Для авторов
Найти
Результаты поиска
Найдено результатов: 3.
-
ПРОГНОЗИРОВАНИЕ ОСТАТОЧНОГО СРОКА ПОЛЕЗНОГО ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ МЕТОДОМ ГЛУБОКОГО ОБУЧЕНИЯ LSTM
Ю.А. Кораблев277-2882025-11-10Аннотация ▼Актуальность данного исследования обусловлена повсеместным внедрением предиктивных систем технического обслуживания. В современных промышленных условиях особую важность приобретает точное прогнозирование остаточного срока службы (RUL) критического оборудования. Однако традиционные методы анализа данных демонстрируют существенные ограничения при работе с многомерными нестационарными временными рядами, характеризующимися высокой степенью зашумленности и сложными нелинейными зависимостями. Это приводит к значительным погрешностям в прогнозах, неоптимальному планированию ремонтных работ и возрастанию рисков внезапных отказов, способных вызвать серьезные экономические потери и нарушения производственных процессов. Цель работы заключалась в разработке усовершенствованной модели прогнозирования RUL на основе глубоких рекуррентных нейронных сетей. Для достижения поставленной цели последовательно решались следующие задачи: проведение детального анализа и многоэтапной предобработки данных многомерного мониторинга; проектирование специализированной двухслойной LSTM-архитектуры с интегрированными механизмами регуляризации. Методы и подходы включали применение оригинальной методики, сочетающей каскадную организацию LSTM-слоев с нормализацией и dropout-регуляризацией. Обучение модели осуществлялось на наборе данных NASA Turbofan Engine Degradation Simulation с задействованием современного оптимизатора Adam и стратегии ранней остановки для предотвращения переобучения. Особое внимание уделялось разработке специализированных алгоритмов предобработки, позволяющих эффективно работать с зашумленными временными последовательностями и сохранять долгосрочные зависимости в данных. Основные результаты проведенных экспериментов демонстрируют высокую точность прогноза. Детальный визуальный анализ временных рядов подтвердил точное соответствие прогнозных значений реальной траектории износа механических компонентов. Выводы исследования свидетельствуют о высокой практической эффективности разработанной модели для решения актуальных задач промышленной прогностики. Установлена возможность успешной интеграции модели в современные системы предиктивного обслуживания технологического оборудования. Практическая значимость работы заключается в потенциале существенной оптимизации затрат на техническое обслуживание и минимизации рисков критических отказов. Перспективы дальнейших исследований связаны с развитием гибридных архитектур, интеграцией механизмов внимания и адаптацией модели для различных типов промышленного оборудования
-
МЕТОДЫ ОЦЕНКИ ТЕМПОРАЛЬНОЙ СТРУКТУРЫ ИНТЕРНЕТ-ДИСКУССИЙ НА ОСНОВЕ КОЛИЧЕСТВА И ПРОДОЛЖИТЕЛЬНОСТИ ВЗАИМОДЕЙСТВИЙ ПОЛЬЗОВАТЕЛЕЙ
А.Ю. Таранов155-1622025-10-01Аннотация ▼Целью исследования является разработка и проверка методов оценки темпоральной структуры интернет-дискуссий, основанных на анализе количества и продолжительности взаимодействий пользователей в интернете (в социальных сетях, на форумах и т.п.). Описываются разработанные в рамках данной работы новые методы оценки темпоральной структуры интернет-дискуссий, основанные на анализе количества и продолжительности взаимодействий пользователей в интернете. Особое внимание уделяется методам определения интенсивности и длительности дискуссий, что позволяет получить более точную оценку динамики обсуждений в реальном времени. Оценка интенсивности дискуссии производится через соотношение количества взаимодействий (таких, например, как комментарии, реплаи, лайки) и продолжительности онлайнового обсуждения. Предложен метод корректного определения длительности дискуссии, в котором производится учет не только время с момента публикации поста, но также и активность пользователей в процессе обсуждения, что делает данный метод более гибким и точным. Для проверки разработанных методов использовались реальные данные из сообществ ВКонтакте городов Таганрога и Сарова. Результаты практических исследований подтвердили существование ожидаемых закономерностей, таких, например, как суточные колебания в уровнях активности пользователей и всплески активности, связанные с различными важными общественными и политическими событиями. Разработанные методы оценки темпоральной структуры интернет-дискуссий на основе количества и продолжительности взаимодействий пользователей позволяют эффективно анализировать динамику вовлеченности участников дискуссий, выявлять ключевые моменты, а также значимые события в процессе онлайн-общения. Данные методы могут быть полезными в различных областях, таких как социальные исследования, маркетинг, политический анализ, управление репутационными рисками и другие, где требуется анализ активности и вовлеченности в интернете.
-
ИДЕНТИФИКАЦИЯ КЛЮЧЕВЫХ ТЕХНОЛОГИЙ НА ОСНОВЕ СБОРА И АНАЛИЗА ДАННЫХ ИЗ ОТКРЫТЫХ РУССКОЯЗЫЧНЫХ ИСТОЧНИКОВ
А.Г. Бондаренко , А.Г. Кравец144-1592025-07-24Аннотация ▼Данная статья посвящена разработке и апробации нового подхода к сбору, обработке и анализу открытых данных на русском языке для идентификации ключевых технологических направлений. Для решения задачи формирования и последующего анализа структурированных датасетов разработаны и программно реализованы методы веб-скрейпинга, обработки естественного языка и анализа временных рядов. Описанный в статье подход впервые применен для извлечения и структурирования информации из научных статей, новостных ресурсов и патентной документации на русском языке. В результате анализа полученного датасета научных публикаций выделены 30 наиболее часто упоминаемых биграмм и столько же триграмм технологических терминов.
На основе анализа частотности биграмм и триграмм выделены ключевые технологические термины, которые затем использованы для комплексной фильтрации по ключевым технологиям. Комплексная фильтрация позволила осуществить поиск русскоязычных патентов и их сбор для дальнейшего анализа. В результате предварительной обработки полученной патентной информации сформированы временные ряды патентной активности. Программная система идентификации ключевых технологий реализована на JavaScript и Python с использованием библиотек Selenium и BeautifulSoup для веб-скрейпинга, NLTK и Scikit-learn для обработки и анализа текстовых данных. Исследование динамики развития ключевых технологий во времени позволило выявить периоды интенсивной патентной деятельности и снижения интереса к той или иной технологии. Результаты, изложенные в статье, создают основу для дальнейшей разработки методов машинного обучения с целью прогнозирования технологического развития и выявления перспективных направлений прикладных исследований.
1 - 3 из 3 результатов
