Науковий вісник НГУ

Дослідження комбінованих ансамблевих методів діагностики якості взаємодії людино-машинних систем

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №4 2023

Останнє оновлення: 28 серпня 2023

Опубліковано: 30 листопада -0001

Перегляди: 1689

Authors:

О. І. Лактіонов*, orcid.org/0000-0002-5230-524X, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Л. І. Лєві, orcid.org/0000-0003-4619-8764, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А. В. Третʼяк, orcid.org/0000-0003-3971-3078, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

М. А. Мовін, orcid.org/0000-0002-7470-6482, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент 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. 2023, (4): 138 - 143

https://doi.org/10.33271/nvngu/2023-4/138

Abstract:

Мета. Дослідження процесу об’єднання декількох методів визначення індексів якості людино-машинної взаємодії, що містять різні конфігурації визначення вагових коефіцієнтів у ансамблі.

Методика. Досліджено процес діагностики якості взаємодії людино-машинної системи з чотирма елементами підсистем на прикладі системи «Оператор – Оброблювальний центр – Керуюча програма – Безпечне середовище». Основною гіпотезою дослідження є об’єд­нан­ня декількох методів визначення індексів якості людино-машинної взаємодії, що містять різні конфігурації визначення вагових коефіцієнтів у ансамблі. Запропоновано комбінований метод діагностики якості взаємодії людино-машинних систем на основі ансамблевих моделей, що включають у своїй основі неансамблеві. Ансамблевий індекс визначається шляхом усереднення неансамблевих індексів. Визначені ансамблеві індекси та оцінки елементів чотирьох підсистем використовуються як вхідні оцінки моделі множинної регресії для створення прогнозів.

Результати. Розроблені та програмно реалізовані чотири комбінації ансамблевих індексів, для яких характерне мінімальне, порівняно з існуючими, значення середньоквадратичного відхилення. За результатами експериментальної верифікації запропоновані моделі демонструють значення середньоквадратичного відхилення 0,1404; 0,1401; 0,1411; 0,1397, а існуючі 0,1532; 0,1535; 0,1532; 0,1532.

Наукова новизна. Комбінований ансамблевий метод діагностики якості взаємодії елементів підсистем ураховує лінійні моделі з нелінійними змінними й різними способами визначення вагових коефіцієнтів.

Практична значимість. Сценарієм практичного використання отриманих результатів є можливий варіант оптимізації виробництва, де залежно від кінцевого результату фахівці можуть регулювати значення конкретної підсистеми для досягнення необхідного результату.

Ключові слова: ансамблевий індекс, модель усереднення, нелінійний зв’язок, лінійне рівняння, нелінійне перетворення, IT-технології

References.

1. Zhang, Y., Liu, W., Shi, Q., Huang, Y., & Huang, S. (2022). Resilience assessment of multi-decision complex energy interconnection system. International Journal of Electrical Power & Energy Systems, 137, 107809. https://doi.org/10.1016/j.ijepes.2021.107809.

2. Komelina, O., Dubishchev, V., Lysenko, M., & Panasenko, N. (2018). Ukraine Unified Transport System Potential and Its Development Management Effectiveness Integral Assessment. International Journal of Engineering & Technology, 7(4.3), 633. https://doi.org/10.14419/ijet.v7i4.3.19972.

3. Belitz, K., & Stackelberg, P. E. (2021). Evaluation of six methods for correcting bias in estimates from ensemble tree machine learning regression models. Environmental Modelling & Software, 139, 105006. https://doi.org/10.1016/j.envsoft.2021.105006.

4. Yu, C., Zhu, Y.-P., Luo, H., Luo, Z., & Li, L. (2023). Design assessments of complex systems based on design oriented modelling and uncertainty analysis. Mechanical Systems and Signal Processing, 188, 109988. https://doi.org/10.1016/j.ymssp.2022.109988.

5. Zhang, K., Shao, X., Chen, Z., Liu, X., & Wang, W. (2021). A multi-level diagnostic method for a human-machine system based on the fusion of ELM and the D-S evidence theory. Information Fusion, 22. https://doi.org/10.3390/s22155902.

6. Jiao, J., Zhao, M., Lin, J., & Liang, K. (2020). A comprehensive review on convolutional neural network in machine fault diagnosis. Neurocomputing, 417, 36-63. https://doi.org/10.1016/j.neucom.2020.07.088.

7. Justus, V., & Kanagachidambaresan, G. R. (2022). Intelligent Single-Board Computer for Industry 4.0: Efficient Real-Time Monitoring System for Anomaly Detection in CNC Machines. Microprocessors and Microsystems, 104629. https://doi.org/10.1016/j.micpro.2022.104629.

8. Ghasemi, A., Ashoori, A., & Heavey, C. (2021). Evolutionary Learning Based Simulation Optimization for Stochastic Job Shop Scheduling Problems. Applied Soft Computing, 106, 107309. https://doi.org/10.1016/j.asoc.2021.107309.

9. López Martínez, P., Dintén, R., Drake, J. M., & Zorrilla, M. (2021). A big data-centric architecture metamodel for Industry 4.0. Future Generation Computer Systems, 125, 263-284. https://doi.org/10.1016/j.future.2021.06.020.

10. Yang, B., Qiao, L., Zhu, Z., & Wulan, M. (2016). A Metamodel for the Manufacturing Process Information Modeling. Procedia CIRP, 56, 332-337. https://doi.org/10.1016/j.procir.2016.10.032.

11. Dunke, F., & Nickel, S. (2020). Neural networks for the metamodeling of simulation models with online decision making. Simulation Modelling Practice and Theory, 99, 102016. https://doi.org/10.1016/j.simpat.2019.102016.

12. Chattopadhyay, A., Nabizadeh, E., Bach, E., & Hassanzadeh, P. (2023). Deep learning-enhanced ensemble-based data assimilation for high-dimensional nonlinear dynamical systems. Journal of Computational Physics, 445, 110613. https://doi.org/10.1016/j.jcp.2023.111918.

13. Ochella, S., Shafiee, M., & Dinmohammadi, F. (2022). Artificial intelligence in prognostics and health management of engineering systems. Engineering Applications of Artificial Intelligence, 108, 104552. https://doi.org/10.1016/j.engappai.2021.104552.

14. De Souza, I. T., Carolina Rosa, A., Patriarca, R., & Haddad, A. (2022). Soft computing for nonlinear risk assessment of complex socio-technical systems. Expert Systems with Applications, 117828. https://doi.org/10.1016/j.eswa.2022.117828.

15. Singh, M., & Chauhan, S. (2023). A hybrid-extreme learning machine based ensemble method for online dynamic security assessment of power systems. Electric Power Systems Research, 214, 108923. https://doi.org/10.1016/j.epsr.2022.108923.

16. Nguyen, P. T., Di Ruscio, D., Pierantonio, A., Di Rocco, J., & Iovino, L. (2021). Convolutional neural networks for enhanced classification mechanisms of metamodels. Journal of Systems and Software, 172, 110860. https://doi.org/10.1016/j.jss.2020.110860.

17. Krouska, A., Troussas, C., & Sgouropoulou, C. (2019). Fuzzy Logic for Refining the Evaluation of Learners’ Performance in Online Engineering Education. European Journal of Engineering Research and Science, 4(6), 50-56.

18. Laktionov, О. (2021). Improvement of methods for determination of quality indices of interaction elements of system subsystems. Eastern-European Journal of Enterprise Technologies, 6(3(114)), 72-82. https://doi.org/10.15587/1729-4061.2021.244929.

• < Попередня
• Наступна >