Методы и алгоритмы принятия решений на основе рекомендаций экспертных систем с использованием технологий искусственного интеллекта

К О Беляков

doi:10.22213/2410-9304-2026-3-37-43

Авторы

К. О. Беляков Российский государственный художественно-промышленный университет им. С. Г. Строганова

DOI:

https://doi.org/10.22213/2410-9304-2026-3-37-43

Ключевые слова:

принятие решений, экспертные системы, искусственный интеллект, управление, алгоритмы, робототехнические системы, горнорудная отрасль

Аннотация

В статье рассматриваются методологические подходы к формированию управляющих воздействий в горнорудной промышленности посредством синтеза экспертных систем и технологий искусственного интеллекта. Работа направлена на устранение разрыва между накоплением массивов технологических данных и скоростью их интерпретации для оперативного контроля. Автором обоснована необходимость перехода от классических алгоритмов к гибридным интеллектуальным моделям, сочетающим экспертные системы с ИИ. Научная новизна исследования заключается в разработке математической модели принятия решений на основе гибридной интеллектуальной модели, которая интегрирует данные о состоянии объекта и базу знаний и функции полезности. Предложенный алгоритм функционирования системы обеспечивает последовательное выполнение первичной вейвлет-фильтрации сигналов, классификации технологических ситуаций и логического вывода рекомендаций. Результаты моделирования показали преимущество гибридной модели для обеспечения промышленной безопасности и повышения операционной эффективности горнорудного производства. Анализ полученных данных подтверждает, что использование гибридного подхода минимизирует влияние субъективных факторов и предотвращает возникновение критических отказов оборудования. Внедрение алгоритмов поможет автоматизировать идентификацию предаварийных состояний, обеспечивая высокую достоверность вывода принятия решений даже в условиях зашумленности входных сигналов. Сравнение временных характеристик указывает на достижение пятисоткратного ускорения аналитических операций, что критически важно для стабилизации производственного потока. Сделан вывод о перспективности применения разработанного математического обеспечения в качестве надежного инструмента для построения самоорганизующихся экспертных систем с использованием технологий искусственного интеллекта. Предложенные решения помогут персоналу перераспределить временные ресурсы в пользу стратегического планирования, гарантируя стабильность показателей предприятия в долгосрочной перспективе. Условием успешной применимости модели на реальных предприятиях является наличие сформированного цифрового архива прецедентов для первичной настройки нейросетевых весов. Технологические ограничения предложенного подхода связаны с вычислительной мощностью локальных серверов при обработке сверхбольших потоков данных в режиме жесткого реального времени.

Биография автора

К. О. Беляков, Российский государственный художественно-промышленный университет им. С. Г. Строганова

кандидат технических наук

Библиографические ссылки

Galin R. R., Shiroky A. A., Magid E., Meshcheryakov R. V., Mamchenko M. V. Effective Functioning of a Mixed Heterogeneous Team in a Collaborative Robotic System // Informatics and Automation. 2021. Vol. 20, no 6. С. 1224-1253. DOI: 10.15622/ia.20.6.2.

Рашка С., Лю Ю., Мирджалили В. Машинное обучение с PyTorch и Scikit-Learn // Астана : Фолиант, 2024. 688 с.

Qian J., Wang K., Li Z. Decision-making Algorithms Based on Artificial Intelligence // Sensors and Materials. 2025. Vol. 37, No 9. С. 4179-4194. DOI: 10.18494/SAM5683

Andronie M., Lăzăroiu G., Iatagan M., Uţă M., Stefanescu C., Cocoșatu R. Artificial Intelligence-Based Decision-Making Algorithms, Internet of Things Sensing Networks, and Deep Learning-Assisted Smart Process Management in Cyber-Physical Production Systems // Electronics. 2021. Vol. 10, No 20. С. 2497-2521. DOI: 10.3390/electronics10202497

Casal-Guisande M., Comesaña-Campos A., Pereira A., Bouza-Rodríguez J.-B., Cerqueiro-Pequeño J. A Decision-Making Methodology Based on Expert Systems Applied to Machining Tools Condition Monitoring // Mathematics. 2022. Vol. 10, No 3. С. 520-549. DOI: 10.3390/math10030520

Lazaroiu G., Androniceanu A., Grecu I., Grecu G., Neguriță O. Artificial intelligence-based decision-making algorithms, Internet of Things sensing networks, and sustainable cyber-physical management systems in big data-driven cognitive manufacturing // Oeconomia Copernicana. 2022. Vol. 13, No 4. С. 1047-1080. DOI: 10.24136/oc.2022.030

Al-Surmi A., Bashiri M., Koliousis I. AI based decision making: combining strategies to improve operational performance // International Journal of Production Research. 2022. Vol. 60, No 14. С. 4464-4486. DOI: 10.1080/00207543.2021.1966540

Soori M., Jough F. K. G., Dastres R., Arezoo B. AI-based decision support systems in Industry 4.0, a review // Journal of Economy and Technology. 2026. Vol. 4. С. 206-225. DOI: 10.1016/j.ject.2024.08.005

Kwon Y., Lee Z. A Hybrid Decision Support System for Adaptive Trading Strategies: Combining a Rule-based Expert System with a Deep Reinforcement Learning Strategy // Decision Support Systems. 2024. Vol. 177. С. 114100. DOI: 10.1016/j.dss.2023.114100

Abdymanapov S. A., Muratbekov M., Altynbek S., Barlybayev A. Fuzzy Expert System of Information Security Risk Assessment on the Example of Analysis Learning Management Systems // IEEE Access. 2021. Vol. 9. С. 156556-156565. DOI: 10.1109/ACCESS.2021.3129424

Abilio A. A., Wolodko J. D., Eckert R. B., Skovhus T. L. Development of an expert system for assessing failures in oil and gas pipelines due to microbiologically influenced corrosion (MIC) // Engineering Failure Analysis. 2024. Vol. 163. С. 108426. DOI: 10.1016/j.engfailanal.2024.108426

Santos J. K. S., Siqueira L. S., Faria E. M. B., Bispo K. A., Silva G. J. F., Soares M. S. Methodological Advances in Expert Systems with Artificial Intelligence // Simpósio Brasileiro de Sistemas de Informação (SBSI). 2025. С. 703-712. DOI: 10.5753/sbsi.2025.246618

Kostopoulos G., Davrazos G., Kotsiantis S. Explainable Artificial Intelligence-Based Decision Support Systems: A Recent Review // Electronics. 2024. Vol. 13, No 14. С. 2842. DOI: 10.3390/electronics13142842

Mutovina N., Tomilov A., Tomilova N. Application of Artificial Intelligence and Machine Learning in Expert Systems for the Mining Industry: Literature Review of Modern Methods and Technologies // Preprints. 2024. DOI: 10.20944/preprints202408.1432.v1

Sarker I. H. AI-Based Modeling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems // SN Computer Science. 2022. Vol. 3, No 158. DOI: 10.1007/s42979-022-01043-x

Варламов, О. Обзор 18 миварных экспертных систем, созданных на основе MOGAN // Известия Кабардино-Балкарского научного центра РАН. 2021. № 3 (101). С. 5-20.

Косников, С. Н. Особенности экспертных систем поддержки принятия решений и их применение в экономике // Естественно-гуманитарные исследования. 2023. № 5 (49). С. 160-163.

Бурый А. С., Ловцов Д. А. Архитектура экспертных рекомендательных систем принятия решений в формате умного города // Правовая информатика. 2023. № 3. С. 41-53.

Хитрова Е. М., Прошутинская С. С. Искусственный интеллект и машинное обучение в поддержке инвестиционных решений на основе экспертных данных // Известия Байкальского государственного университета. 2025. Т. 35, № 2. С. 217-227.

Еремеев Е. А. Распознавание образов в экспертных системах принятия решений // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19, № 4. С. 704-713.

Савин С. В., Мурзин А. Д. Системы поддержки принятия решений на базе искусственного интеллекта: интеграция, адаптация и оценка эффективности // Экономика и управление. 2024. Т. 30, № 12. С. 1521-1534. DOI: 10.35854/1998-1627-2024-12-1521-1534.

Симанков В. С., Теплоухов С. В. Аналитическое исследование методов и алгоритмов искусственного интеллекта // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2020. № 3 (266). С. 16-25.