Треугольно-модулярные свертки как замена нейросетям в задачах прогнозирования технического состояния техники
Автор: Овчинников С.В.
Журнал: Технико-технологические проблемы сервиса @ttps
Рубрика: Методические основы совершенствования проектирования и производства технических систем
Статья в выпуске: 3 (73), 2025 года.
Бесплатный доступ
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.
Детерминированные алгоритмы, сенсорная фузия, предиктивное обслуживание, модулярная свертка, блокчейн, IoT-диагностика
Короткий адрес: https://sciup.org/148331829
IDR: 148331829 | УДК: 2.9.5
Triangular-modular convolutions as a neural network alternative for technical condition forecasting
The relevance of the study stems from the limitations of neural network methods (LSTM, CNN) in forecasting the technical condition of industrial equipment, including high computational complexity, low interpretability, and vulnerability to cyberattacks. The paper introduces a deterministic triangular-modular convolution method, which combines triangular number theory and modular arithmetic for processing sensor data (vibration, temperature, pressure). Deterministic data aggregation (DRA) was applied to reduce noise (SNR improvement by 15 dB) and compress data (10:1). Testing on 12-month IoT datasets (100 samples) revealed TriModConv s superiority over LSTM in accuracy (F1-score: 0,96 vs. 0,78) and processing speed (1,8× faster, 800 ms/sample). The probability of a successful cyberattack was below 10−9. The proposed method is highly effective for real-time equipment monitoring, offering determinism, interpretability, and security.
