Применение искусственного интеллекта для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах прогнозируемого обслуживания
Abstract
Постановка проблемы. Одна из актуальных проблем промышленной автоматизации заключается в том, что работа немногих имеющихся на Российском рынке систем прогнозируемого обслуживания, как правило, основывается на сборе и анализе данных оборудования без учета совместного воздействия внутренних и внешних факторов. В текущих экономических условиях необходим обоснованный выбор и применение новых технологий искусственного интеллекта для исследования и реализации базовых принципов потенциала негативности рассогласования, которые откроют новые горизонты для повышения эффективности и надежности промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания многостадийных технологических процессов. Моделирование автоматических реакций на изменения окружающей среды и прогнозирование отказов позволит создать адаптивные системы, которые существенно снизят риски возникновения сбоев и аварий, а также будут способствовать оптимизации производственных ресурсов и снижению эксплуатационных затрат.
Цель. Исследовать возможность применения технологий искусственного интеллекта для реализации алгоритмов, созданных на основе потенциала негативности рассогласования (англ. mismatch negativity, MMN) и возможности их применения в промышленных автоматизированных системах прогнозируемого или предписывающего обслуживания, а также разработать базовый MMN-алгоритм и реализовать его на языке программирования Python.
Результаты. Разработан алгоритм, реализующий базовые принципы потенциала негативности рассогласования. Определена практическая необходимость применения данного вида алгоритма, основанных на нейрофизиологических механизмах обработки сенсорной информации в мозге человека, для обнаружения аномалий в работе промышленного оборудования, вызванных внешними факторами, такими как температура, влажность, вибрации и электромагнитные помехи, что позволяет решить следующие задачи промышленной автоматизации: обнаружение аномалий; моделирование воздействия окружающей среды; оптимизация эксплуатационных процессов; прогнозирование отказов; адаптация к изменяющимся условиям. Предложена базовая архитектура автоматизированной системы, учитывающая необходимость использования программных алгоритмов потенциала негативности рассогласования, которая состоит из модулей верификации данных, обучения модели, обнаружения аномалий, прогнозной модели, визуализации и модуля интеграции с другими производственными информационными и автоматизированными системами. В работе также представлен программный код реализации базового MMN-алгоритма на языке Python.
Практическая значимость. Результаты исследования могут быть использованы для проектирования промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания, в которых точность и время принятия решения играют важную роль.
About the Author
Александр ЧесаловОбщество с ограниченной ответственностью «Программные системы Атлансис», Тверь, Россия
Russian Federation
References
1. Jay Lee, Edzel Lapira, Behrad Bagheri, Hung-an Kao. Recent advances and trends in predictive manufacturing systems in big data environment. Manufacturing Letters,Volume 1, Issue 1, 2013, Pages 38-41, ISSN 2213-8463, https://doi.org/10.1016/j.mfglet.2013.09.005. [Electronic resource]. 2013. - URL: https://www.sciencedirect.com/science/article/pii/S2213846313000114 (accessed 18.03.2025).
2. Fei Tao, Qinglin Qi, Ang Liu, Andrew Kusiak. Data-driven smart manufacturing. Journal of Manufacturing Systems, Volume 48, Part C, 2018, Pages 157-169, ISSN 0278-6125, https://doi.org/10.1016/j.jmsy.2018.01.006. [Electronic resource]. 2018. - URL: https://www.sciencedirect.com/science/article/pii/S0278612518300062 (accessed 18.03.2025)
3. Zhang, Y., Huang, T. & Bompard, E.F.. Big data analytics in smart grids: a review. Energy Inform 1, 8 (2018). https://doi.org/10.1186/s42162-018-0007-5. [Electronic resource]. 2018. - URL: https://www.researchgate.net/publication/326996236_Big_data_analytics_in_smart_grids_a_review (date of access: 18.03.2025)
4. Kusiak, A. Smart manufacturing must embrace big data. Nature, 544(7648), 23-25. DOI: 10.1038/544023a [Electronic resource]. 2018. - URL: https://www.researchgate.net/publication/315792168_Smart_Manufacturing_Must_Embrace_Big_Data (date of reference: 18.03.2025)
5. Jayavardhana Gubbi, Rajkumar Buyya, Slaven Marusic, Marimuthu Palaniswami. Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems, Volume 29, Issue 7, 2013, Pages 1645-1660, ISSN 0167-739X, https://doi.org/10.1016/j.future.2013.01.010. [Electronic resource]. 2013. - URL: https://www.sciencedirect.com/science/article/abs/pii/S0167739X13000241 (accessed on 18.03.2025).
6. Jay Lee, Behrad Bagheri, Hung-An Kao. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters,Volume 3, 2015, Pages 18-23, ISSN 2213-8463, https://doi.org/10.1016/j.mfglet.2014.12.001. [Electronic resource]. 2015. - URL: https://www.sciencedirect.com/science/article/pii/S221384631400025X (date of reference: 18.03.2025)
7. Lihui Wang, Martin Törngren, Mauro Onori. Current status and advancement of cyber-physical systems in manufacturing. Journal of Manufacturing Systems, Volume 37, Part 2, 2015, Pages 517-527, ISSN 0278-6125, https://doi.org/10.1016/j.jmsy.2015.04.008. [Electronic resource]. 2015. - URL: https://www.sciencedirect.com/science/article/pii/S0278612515000400 (date of reference: 18.03.2025)
8. Yuqian Lu, Xun Xu, Lihui Wang. Smart manufacturing process and system automation - A critical review of the standards and envisioned scenarios. Journal of Manufacturing Systems, Volume 56, 2020, Pages 312-325, ISSN 0278-6125, https://doi.org/10.1016/j.jmsy.2020.06.010. [Electronic resource]. 2020. - URL: https://www.sciencedirect.com/science/article/pii/S027861252030100X (accessed on 18.03.2025).
9. Zhou, K., Liu, T., & Zhou, L. Industry 4.0: Towards future industrial opportunities and challenges. In 2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), 2147-2152. DOI: 10.1109/FSKD.2015.7382284 [Electronic resource]. 2015. - URL: https://ieeexplore.ieee.org/document/7382284 (date of reference: 18.03.2025)
10. Xu, L. D., Xu, E. L., & Li, L. Industry 4.0: state of the art and future trends. International Journal of Production Research, 56(8), 2941-2962. DOI: 10.1080/00207543.2018.1444806 [Electronic resource]. 2018. - URL: https://www.tandfonline.com/doi/full/10.1080/00207543.2018.1444806 (date of access: 18.03.2025)
11. Susto, G. A., Schirru, A., Pampuri, S., McLoone, S., & Beghi, A. (2015) Machine learning for predictive maintenance: A multiple classifier approach. IEEE Transactions on Industrial Informatics, 11(3), 812-820. DOI: 10.1109/TII.2014.2349359. [Electronic resource]. 2015. - URL: https://www.researchgate.net/publication/277723565_Machine_Learning_for_Predictive_Maintenance_A_Multiple_Classifier_Approach (date of access: 18.03.2025)
12. Panagiotis Mallioris, Eirini Aivazidou, Dimitrios Bechtsis. Predictive maintenance in Industry 4.0: A systematic multi-sector mapping. CIRP Journal of Manufacturing Science and Technology, Volume 50, 2024, Pages 80-103, ISSN 1755-5817, https://doi.org/10.1016/j.cirpj.2024.02.003. [Electronic resource]. 2024. - URL: https://www.sciencedirect.com/science/article/pii/S1755581724000221 (date of reference: 18.03.2025)
13. Andrew K.S. Jardine, Daming Lin, Dragan Banjevic. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, Volume 20, Issue 7, 2006, Pages 1483-1510, ISSN 0888-3270, https://doi.org/10.1016/j.ymssp.2005.09.012. [Electronic resource]. 2006. - URL: https://www.sciencedirect.com/science/article/pii/S0888327005001512 (accessed on 18.03.2025).
14. Zheng J, Meister M. The unbearable slowness of being: Why do we live at 10 bits/s? Neuron. 2025 Jan 22;113(2):192-204. doi: 10.1016/j.neuron.2024.11.008. Epub 2024 Dec 17. PMID: 39694032; PMCID: PMC11758279. [Electronic resource]. 2025. - URL: https://arxiv.org/html/2408.10234v2 (accessed 18.03.2025)
15. Dorogina O.I. Neurophysiology : textbook / O.I. Dorogina ; Ministry of Science and Higher Education of the Russian Federation, Ural Federal University. Federation, Ural Federal University. - Yekaterinburg : Izd-voor Ural. un-ta, 2019. - 100 с. - URL: https://elar.urfu.ru/bitstream/10995/77151/1/978-5-7996-2619-8_2019.pdf (date of reference: 18.03.2025)
16. Mantsulich Valeria Valerievna. History of the formation of cognitive psychology and the development of views on the problem of cognitive and metacognitive abilities of personality. Moscow City Pedagogical University, Moscow, Russia, 2022. Electronic resource] cyberleninka.ru - URL: https://cyberleninka.ru/article/n/istoriya-stanovleniya-kognitivnoy-psihologii-i-razvitiya-vzglyadov-na-problemu-kognitivnyh-i-metakognitivnyh-sposobnostey-lichnosti (date of reference: 17.03.2025)
17. Cognitive psychology. Textbook for universities / Edited by V.N. Druzhinin, D.V. Ushakov. - M.: PER SE, 2002. - 479 с.
18. Evoked brain potentials (EP). [Electronic resource]. cmi.to - URL: https://cmi.to/ evoked-potentials/ (date of address: 17.03.2025).
19. Berezina I.Yu., Mikhailov A.Yu., Goretskaya T.A. et al. Application of event-related evoked potentials (P300) in substance abusers // Voprosy narkologii. 2020. № 12. С. 19-43. DOI: https://doi.org/10.47877/0234-0623_2020_12_19
20. Guansong Pang, Chunhua Shen, Longbing Cao, and Anton van den Hengel. 2020. Deep Learning for Anomaly Detection: A Review. ACM Comput. Surv. 1, 1, Article 1 (January 2020), 36 pages. https://doi.org/10.1145/3439950. https://doi.org/10.1145/3439950
21. Shustov D.I., Fedotov I.A., Kryazhkova D.Yu. Using the potential of negativity mismatch in the diagnosis of psychosis: a systematic review of meta-analyses. FGBU “V.P. Serbsky NMIC PN” of the Ministry of Health of Russia, 2024. [Electronic resource]. psychiatr.ru - URL: https://psychiatr.ru/files/magazines/2024_08_scp_2423.pdf (date of reference: 17.03.2025)
Review
For citations:
. Open Education. 2025;29(3).
Email this article 