Исследование точности суррогатных моделей на основе машинного обучения для адаптивного управления производством

Выполнено исследование точности суррогатных моделей на основе методов машинного обучения, предназначенных для адаптивного управления производственными процессами в составе цифровых двойников. Разработана детализированная имитационная модель производственного участка в среде AnyLogic, на основе которой сформирован набор данных для обучения и тестирования суррогатных моделей, основанных на использовании методов машинного обучения. Модели построены на основании методов: случайный лес, градиентного бустинга и многослойного перцептрона. Приведены результаты сравнительного анализа точности и вычислительной эффективности разработанных моделей при прогнозировании временных характеристик производственного процесса. Установлено, что наилучшую точность обеспечивает модель случайного леса, для которой коэффициент детерминации на тестовой выборке составил в среднем 0,91, а относительная ошибка прогнозирования не превышает 8%. Показано, что использование суррогатных моделей позволяет сократить время расчета более чем в 1800 раз по сравнению с имитационной моделью. Рассмотрены перспективные подходы применения ML-суррогатов в составе цифровых двойников и мультиагентных производственных систем для реализации адаптивного планирования и оптимизации производственных процессов в реальном времени.