Применение искусственного интеллекта для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах прогнозируемого обслуживания
Аннотация
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.
Об авторе
Александр Юрьевич ЧесаловОбщество с ограниченной ответственностью «Программные системы Атлансис», Тверь, Россия
Россия
к.т.н.
Список литературы
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. [Электронный ресурс]. 2013. - URL: https://www.sciencedirect.com/science/article/pii/S2213846313000114 (дата обращения: 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. [Электронный ресурс]. 2018. - URL: https://www.sciencedirect.com/science/article/pii/S0278612518300062 (дата обращения: 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. [Электронный ресурс]. 2018. - URL: https://www.researchgate.net/publication/326996236_Big_data_analytics_in_smart_grids_a_review (дата обращения: 18.03.2025)
4. Kusiak, A. Smart manufacturing must embrace big data. Nature, 544(7648), 23-25. DOI: 10.1038/544023a [Электронный ресурс]. 2018. - URL: https://www.researchgate.net/publication/315792168_Smart_Manufacturing_Must_Embrace_Big_Data (дата обращения: 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. [Электронный ресурс]. 2013. - URL: https://www.sciencedirect.com/science/article/abs/pii/S0167739X13000241 (дата обращения: 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. [Электронный ресурс]. 2015. - URL: https://www.sciencedirect.com/science/article/pii/S221384631400025X (дата обращения: 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. [Электронный ресурс]. 2015. - URL: https://www.sciencedirect.com/science/article/pii/S0278612515000400 (дата обращения: 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. [Электронный ресурс]. 2020. - URL: https://www.sciencedirect.com/science/article/pii/S027861252030100X (дата обращения: 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 [Электронный ресурс]. 2015. - URL: https://ieeexplore.ieee.org/document/7382284 (дата обращения: 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 [Электронный ресурс]. 2018. - URL: https://www.tandfonline.com/doi/full/10.1080/00207543.2018.1444806 (дата обращения: 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. [Электронный ресурс]. 2015. - URL: https://www.researchgate.net/publication/277723565_Machine_Learning_for_Predictive_Maintenance_A_Multiple_Classifier_Approach (дата обращения: 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. [Электронный ресурс]. 2024. - URL: https://www.sciencedirect.com/science/article/pii/S1755581724000221 (дата обращения: 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. [Электронный ресурс]. 2006. - URL: https://www.sciencedirect.com/science/article/pii/S0888327005001512 (дата обращения: 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. [Электронный ресурс]. 2025. - URL: https://arxiv.org/html/2408.10234v2 (дата обращения: 18.03.2025)
15. Дорогина О.И. Нейрофизиология : учеб. пособие / О. И. Дорогина ; М-во науки и высш. образования Рос. Федерации, Урал. федер. ун-т. — Екатеринбург : Изд-во Урал. ун-та, 2019. — 100 с. - URL: https://elar.urfu.ru/bitstream/10995/77151/1/978-5-7996-2619-8_2019.pdf (дата обращения: 18.03.2025)
16. Манцулич Валерия Валерьевна. История становления когнитивной психологии и развития взглядов на проблему когнитивных и метакогнитивных способностей личности. Московский городской педагогический университет, Москва, Россия, 2022. Электронный ресурс] cyberleninka.ru - URL: https://cyberleninka.ru/article/n/istoriya-stanovleniya-kognitivnoy-psihologii-i-razvitiya-vzglyadov-na-problemu-kognitivnyh-i-metakognitivnyh-sposobnostey-lichnosti (дата обращения: 17.03.2025)
17. Когнитивная психология. Учебник для вузов / Под ред. В.Н.Дружинина, Д.В. Ушакова. — М.: ПЕР СЭ, 2002. — 479 с.
18. Вызванные потенциалы мозга (ВП). [Электронный ресурс]. cmi.to - URL: https://cmi.to/ вызванные-потенциалы/ (дата обращения: 17.03.2025)
19. Березина И.Ю., Михайлов А.Ю., Горецкая Т.А. и др. Применение вызванных потенциалов, связанных с событием (Р300), у лиц, злоупотребляющих психоактивными веществами // Вопросы наркологии. 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
21. Шустов Д.И., Федотов И.А., Кряжкова Д.Ю. Использование потенциала негативности рассогласования при диагностике психозов: систематический обзор метаанализов. ФГБУ «НМИЦ ПН им. В.П. Сербского» Минздрава России, 2024. [Электронный ресурс]. psychiatr.ru - URL: https://psychiatr.ru/files/magazines/2024_08_scp_2423.pdf (дата обращения: 17.03.2025)
Рецензия
Для цитирования:
Чесалов А.Ю. Применение искусственного интеллекта для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах прогнозируемого обслуживания. Открытое образование. 2025;29(3).
Послать статью по эл. почте 