МОДЕЛІ ТА МЕТОДИ ПРОЄКТУВАННЯ ІНТЕЛЕКТУАЛЬНИХ ІЄРАРХІЧНИХ СИСТЕМ КЕРУВАННЯ В ХІМІКО-ТЕХНОЛОГІЧНИХ ПРОЦЕСАХ
DOI:
https://doi.org/10.32689/maup.it.2025.1.25Ключові слова:
інтелектуальна система керування, інформаційно-екстремальна інтелектуальна технологія, навчальна матриця, критерій функціональної ефективності, ієрархія, хіміко-технологічний процесАнотація
У статті розглянуто розробку інтелектуальної ієрархічної системи керування хіміко-технологічним процесом на основі інформаційно-екстремальної інтелектуальної технології (ІЕІТ). Описано процес створення математичної моделі та алгоритмів побудови ієрархічних класифікаторів, що дозволяють покращити ефективність управління складними хіміко-технологічними процесами на підприємствах. Підходи до оптимізації системи, засновані на функціонально-статистичних випробуваннях, а також методи навчання й адаптації класифікаторів у процесі експлуатації, дозволяють створити гнучку і адаптивну систему, яка може ефективно реагувати на змінні умови технологічного процесу. Метою роботи є покращення технологічного керування та автоматизація процесів на хімічних підприємствах через впровадження інтелектуальних систем з елементами машинного навчання. Методологія дослідження включає використання математичних моделей та алгоритмів, що забезпечують точне налаштування й контроль параметрів технологічних процесів, а також тестування ефективності запропонованої системи на реальних даних. При цьому перспективним напрямком їх подальшого розвитку є впровадження ієрархічних класифікаторів, що зарекомендували себе ефективним засобом підвищення достовірності рішень щодо визначення функціонального стану процесів різної природи. Наукова новизна роботи полягає в застосуванні ієрархічних моделей та методів інформаційно-екстремальної інтелектуальної технології проєктування автоматизованих, здатних до машинного навчання систем керування. Згідно з розрахунками, використання такого підходу дозволить забезпечити функціональну ефективність керування виробничими процесами в режимі реального часу.
Посилання
Бібик М. В., Довбиш А. С. Оптимізація контрольних допусків на ознаки розпізнавання під час машинного навчання. Журнал інженерних наук. 2017. т. 4. № 1. с. H1–H6.
Довбиш А. С., Васильєв А. В., Любчак В. О. Інтелектуальні інформаційні технології в електронному навчанні: монографія. Суми: СумДУ. 2013. 177 с.
Прилепа Д. В. Інформаційно-екстремальна інтелектуальна технологія діагностування емоційно-психічного стану людини : дис. … канд. техн. наук : 05.13.06 / Прилепа Дмитро Вікторович. Харків, 2024. 188 с.
Москаленко В. В., Довбиш А. С. Вступ до інформаційного аналізу і синтезу інфокомунікаційних систем (Навчальний посібник). Суми: СумДУ. 2016. 226 с.
Bloor M., Ahmed A., Kotecha N., Mercangöz M., Tsay C., & del Río-Chanona E. A. Control-Informed Reinforcement Learning for Chemical Processes. Industrial & Engineering Chemistry Research. 2025. № 64(9). 4966–4978. URL: https://doi.org/10.1021/acs.iecr.4c03233.
Geng Z., Yang X., Han Y., Zhu Q. Energy optimization and analysis modeling based on extreme learning machine integrated index decomposition analysis: Application to complex chemical processes. Energy. 2017. № 120. P. 67–78. URL: https://doi.org/10.1016/j.energy.2016.12.090.
Himmel A., Matschke J., Kok R., Morabito B., Nguyen H.H., & Findeisen R. Machine Learning for Process Control of (Bio)Chemical Processes. Electrical Engineering and Systems Science. 2023. arXiv:2301.06073 [eess.SY]. URL: https://doi.org/10.48550/arXiv.2301.06073.
Lawrence N. P., Damarla S. K., Kim J. W., Tulsyan A., Amjad F., Wang K., Chachuat B., Lee J. M., Huang B., Bhushan Gopaluni R. Machine learning for industrial sensing and control: A survey and practical perspective. Control Engineering Practice. 2024. № 145. 105841. URL: https://doi.org/10.1016/j.conengprac.2024.105841
Lv F., Yang B., Yu S., Zou S., Wang X., Zhao J., Wen C. A unified model integrating Granger causality-based causal discovery and fault diagnosis in chemical processes. Computers & Chemical Engineering. 2025. 196. 109028. URL: https://doi.org/10.1016/j.compchemeng.2025.109028.
Mitrai I., Daoutidis P. Accelerating process control and optimization via machine learning: A review. Electrical Engineering and Systems Science. 2024. arXiv:2412.18529 [eess.SY]. URL: https://doi.org/10.48550/arXiv.2412.18529.
Simkoff J. M., Lejarza F., Kelley M. T., Tsay C., Baldea, M. Process control and energy efficiency. Annu. Rev. Chem. Biomol. Eng. 2020. № 11. 423–445. URL: DOI: 10.1146/annurev-chembioeng-092319-083227.
Shelehov I., Prylepa D., Khibovska Y. Information-Extreme Machine Learning of an Ophthalmic Diagnostic System with a Hierarchical Class Structure. Artificial Intelligence. 2024. № 3. pp. 114–125. URL: https://doi.org/10.15407/jai2024.03.114.
Wang X., Xue X., Chen K., Sun H., Liu X., Liu X., et al. Bidirectional Chemical Intelligent Net: A unified deep learningbased framework for predicting chemical reactions. 2024. July. URL: https://doi.org/10.21203/rs.3.rs-4741807/v1.