейросетевых методов в контроле качества // Вестник МГТУ им. Г. И. Носова. 2023. № 1. С. 74-81.
Круглов М. Г., Юрин Д. С. Контроль качества в современных условиях // Известия ТулГУ. Технические науки. 2023. № 7. С. 193-199.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Юлия Сергеевна Шевнина
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution 4.0 International License.