Авторы

Гибридная цифровая модель на основе Neural ODE в задаче повышения экономической эффективности переработки мелкорудного сырья

Представлены результаты исследования, целью которого являлась разработка структуры гибридной цифровой модели управления процессами переработки мелкорудного сырья, а также алгоритма преобразования технологических данных в соответствии с этой структурой, обеспечивающего повышение качества управления и, как следствие, экономическую эффективность переработки. Оригинальной идеей, положенной в основу гибридной цифровой модели, является применение нейронных обыкновенных дифференциальных уравнений (Neural ODE) для расчета динамики технологических объектов и реализуемых в них процессов. Neural ODE являются разновидностью физически-­мотивированных нейронных сетей, использующих физические законы в процессе своего обучения. Получаемая в результате цифровая интеллектуальная система машинного обучения способна с высокой точностью восстанавливать функцию динамики, используя данные наблюдений за технологическим объектом или процессом. Предложенная гибридная модель предусматривает совместное применение Neural ODE и имитационных Simulink-­моделей технологических процессов переработки мелкорудного сырья при расчете управляющих воздействий. Это позволяет быстро моделировать и анализировать реакцию динамических объектов на управляющие воздействия и оперативно вносить необходимые изменения, не дожидаясь реакции физического оригинала. Проведенные численные эксперименты показали, что применение Neural ODE в составе гибридной цифровой модели с высокой точностью воспроизводит динамику технологических объектов при различных начальных условиях. Для сравнения были проведены эксперименты с моделью, в которой вместо Neural ODE была использована рекуррентная нейронная сеть LSTM. Эксперименты продемонстрировали, что в последнем случае динамика моделировалась с высокой точностью только при исходных начальных условиях, а при их изменении происходила ее сильная деградация. В то же время применение Neural ODE вместо LSTM показало устойчиво высокую точность отображения динамики при указанных изменениях, что будет способствовать улучшению качества управления технологическими процессами переработки мелкорудного сырья и их экономической эффективности. Читать дальше...

Нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия

Предложена нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия. Модель реализует двухэтапную процедуру описания и управления инновационной деятельностью промышленного предприятия: на первом этапе выполняется классификация ресурсов взаимодействия на основе дополненного ­VRIO-анализа профиля взаимодействия, на втором проводится выбор стратегии инновационной деятельности. В основе нейро-нечеткой модели ресурсного обеспечения лежит стекинг частных моделей машинного обучения, таких как метод k-ближайших соседей, «случайный лес», многослойный персептрон. Результаты классификации частных моделей объединяются с помощью обучаемого дерева систем нечеткого вывода, выполняющего итоговую классификацию, что обеспечивает повышение ее точности по сравнению с отдельно взятыми частными моделями. Отличительной чертой модели является применение системы нечеткого логического вывода для оценки вероятности наличия ресурса, используемой при планировании потребности в нем, что позволяет учитывать экспертные суждения как входные данные. Апробирование нейро-нечеткой модели, проведенное в программной системе MatLab на примере решения задачи оценки ресурсного обеспечения инновационного процесса при взаимодействии приборостроительного предприятия региона с одним из контрагентов, показало работоспособность модели и высокую точность классификации ресурсов инновационного взаимодействия. Читать дальше...