@inproceedings{96_89521052-0723-4823-a84e-b0ae44f8a634,

title = {Модели и методы совместного использования функций доверия и нечетких нейронных сетей для диагностики многостадийных технологических процессов},

author = {Иванов В.К. and Палюх Б.В.},

url = {https://disk.yandex.ru/i/VLNLkzooMOtmXg},

year  = {2023},

date = {2023-12-28},

urldate = {2025-01-19},

booktitle = {Всемирный конгресс "Теория систем, алгебраическая биология, искусственный интеллект: математические основы и приложения" 26-30 июня 2023 г. Тезисы и материалы.},

pages = {166},

publisher = {Москва},

abstract = {В рамках проведенных исследований выполнен анализ совместного использования таких методов интеллектуальной обработки данных, как нейронные сети и алгоритмы теории свидетельств. Рассмотрены описания состава, структуры и функционирования систем, разработанных для проектов в различных областях. Определены возможные варианты согласованного применения нейронных сетей и функций доверия в информационных системах различного назначения, включая особенности архитектур и реализации таких систем. Результаты исследования использованы при проектировании архитектурных решений гибридной экспертной системы для диагностики состояния многостадийных технологических процессов и обнаружения аномалий их функционирования. Предлагается использование адаптивной нечеткой нейронной сети, которая является частью диагностической экспертной системы и может быть применена для оперативного получения вероятностных оценок причин аномальных критических событий или инцидентов. Обосновывается метод автоматической генерации обучающих и проверочных наборов данных для такой нейронной сети. Так, гипотезы о потенциальных причинах инцидентов, то есть признаков неисправного состояния оборудования, интерпретируются как интервалы вероятности существования дефектов элементов технологической цепи на некоторой стадии непрерывного производства. При этом границы интервалов вычисляются с использованием функций доверия, а данные для расчётов или свидетельства, включая их базовые вероятности, поступают из нескольких источников: сенсоры диагностической информации, статистика дефектов, технологические регламенты. Реализована процедура автоматического преобразования гипотез о потенциальных причинах инцидентов в базу нечётких продукционных правил, которые являются входными данными адаптивной нечеткой нейронной сети при ее обучении. Таким образом, могут быть получены обучающий, верификационный и тестовые наборы данных. С их помощью можно оперативно выполнять обучение и/или переобучение нейронной сети и настройку ее гиперпараметров. Экспертная система, имеющая в своем составе описанные выше компоненты, в эксплуатационном режиме позволит оперативно определять достаточно точную для практического использования вероятностную оценку наличия дефектов в технологической цепи без использования затратных вычислительных ресурсов. Развитием предложенных решений является модель прогнозирования инцидентов для смягчения последствий неопределённости диагностики сложных многостадийных технологических процессов. Представляется обоснованным вывод о применимости предлагаемого подхода к решению данной и подобных задач. Models and methods of trust functions and fuzzy neural networks joint use for multistage technological processes diagnostics Palyukh B.V., Ivanov V.K. Tver State Technical University, Tver, Russia pboris@tstu.tver.ru, mtivk@tstu.tver.ru Within the framework of the conducted research, the intelligent data processing methods analysis exactly joint use of neural networks and the theory of evidence algorithms was carried out. Composition, structure and functioning descriptions of the systems developed for projects in various application domains are considered. Possible options of the coordinated application of neural networks and belief functions in information systems for various purposes are determined. These options also included the architectures and implementation features of such systems. The study results were used in the architectural solutions design of a hybrid expert system for diagnosing the multistage technological processes state and detecting anomalies in their functioning. It is proposed to use an adaptive fuzzy neural network, which is part of a diagnostic expert system and can be used to quickly obtain the probabilistic estimates of causes of abnormal critical events or incidents. The method of training and verification data sets automatic generation for such a neural network is substantiated. Thus, hypotheses about the incident's potential causes, i.e. equipment malfunction sign, are interpreted as the existence of defects probability values interval in the technological chain elements at some continuous production stage. At the same time, the intervals boundaries are calculated using belief functions. The source data for calculations and evidence descriptions, including their basic probabilities, come from several sources: diagnostic information sensors, fault statistics, technological regulations. The transformation of hypotheses about the incident's potential causes into a fuzzy production rules database automatic procedure is implemented. These rules are the input data of an adaptive fuzzy neural network during its training. Thus, training, verification and test data sets can be obtained. With their help, you can quickly train and/or retrain a neural network and configure its hyperparameters. The expert system which has the components described above in its composition, in operational mode, will allow you to quickly determine a probabilistic assessment of the defects presence in the technological chain that is sufficiently accurate for practical use without using expensive computing resources. The incident prediction model is a development of the proposed solutions. This will make it possible to mitigate the effects of uncertainty in the complex multi-stage technological processes diagnosis. The conclusion about the applicability of the proposed approach to solving this and similar problems seems reasonable.},

note = {Палюх Б.В. & Иванов В.К. Модели и методы совместного использования функций доверия и нечетких нейронных сетей для диагностики многостадийных технологических процессов // Всемирный конгресс "Теория систем, алгебраическая биология, искусственный интеллект: математические основы и приложения" 26-30 июня 2023 г. Тезисы и материалы. - Москва, 2023. - С. 166},

keywords = {belief function, bif, diagnostic system, evidence theory, fuzzy neural network, incident, membership function, production process, диагностическая система, инцидент, нечеткая нейронная сеть, теория свидетельств, технологический процесс, функция доверия, функция принадлежности},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{nokey,

title = {Прогнозирование диагностических данных с использованием нечетких нейронных сетей},

author = {Иванов В.К.},

url = {https://disk.yandex.ru/i/gsIW0s0vQKW6xg},

isbn = {9785799513023},

year  = {2023},

date = {2023-07-31},

urldate = {2023-07-31},

booktitle = {Современные технологии и инновации},

pages = {169-179},

publisher = {ТвГТУ},

abstract = {В статье описан подход к решению задач анализа диагностической информации о функционировании сложного технологического процесса на примере прогнозирования трендов и временного ряда значений диагностических переменных. Цель проведённого исследования – показать возможность применения нечёткого сглаживания временного ряда и нечётких нейронных сетей для смягчения последствий неопределённости факторов, влияющих на функционирование технологического процесса, и неполноты информации о них. Предлагается модель прогнозирования, основанная на использовании нечётких временных рядов. Эта модель используется для формализации системы нечётких продукционных правил. Обосновывается применение нейронной сети с архитектурой ANFIS. Описывается методика подготовки обучающих и проверочных наборов реальных данных, настройки и обучения нейронной сети. Представлены некоторые результаты оценки качества обучения нейронной сети. Отмечается достаточная точность прогноза, достигаемая без использования затратных вычислительных ресурсов. Делается вывод о применимости предложенного подхода к данной и подобным задачам.



V.K. Ivanov. Prediction diagnostic data using fuzzy neural networks

The paper describes an approach to solving the problems of analyzing diagnostic information about the complex technological process functioning by the example of forecasting diagnostic variables values trends and their a time series. The study purpose is to show the possibility of using time series fuzzy smoothing and fuzzy neural networks to mitigate the factors uncertainty effects affecting the technological process functioning and incompleteness of information about such factors. A sales forecasting model based on the fuzzy time series use is proposed. This model is used to formalize fuzzy production rules system. The application of a neural network with ANFIS architecture is justified. The methodology of preparing training and verification real data sets, setting up and training a neural network is described. Some results of the neural network training quality evaluation are presented. There is a sufficient accuracy of the forecast, achieved without the expensive computing resources use. The conclusion is made about the proposed approach applicability to this and similar tasks.},

keywords = {diagnostic variable, forecast, fuzzy neural network, membership function, production rule, status-4, technology, time series, training dataset, временной ряд, диагностическая переменная, нечеткая нейронная сеть, обучающий набор данных, прогноз, продукционное правило, технологический процесс, функция принадлежности},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{nokey,

title = {Интеллектуализация оценки сходства и уникальности текстовых документов при их экспертизе},

author = {Иванов В.К.},

url = {https://disk.yandex.ru/i/bLTQh6wLF8kLQA},

isbn = {9785799512835},

year  = {2023},

date = {2023-07-31},

urldate = {2023-07-31},

booktitle = {Саморазвивающаяся среда технического вуза: научные исследования и экспериментальные разработки},

pages = {135-141},

publisher = {ТвГТУ},

abstract = {В статье обосновано применение интеллектуальных методов семантического анализа содержания и качества текстовых документов. Отмечено, что профессиональная экспертиза таких документов является важной составляющей деятельности квалифицированных специалистов как на предприятиях, так и в образовательных учреждениях, готовящих кадры для предприятий. Показано применение разрабатываемого семантического анализатора содержания текстов. Описана сущность некоторых ключевых проверяемых характеристик текстов, таких как обстоятельность и уникальность, показано их сходство и различие. Обращено внимание на некоторые технологии оценки уникальности и сходства текстов. Указаны особенности применения современных моделей интеллектуального семантического анализа текстовой информации. Предложен вариант программной реализации такого анализа. Отмечены границы применения предлагаемых методов.

V.K. Ivanov. Intellectual assessment of the text documents similarity and uniqueness during their expertise

The article substantiates and describes the use of intelligent methods of the semantic content analysis and quality assessment of text documents. It is noted that the professional examination of such documents is an important component of the qualified specialists activities both at the enterprise and in educational institutions that prepare capable personnel for the enterprises. The developed semantic analyzer application of the texts content is shown. The essence of some key verifiable text characteristics, such as thoroughness and uniqueness including their similarity and difference is described. The attention is drawn to some technologies for assessing the texts uniqueness and similarity. The features of the modern models application of the intelligent textual information semantic analysis are indicated. The software implementation of such an analysis is proposed. The limits of the proposed methods application are marked. Keywords: artificial intelligence, test, document, assessment, thoroughness, uniqueness, neural network.},

keywords = {artificial intelligence, assessment, autocheck, document, neural network, test, thoroughness, uniqueness, документ, искусственный интеллект, нейронная сеть, обстоятельность, оценивание, текст, уникальность},

pubstate = {published},

tppubtype = {inproceedings}

}