Науковий вісник НГУ

Синтез стратегій ефективного функціонування складних технологічних комплексів на основі когнітивного моделювання

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2021

Останнє оновлення: 09 травня 2021

Опубліковано: 30 листопада -0001

Перегляди: 1316

Authors:

Н. А. Заєць, orcid.org/0000-0001-5219-2081, Національний університет біоресурсів і природокористування України, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. В. Савчук, orcid.org/0000-0003-2519-4342, Національний університет біоресурсів і природокористування України, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. М. Штепа, orcid.org/0000-0002-2796-3144, Поліський державний університет, м. Пінськ, Республіка Білорусь,  e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Н. М. Луцька, orcid.org/0000-0001-8593-0431, Національний університет харчових технологій, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Л. О. Власенко, orcid.org/0000-0002-2003-6313, Національний університет харчових технологій, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

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

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

Abstract:

Мета. Підвищення продуктивності та енергоефективності функціонування складних технологічних комплексів за рахунок розробки й використання сценарно-когнітивного моделювання в системах управління.

Методика. Для розробки сценарно-когнітивної моделі використані нечіткі когнітивні карти, у вигляді зваженого орієнтованого графа. У результаті проведених досліджень запропонована нова стратегія узагальнення експертної оцінки взаємовпливів концептів на основі методів кластерного аналізу.

Результати. Виходячи з експериментальних досліджень і об’єктно-орієнтованого аналізу складного виробничого комплексу створена структура нечіткої когнітивної моделі. Розроблена сценарно-когнітивна модель у вигляді зваженого орієнтованого графа (нечіткої когнітивної карти), що ілюструє множину зав’язків і характер взаємодії експертно визначених факторів. Для вирішення проблеми неможливості оперативного опитування експертів у разі зміни параметрів функціонування складних технологічних комплексів отримані експертні оцінки значень вагових коефіцієнтів взаємовпливу концептів. Для групування експертних оцінок і визначення єдиного значення в результаті проведених досліджень використані методи кластерного аналізу. Отримані результати сценарно-когнітивного моделювання підприємства показали, що зупинки виробництва й нештатні ситуації, що пов’язані із відмовою електротехнічного обладнання, відхиленням технологічного режиму та якістю очищення стічних вод, мають суттєвий вплив на динаміку зміни продуктивності, енергоефективності та ефективності використання обладнання.

Наукова новизна. Розроблена нова сценарно-когнітивна модель для прогнозу розвитку ситуації в умовах дефіциту точної кількісної інформації полягає у створенні нечіткої когнітивної карти, для моделювання якої експертно визначено множину параметрів функціонування складних технологічних комплексів. За допомогою розробленої методики встановлена ступінь взаємовпливу цих параметрів, що дає змогу визначити динаміку зміни цільових критеріїв функціонування за різних стратегій управління.

Практична значимість. На основі створеної сценарно-когнітивної моделі розроблено програмне забезпечення, що дозволило аналізувати динаміку зміни продуктивності, енергоефективності та ефективності використання обладнання за можливими сценаріями функціонування складних технологічних комплексів.

Ключові слова: когнітивне моделювання, структурний аналіз, прогнозування, нечітка когнітивна карта, кластерний аналіз, експертні оцінки

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.

• < Попередня
• Наступна >