Методология нейроинформатики в системе поддержки принятия решений по управлению производственными процессами
(Стр. 91-104)
Подробнее об авторах
Пьянков Валерий Валерьевич
аспирант
Российский университет дружбы народов имени Патриса Лумумбы
г. Москва, Российская Федерация Ковалева Екатерина Александровна кандидат экономических наук; доцент, кафедра механики и процессов управления; Российский университет дружбы народов имени Патриса Лумумбы; г. Москва, Российская Федерация
Российский университет дружбы народов имени Патриса Лумумбы
г. Москва, Российская Федерация Ковалева Екатерина Александровна кандидат экономических наук; доцент, кафедра механики и процессов управления; Российский университет дружбы народов имени Патриса Лумумбы; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Современные организационно-технические системы – как множество взаимосвязанных технических средств и персонала, обеспечивающего их функционирование и применение по целевому назначению, отражают все тенденции цифровизации и автоматизации человеческой деятельности, происходящие в эпоху четвертой промышленной революции. Сложность взаимосвязей между составными частями системы и факторами влияния обуславливают сложность реализуемых такими системами функций при, одновременном возрастании стоимости ошибочных проектных решений. Цель работы – проиллюстрировать современные направления и пример решения задачи преодоления проблем экспоненциального взрыва при учете множества факторов инструментарием нейроинформатики для повышения эффективности и минимизации ошибок при принятии оптимальных решений по управлению многомерными производственными процессами в организационно-технических системах. Анализ предметной области позволил сделать вывод о целесообразности решения оптимизационных задач в базисе динамических нейронных сетей с обратными связями. В частности, для решения задач линейного программирования наиболее целесообразными архитектурами определены динамическо-статические сети, что объясняется наглядностью интерпретации нейросетевых решений и простотой реализации ограничений в виде неравенств. Описана программная реализация решения рассмотренной задачи. Представлены экспериментальные зависимости показателей эффективности классификации состояний производственных процессов, которые в последствии используются в контуре управления технологическим процессом нефтехимического производства.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Пьянков В.В., Ковалева Е.А. Методология нейроинформатики в системе поддержки принятия решений по управлению производственными процессами // Computational Nanotechnology. 2025. Т. 12. № 4. С. 91-104. DOI: 10.33693/2313-223X-2025-12-4-91-104. EDN: FVYPOC
Список литературы:
Шваб К. Четвертая промышленная революция: монография. М.: Эксмо, 2016. 229 с.
Демидов Я.П., Багаутдинова Н.Г., Шабанова Л.Б. Оценка состояния организационных систем: принципы, модели, технология: монография. Казань: Изд-во Казанского ун-та, 2016. 316 с.
Control and optimization of process systems // Advances in chemical engineering / S. Pushpavanam. Academic Press, Elsevier, 2013. 270 p.
Marlin T.E. Process control-designing processes and control systems for dynamic performance. 2015. 1008 p.
Дадаян Л.Г. Организационные системы: моделирование и управление: монография. М.: Инфра-инженерия, 2022. 180 с.
Ведяхин А. и др. Сильный искусственный интеллект: на подступах к сверхразуму: монография. М.: Интеллектуальная литература, 2021. 232 с.
Микелуччи У. Прикладное глубокое обучение. Подход к пониманию глубоких нейронных сетей на основе метода кейсов / пер. с англ. СПб.: БХВ-Петербург, 2020. 368 с.
Аггарвал Ч. Нейронные сети и глубокое обучение / пер. с англ. СПб.: Диалектика, 2020. 752 с.
Zhang H.S., Wang H.X., Xu Y.M. et al. Optimization methods rooted in optimal control // Sci. China Inf. Sci. 2024. No. 67. P. 222208.
Zhang C., Bengio S., Hardt M. et al. Understanding deep learning requires rethinking generalization. ICLR, 2017.
Ramsauer H., Bauer S., Lü K.-H. et al. Hopfield networks is all you need // arXiv preprint arXiv:2008.01589. 2020.
Cichocki A., Unbehauen R. Neural networks for optimization and signal processing. Stuttgart: Teubner, 1993. 526 p.
Fu Y., Anderson P.W. Application of statistical mechanics to NP-complete problems in combinatorial optimization // Journal of Physics A: Mathematical and General. 1986. Vol. 19. No. 9. Pp. 1605–1620. DOI: 10.1088/0305-4470/19/9/033.
Metropolis N., Rosenbluth A.W., Rosenbluth M.N. et al. Equation of state calculations by fast computing machines // The Journal of Chemical Physics. 1953. No. 21. Pp. 1087–1092.
Shokri A., Karimi S. A review in Linear Alkylbenzene (LAB) production processes in the petrochemical industry // Russian Journal of Applied Chemistry. 2021. Vol. 94. Pp. 1546–1559. DOI: 10.1134/S1070427221110094.
Демидов Я.П., Багаутдинова Н.Г., Шабанова Л.Б. Оценка состояния организационных систем: принципы, модели, технология: монография. Казань: Изд-во Казанского ун-та, 2016. 316 с.
Control and optimization of process systems // Advances in chemical engineering / S. Pushpavanam. Academic Press, Elsevier, 2013. 270 p.
Marlin T.E. Process control-designing processes and control systems for dynamic performance. 2015. 1008 p.
Дадаян Л.Г. Организационные системы: моделирование и управление: монография. М.: Инфра-инженерия, 2022. 180 с.
Ведяхин А. и др. Сильный искусственный интеллект: на подступах к сверхразуму: монография. М.: Интеллектуальная литература, 2021. 232 с.
Микелуччи У. Прикладное глубокое обучение. Подход к пониманию глубоких нейронных сетей на основе метода кейсов / пер. с англ. СПб.: БХВ-Петербург, 2020. 368 с.
Аггарвал Ч. Нейронные сети и глубокое обучение / пер. с англ. СПб.: Диалектика, 2020. 752 с.
Zhang H.S., Wang H.X., Xu Y.M. et al. Optimization methods rooted in optimal control // Sci. China Inf. Sci. 2024. No. 67. P. 222208.
Zhang C., Bengio S., Hardt M. et al. Understanding deep learning requires rethinking generalization. ICLR, 2017.
Ramsauer H., Bauer S., Lü K.-H. et al. Hopfield networks is all you need // arXiv preprint arXiv:2008.01589. 2020.
Cichocki A., Unbehauen R. Neural networks for optimization and signal processing. Stuttgart: Teubner, 1993. 526 p.
Fu Y., Anderson P.W. Application of statistical mechanics to NP-complete problems in combinatorial optimization // Journal of Physics A: Mathematical and General. 1986. Vol. 19. No. 9. Pp. 1605–1620. DOI: 10.1088/0305-4470/19/9/033.
Metropolis N., Rosenbluth A.W., Rosenbluth M.N. et al. Equation of state calculations by fast computing machines // The Journal of Chemical Physics. 1953. No. 21. Pp. 1087–1092.
Shokri A., Karimi S. A review in Linear Alkylbenzene (LAB) production processes in the petrochemical industry // Russian Journal of Applied Chemistry. 2021. Vol. 94. Pp. 1546–1559. DOI: 10.1134/S1070427221110094.
Ключевые слова:
организационно-техническая система, автоматизированная система управления, динамическая нейронная сеть, оптимизация, прецедентный подход.
