ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.52167/1609-1817-2025-138-3-414-426Ключевые слова:
машинное обучение, интеллектуальная система управления, прогнозирование, XGBoost, данные датчиков, оптимизация, регрессионные модели, мониторингАннотация
В этой статье предлагается проектирование и реализация интеллектуальной системы управления на основе алгоритмов машинного обучения для предиктивного обслуживания промышленного оборудования. Система разработана на основе конвейера, управляемого данными, включающего сбор данных датчиков, проектирование признаков с помощью скользящей статистики и оценку остаточного срока службы на основе регрессии. Выбранный набор данных NASA C-MAPSS был использован в качестве базы данных для оценки производительности. Четыре модели машинного обучения: случайный лес, XGBoost, LightGBM и сети с длинной краткосрочной памятью (LSTM) сравниваются и сопоставляются по различным показателям производительности, таким как MAE, RMSE, R², время вывода и использование памяти. Результаты показывают, что LightGBM достигает наилучшего баланса между точностью прогнозирования и вычислительными затратами, тогда как LSTM страдает от переобучения и использования ресурсов. Предлагаемая здесь архитектура системы является масштабируемой и модульной и, таким образом, будет подходящей для приложений промышленного управления в реальном времени. В исследовании дается комплексное сравнение производительности модели и объясняется прагматичная система интеграции машинного обучения и интеллектуальных систем управления для предиктивного обслуживания и эксплуатационной надежности.
Библиографические ссылки
[1] Kumar, K., Pande, S. V., Kumar, T. C. A., Saini, P., Chaturvedi, A., Reddy, P. C. S., & Shah, K. B. (2023). Intelligent controller design and fault prediction using machine learning model. International Transactions on Electrical Energy Systems, 2023(1), 1056387. https://doi.org/10.1155/2023/1056387
[2] Taiwo, O., Ezugwu, A. E., Oyelade, O. N., & Almutairi, M. S. (2022). Enhanced intelligent smart home control and security system based on deep learning model. Wireless communications and mobile computing, 2022(1), 9307961. https://doi.org/10.1155/2022/9307961
[3] Kuhnle, A., Kaiser, J. P., Theiß, F., Stricker, N., & Lanza, G. (2021). Designing an adaptive production control system using reinforcement learning. Journal of Intelligent Manufacturing, 32, 855-876. https://doi.org/10.1007/S10845-020-01612-Y
[4] Jayakumar, J., Nagaraj, B., Chacko, S., & Ajay, P. (2021). [Retracted] Conceptual Implementation of Artificial Intelligent based E‐Mobility Controller in smart city Environment. Wireless Communications and Mobile Computing, 2021(1), 5325116. https://doi.org/10.1155/2021/5325116
[5] Mokhtari, S., Abbaspour, A., Yen, K. K., & Sargolzaei, A. (2021). A machine learning approach for anomaly detection in industrial control systems based on measurement data. Electronics, 10(4), 407. https://doi.org/10.3390/electronics10040407
[6] Alzahrani, A. O., & Alenazi, M. J. (2021). Designing a network intrusion detection system based on machine learning for software defined networks. Future Internet, 13(5), 111. https://doi.org/10.3390/fi13050111
[7] Al Smadi, T., Handam, A., Gaeid, K. S., Al-Smadi, A., Al-Husban, Y., & smadi Khalid, A. (2024). Artificial intelligent control of energy management PV system. Results in Control and Optimization, 14, 100343. https://doi.org/10.1016/j.rico.2023.100343
[8] Xia, K., Sacco, C., Kirkpatrick, M., Saidy, C., Nguyen, L., Kircaliali, A., & Harik, R. (2021). A digital twin to train deep reinforcement learning agent for smart manufacturing plants: Environment, interfaces and intelligence. Journal of Manufacturing Systems, 58, 210-230. https://doi.org/10.1016/j.jmsy.2020.06.012
[9] Broo, D. G., Bravo-Haro, M., & Schooling, J. (2022). Design and implementation of a smart infrastructure digital twin. Automation in construction, 136, 104171. https://doi.org/10.1016/j.autcon.2022.104171
[10] Wang, C., Qin, J., Qu, C., Ran, X., Liu, C., & Chen, B. (2021). A smart municipal waste management system based on deep-learning and Internet of Things. Waste Management, 135, 20-29. https://doi.org/10.1016/j.wasman.2021.08.028
[11] Li, P., Pei, Y., & Li, J. (2023). A comprehensive survey on design and application of autoencoder in deep learning. Applied Soft Computing, 138, 110176. https://doi.org/10.1016/j.asoc.2023.110176
[12] Yağ, İ., & Altan, A. (2022). Artificial intelligence-based robust hybrid algorithm design and implementation for real-time detection of plant diseases in agricultural environments. Biology, 11(12), 1732. https://doi.org/10.3390/biology11121732
[13] Jasim, N. A., TH, H., & Rikabi, S. A. (2021). Design and Implementation of Smart City Applications Based on the Internet of Things. International Journal of Interactive Mobile Technologies, 15(13). https://doi.org/10.3991/ijim.v15i13.22331
[14] Aguilar, J., Garces-Jimenez, A., R-moreno, M. D., & García, R. (2021). A systematic literature review on the use of artificial intelligence in energy self-management in smart buildings. Renewable and Sustainable Energy Reviews, 151, 111530. https://doi.org/10.1016/j.rser.2021.111530
[15] Yin, R., Wang, D., Zhao, S., Lou, Z., & Shen, G. (2021). Wearable sensors‐enabled human–machine interaction systems: from design to application. Advanced Functional Materials, 31(11), 2008936. https://doi.org/10.1002/adfm.202008936
[16] Huang, K., Wu, S., Li, F., Yang, C., Gui, W. (2021). Fault diagnosis of hydraulic systems based on deep learning model with multirate data samples. IEEE Transactions on neural networks and learning systems,33(11), 6789-6801. https://doi.org/10.1109/TNNLS.2021.3083401
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Кали Нартай
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
