Автоматический поиск решения в информационно-управляющей системе для контроля состояния производственной среды
DOI:
https://doi.org/10.22213/2410-9304-2024-2-19-25Ключевые слова:
управление состоянием, контроль состояния производственной среды, информационно-управляющая система, автоматический поиск решенийАннотация
В статье представлен способ контроля и управления состоянием производственной среды на основе информационно-управляющей системы с модулем автоматического поиска решения с применением гибридной нейронной сети. Объектом исследования является состояние производственной среды. Контроль и управление осуществляется на основе прогнозирования изменения состояния среды с учетом взаимозависимости измеряемых параметров. При таком способе контроля и управления, кроме задачи регулирования значения управляемого параметра, накладывается дополнительная задача автоматического составления программы управления в зависимости от внешних параметров. Для этого в замкнутый контур управления устанавливается устройство автоматического поиска решения с программным обеспечением на основе нейронных сетей. Данное устройство производит анализ множества параметров производственной среды и подает в устройство управления требуемое значение управляемого параметра. Для анализа зависимостей между параметрами и прогнозирования состояния производственной среды используется нейронная сеть, веса и смещения которой рассчитаны с использованием алгоритма гармонического поиска, обучение проводилось с алгоритмом градиентного спуска. Для оценки точности и стабильности работы автоматического поиска решений в информационно-управляющей системе для контроля состояния производственной среды проведен эксперимент, результаты которого позволили получить параметры гибридной модели. Дальнейшее исследование полученных параметров показало, что ее использование в контуре управления информационной системы контроля состояния производственной среды позволяет обеспечить качественный и стабильный прогноз изменения состояния производственной среды. Предложенный способ позволил получить стабильную работу информационно-управляющей системы контроля состояния производственной среды и поддержание управляемых параметров в пределах допустимого диапазона.Библиографические ссылки
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.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Юлия Сергеевна Шевнина
![Лицензия Creative Commons](http://i.creativecommons.org/l/by/4.0/88x31.png)
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.