Синтез стратегий эффективного функционирования сложных технологических комплексов на основе когнитивного моделирования

Рейтинг:   / 0
ПлохоОтлично 

Authors:


Н. А. Заец, orcid.org/0000-0001-5219-2081, Национальный университет биоресурсов и природопользования Украины, г. Киев, Украина, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

О. В. Савчук, orcid.org/0000-0003-2519-4342, Национальный университет биоресурсов и природопользования Украины, г. Киев, Украина, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

В. Н. Штепа, orcid.org/0000-0002-2796-3144, Полесский государственный университет, г. Пинск, Республика Беларусь,  e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Н. Н. Луцька, orcid.org/0000-0001-8593-0431, Национальный университет пищевых технологий, г. Киев, Украина, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Л. А. Власенко, orcid.org/0000-0002-2003-6313, Национальный университет пищевых технологий, г. Киев, Украина, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.


повний текст / full article



Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2021, (2): 110 - 117

https://doi.org/10.33271/nvngu/2021-2/110



Abstract:



Цель.
Повышение производительности и энергоэффективности функционирования сложных технологических комплексов за счет разработки и использования сценарно-когнитивного моделирования в системах управления.


Методика.
Для разработки сценарно-когнитивной модели использованы нечеткие когнитивные карты, в виде взвешенного ориентированного графа. В результате проведенных исследований предложена новая стратегия обобщения экспертной оценки взаимовлияния концептов на основе методов кластерного анализа.


Результаты.
Исходя из экспериментальных исследований и объектно-ориентированного анализа сложного производственного комплекса создана структура нечеткой когнитивной модели. Разработана сценарно-когнитивная модель в виде взвешенного ориентированного графа (нечеткой когнитивной карты), что иллюстрирует множество связей и характер взаимодействия экспертно определенных факторов. Для решения проблемы невозможности оперативного опроса экспертов в случае изменения параметров функционирования сложных технологических комплексов получены экспертные оценки значений весовых коэффициентов взаимовлияния концептов. Для группировки экспертных оценок и определения единого значения в результате проведенных исследований использованы методы кластерного анализа. Полученные результаты сценарно-когнитивного моделирования предприятия показали, что остановки производства и нештатные ситуации, связанные с отказом электротехнического оборудования, отклонением технологического режима и качеством очистки сточных вод, имеют существенное влияние на динамику изменения производительности, энергоэффективности и эффективности использования оборудования.


Научная новизна.
Разработанная новая сценарно-когнитивная модель для прогноза развития ситуации в условиях дефицита точной количественной информации заключается в создании нечеткой когнитивной карты, для моделирования которой экспертно определено множество параметров функционирования сложных технологических комплексов. С помощью разработанной методики установлена степень взаимовлияния этих параметров, что позволяет определить динамику изменения целевых критериев функционирования при различных стратегиях управления.


Практическая значимость.
На основе созданной сценарно-когнитивной модели разработано программное обеспечение, что позволило анализировать динамику изменения производительности, энергоэффективности и эффективности использования оборудования по возможным сценариям функционирования сложных технологических комплексов.


Ключевые слова:
когнитивное моделирование, структурный анализ, прогнозирование, нечеткая когнитивная карта, кластерный анализ, экспертные оценки

References.


1. Korobiichuk, I., Ladanyuk, A., Vlasenko, L., & Zaiets, N. (2018). Modern Development Technologies and Investigation of Food Production Technological Complex Automated Systems. Proceedings of 2 nd International Conference on Mechatronics Systems and Control Engineering ICMSCE, 52-56. https://doi.org/10.1145/3185066.3185075.

2. Zaiets, N., Vlasenko, L., Lutskaya, N., & Usenko, S. (2019). System Modeling for Construction of the Diagnostic Subsystem of the Integrated Automated Control System for the Technological Complex of Food Industries. Proceedings 3 rd International Conference on Mechatronics Systems and Control Engineering (ICMSCE), Nice, France. https://doi.org/10.1145/3314493.3314523.

3. Dudnyk, V., Sinenko, Y., Matsyk, M., Demchenko, Y., Zhyvotovskyi, R., Repilo, I., …, & Shyshatskyi, A. (2020). Development of a method for training artificial neural networks for intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 3(2(105)), 37-47. https://doi.org/10.15587/1729-4061.2020.203301.

4. Olsen, R.L., Madsen, J.T., Rasmussen, J.G., & Schwefel, H.-P. (2017). On the use of information quality in stochastic networked control systems. Computer Networks, 124, 157-169.

5. Noh, B., Son, J., Park, H., & Chang, S. (2017). In-Depth Analysis of Energy Efficiency Related Factors in Commercial Buildings Using Data Cube and Association Rule Mining. Sustainability, 9(11), 2119. https://doi.org/10.3390/su9112119.

6. Katranzhy, L., Podskrebko, O., & Krasko, V. (2018). Mo­de­lling the dynamics of the adequacy of bank’s regulatory capital. Baltic Journal of Economic Studies, 4(1), 188-194. https://doi.org/10.30525/2256-0742/2018-4-1-188-194.

7. Gerami Seresht, N., & Fayek, A.R. (2020). Neuro-fuzzy system dynamics technique for modeling construction systems. Applied Soft Computing, 93, 106400. https://doi.org/10.1016/j.asoc.2020.106400.

8. James, M., Keller, Derong Liu, & David, B. Fogel (2016). Fundamentals of Computational Intelligence: Neural Networks, Fuzzy Systems, and Evolutionary Computation. New Jersey: Wiley-IEEE Press.

9. Pievtsov, H., Turinskyi, O., Zhyvotovskyi, R., Sova, O., Zvieriev, O., Lanetskii, B., & Shyshatskyi, A. (2020). Development of an advanced method of finding solutions for neuro-fuzzy expert systems of analysis of the radioelectronic situation. EUREKA: Physics and Engineering, 4, 78-89. https://doi.org/10.21303/2461-4262.2020.001353.

10. Hassanzad, M., Orooji, A., Valinejadi, A., & Velayati, A. (2017). A fuzzy rule-based expert system for diagnosing cystic fibrosis. Electronic Physician, 9(12), 5974-5984. https://doi.org/10.19082/5974.

11. Jumani, T., Mustafa, M., Md. Rasid, M., Anjum, W., & Ayub, S. (2019). Salp Swarm Optimization Algorithm-Based Controller for Dynamic Response and Power Quality Enhancement of an Islanded Microgrid. Processes, 7(11), 840. https://doi.org/10.3390/pr7110840.

12. Kuchuk, N., Mohammed, A. S., Shyshatskyi, A., & Nalapko, O. (2019). The method of improving the efficiency of routes selection in networks of connection with the possibility of self-organization. International Journal of Advanced Trends in Computer Science and Engineering, 8(1.2), 1-6.

13. Massel, L. V., Gerget, O. M., Massel, A. G., & Mamedov, T. G. (2019). The Use of Machine Learning in Situational Management in Relation to the Tasks of the Power Industry. EPJ Web of Conferences, 217, 01010. https://doi.org/10.1051/epjconf/201921701010.

14. Govorov, P. P., Budanov, P. F., & Brovko, K. Yu. (2017). Identification Of Emergency Regimes Of Power Equipment Based On The Application Of Dynamic Fractal-Cluster Model. International Scientific Conference UNITECH 2017 Gabrovo: Proceedings. Gabrovo, 1, 57-58. https://doi.org/10.15587/1729-4061.2018.126427.

15. Weinberger, G., & Moshfegh, B. (2018). Investigating influential techno-economic factors for combined heat and power production using optimization and metamodeling. Applied Energy, Elsevier, 232, 555-571. https://doi.org/10.1016/j.apenergy.2018.09.206.

16. Budanov, P., Brovko, K., Cherniuk, A., Vasyuchenko, P., & Khomenko, V. (2018). Improving the reliability of information-control systems at power generation facilities based on the fractal-cluster theory. Eastern-European Journal of Enterprise Technologies, 2(9(92)), 4-12. https://doi.org/10.15587/1729-4061.2018.126427.

17. Raskin, L., Sira, O., & Ivanchykhin, Y. (2017). Models and methods of regression analysis under conditions of fuzzy initial data. Eastern-European Journal of Enterprise Technologies, 4(4(88)), 12-19. https://doi.org/10.15587/1729-4061.2017.107536.

18. Alford, S., Robinett, R., Milechin, L., & Kepner, J. (2019). Training Behavior of Sparse Neural Network Topologies. 2019 IEEE High Performance Extreme Computing Conference (HPEC). https://doi.org/10.1109/hpec.2019.8916385.

19. Abaci, K., & Yamacli, V. (2019). Hybrid Artificial Neural Network by Using Differential Search Algorithm for Solving Power Flow Problem. Advances in Electrical and Computer Engineering, 19(4), 57-64. https://doi.org/10.4316/aece.2019.04007.

20. Milov, O., Voitko, A., Husarova, I., Domaskin, O., Ivanchenko, Y., Ivanchenko, I., ..., & Fraze-Frazenko, O. (2019). Development of methodology for modeling the interaction of antagonistic agents in cybersecurity systems. Eastern-European Journal of Enterprise Technologies, 2(9(98)), 56-66. https://doi.org/10.15587/1729-4061.2019.164730.

 

Следующие статьи из текущего раздела:

Предыдущие статьи из текущего раздела: