Треугольно-модулярные свертки как замена нейросетям в задачах прогнозирования технического состояния техники

В статье представлен детерминированный метод треугольно-модулярной свертки, сочетающий теорию треугольных чисел и модулярную арифметику для обработки данных сенсоров (вибрация, температура, давление). Дополнительно применена детерминированная агрегация данных для снижения шума (повышение SNR на 15 дБ) и сжатия данных (10:1). Анализ результатов тестирования данных IoT (100 образцов) показал, что метод треугольно-модулярной свертки превосходит LSTM по точности (F1-мера: 0,96 против 0,78) и скорости обработки (ускорение в 1,8 раза, 800 мс/образец). Вероятность успешной кибератаки не превышает 10−9. Предложенный метод реализует высокую эффективность контроля за техническим состоянием оборудования, сочетая детерминированность, интерпретируемость и безопасность.