Применение методов классификации временных рядов при оперативном контроле хода выполнения технологических операций

Автор: Спирин Евгений Анатольевич, Куликов Владимир Русланович, Сарамуд Михаил Владимирович, Пикалов Яков Юрьевич

Журнал: Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление @vestnik-rosnou-complex-systems-models-analysis-management

Рубрика: Управление сложными системами

Статья в выпуске: 4, 2023 года.

Бесплатный доступ

Работа посвящена практической апробации методов машинного обучения для реализации автоматизированного оперативного контроля выполнения технологической операции. В качестве объекта исследования выбрана технологическая операция затягивания винтового соединения. Для реализации автоматического контроля рассмотрено решение задачи классификации последовательности данных, получаемых в ходе выполнения операций. Особенностью задачи является ограниченный набор данных, используемых в обучении и тестировании нейронных сетей. Выполнен обзор источников и сравнительный анализ эффективности обучения и применения нейронных сетей с рекуррентной и сверточной архитектурами. Экспериментальные исследования выполнены на роботизированном стенде с применением прототипа завинчивающего устройства авторской конструкции. На основе результатов тестирования рассмотренных моделей предложена архитектура нейронной сети, обеспечивающая оптимальное соотношение между точностью и скоростью ее работы.

Еще

Автоматизация производства, перспективная контрольно-измерительная техника, нейронные сети, контроль технологического процесса, классификация последовательности

Короткий адрес: https://sciup.org/148327418

IDR: 148327418   |   DOI: 10.18137/RNU.V9187.23.04.P.78

Список литературы Применение методов классификации временных рядов при оперативном контроле хода выполнения технологических операций

  • Золкин А.Л., Тормозов В.С., Буштрук Т.Н., Арнаутов Е.А. Системный подход в моделировании эффективности кадрового потенциала сотрудников IT-предприятия // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ, управление. 2023. № 1. С. 1-9. DOI: 10.18137/rnU.V9187.23.01.p.3 EDN: LCMWKQ
  • Вечерская С.Е. Применение скользящей шкалы приоритетов в задачах оптимизации управления // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ, управление. 2022. № 4. С. 32-38. DOI: 10.18137/RNU.V9187.22.04.P.32 EDN: ZGVBOE
  • Temelkova M. Similarities and Differences Between the Technological Paradigms "Production System", "Cyber-physical System" and "Cyber-physical Production System" // 2022 International Conference on Communications, Information, Electronic and Energy Systems (CIEES). Veliko Tarnovo, Bulgaria, November 24-26, 2022. Pp. 1-7. DOI: 10.1109/CIEES55704.2022.9990698
  • Смышляева А.А., Резникова К.М., Савченко Д.В. Современные технологии в Индустрии 4.0 - киберфизические системы // Отходы и ресурсы. 2020. Т. 7. № 3. DOI: 10.15862/02INOR320
  • Al-Ali A.R., Gupta R., Nabulsi A.A. Cyber physical systems' role in manufacturing technologies // 6th International Conference on Nano and Materials Science: ICNMS 2018: AIP Conference Proceedings. Vol. 1957. No. 1. Article no. 050007. DOI: 10.1063/1.5034337
  • Kudo M., Toyama J., Shimbo M. Multidimensional curve classification using passing-through regions // Pattern Recognition Letters. 1999. Vol. 20. No. 11-13. Pp. 1103-1111. 10.1016/ S0167-8655(99)00077-X. DOI: 10.1016/S0167-8655(99)00077-X
  • Bai S., Kolter J. Z., Koltun V. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling // arXiv. Cornell University. Preprint, submitted April 19, 2018. URL: https://arxiv.org/abs/1803.01271 (дата обращения: 20.10.2023).
  • Oord A. van den, Dieleman S., Zen H., Simonyan K., Vinyals O., Graves A., Kalchbrenner N., Senior A., Kavukcuoglu K. WaveNet: A Generative Model for Raw Audio // Preprint, submitted September 12, 2016. URL: https://arxiv.org/abs/1609.03499 (дата обращения: 20.10.2023).
  • Zhao J., Mao X., Chen L. Speech emotion recognition using deep 1D & 2D CNN LSTM networks // Biomedical Signal Processing and Control. 2019. Vol. 47. Pp. 312-323. 10.1016/j. bspc.2018.08.035. DOI: 10.1016/j.bspc.2018.08.035
  • Matsuno T., Huang J., Fukuda T. Fault detection algorithm for external thread fastening by robotic manipulator using linear support vector machine classifier // 2013 IEEE International Conference on Robotics and Automation. Karlsruhe, Germany, May 06-10, 2013. Pp. 3443-3450. 10.1109/ ICRA.2013.6631058. DOI: 10.1109/ICRA.2013.6631058
Еще
Статья научная