ВЕСТНИК АСТРАХАНСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА. СЕРИЯ: УПРАВЛЕНИЕ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА
Архив статей журнала
Нефтехимические заводы оснащены множеством приборов и большим количеством датчиков, которые собирают данные измерений для управления и мониторинга процесса. В то же время исследователи начали использовать большие объемы данных для построения прогнозных моделей, которые назвали виртуальными датчиками. Предложен анализ применения виртуальных датчиков в рамках процесса гидроочистки дизельных фракций. Представлена разработанная авторами классификация виртуальных датчиков, которая помогает определить и выбрать инструменты для мониторинга, что способствует повышению точности, гибкости и эффективности контрольных механизмов производства. Детально изложена процедура разработки виртуальных датчиков, подчеркивается их потенциал как стратегического актива, способного усилить технологическую продуктивность и улучшить конкурентоспособность предприятий. Также освещается разработка структурной схемы системы управления для процесса гидроочистки дизельных фракций, демонстрирующей интеграцию и применение виртуальных датчиков для совершенствования указанного процесса.
В последние годы технологии искусственного интеллекта продемонстрировали значительный успех в решении проблемы анализа и прогнозирования трафика в различных телекоммуникационных системах. Прогнозирование позволяет оператору связи знать о будущем поведении сети, своевременно предпринимать необходимые меры для повышения качества обслуживания абонентов, принимать решение о необходимости установки или модернизации оборудования. На примере данных, собранных с мобильных устройств IoT, представлены обзор и анализ различных моделей прогнозирования временных рядов, описывающих поведение трафика телекоммуникационных систем. Обсуждаются такие модели прогнозирования, как метод экспоненциального сглаживания, линейная регрессия, метод авторегрессионного интегрированного скользящего среднего (ARIMA), метод регрессии машины опорных векторов, метод N-BEATS, использующий полносвязные слои нейронной сети для прогнозирования одномерных временных рядов. Кратко изложены особенности некоторых из них. Для конкретного массива данных описаны операции по подготовке данных: удаление неиспользуемых столбцов, замена отсутствующих данных о длительности транзакций на их медианные значения. Описаны основные статистические характеристики массива данных. Представлен предварительный анализ данных, заключающийся в применении методов сглаживания: скользящего среднего и экспоненциального сглаживания. Описан процесс обучения моделей и сравнительный анализ качества их обучения. Для исследуемого массива данных сделаны выводы о том, что для протокола UDP лучшее качество обучения имеет модель ARIMA, для протокола TCP - линейная регрессия и модель Theta, для протокола HTTPS - линейная регрессия, ARIMA и N-BEATS.