ВЕСТНИК АСТРАХАНСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА. СЕРИЯ: УПРАВЛЕНИЕ, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ИНФОРМАТИКА

Рассматриваются задача создания модели распознавания объектов на изображениях и возможные способы ее решения на примере работы с российскими дорожными знаками по ГОСТ Р 52290-2004. Проведен анализ способов построения прогностических моделей распознавания изображений, существующих решений в открытом доступе. В качестве базовой модели используется сверточная нейронная сеть. Разработана модель распознавания дорожных знаков на базе трансферной сети YOLOv7 в результате дообучения на наборе данных из российской базы изображений автодорожных знаков RTSD. Проанализированы и описаны метрики оценки качества работы созданной модели. Созданная модель отвечает требованиям качества в отношении объективных метрик, позволяет строить прогнозы с учетом специфических ситуаций в различных погодных условиях и в разное время суток для 146 различных предопределенных классов. Характеристикой класса является номер знака по ГОСТ Р 52290-2004. Модель обладает точностью предсказаний, равной 0,847 при полноте предсказаний в 0,811. Усредненная точность предсказаний модели - 0,884 при тестировании на 493 изображениях из тестовой выборки. Тестовая выборка не пересекается с обучающей, составляющей 1 842 изображения. Разработанная модель опубликована в открытом доступе как для использования в научных целях, так и для дальнейшего дообучения. Это дает возможность исследователям в данной области ознакомиться с практическим примером реализации модели, дополнить или улучшить его при необходимости. Описанный в работе метод позволит исследователям в различных предметных областях найти решение, позволяющее преодолеть ресурсные ограничения при создании высокопроизводительной и качественной прогностической модели распознавания.

Рассматривается проблема глобального планирования маршрута мобильного робота между двумя заданными точками на известной территории со статическими препятствиями. Для решения проблемы построения маршрута на территории с большим количеством препятствий сложной формы предлагается комплексный подход на основе методов теории графов, который включает в себя применение диаграммы Вороного, графа видимости и алгоритма Дейкстры. На первом этапе исследуемая территория представляется в виде многоугольного объекта, пространство вне объекта рассматривается в качестве препятствий. Далее для обеспечения безопасного расстояния от препятствий строится внутренний буфер многоугольного объекта с помощью разности Минковского. Затем производится уплотнение вершин многоугольника, по полученным вершинам строятся полигоны Вороного. Из полигонов Вороного рассчитывается срединная ось многоугольника, к которой затем применяется алгоритм Дейкстры для расчета кратчайшего пути. Полученный путь используется для построения графа видимости, к полученному графу повторно применяется алгоритм Дейкстры. Предложенный подход позволяет построить маршрут, оптимальный с точки зрения длины и расстояния до препятствий, при этом значительно снижает вычислительную сложность построения графа видимости. Подход был реализован в свободно распространяемой геоинформационной системе QGIS для планирования маршрута мобильного робота в водной среде. Результаты эксперимента показали, что диаграмма Вороного сократила количество вершин, необходимых для построения графа видимости, в 8,3 раза, при этом граф видимости улучшил путь, полученный из диаграммы Вороного, на 8 %. Предлагаемый подход может использоваться для глобального планирования маршрутов мобильных роботов в различных средах.

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.

Рассматриваются проблемы, связанные с функционированием сложных систем управления в условиях неопределенности входных воздействий, а также существующие подходы к их решению, основанные на использовании методов нечеткого управления, адаптивного управления и интеллектуальных алгоритмов. Для повышения эффективности функционирования объекта осуществляется синтез интеллектуальной системы с нечеткой стабилизацией управления в условиях неопределенности входных воздействий. Применение нечеткого управления позволяет учитывать неопределенность входных воздействий и стабилизировать управление на основе продукционной модели представления знаний, что делает систему более гибкой и устойчивой к изменениям. Динамический выбор оптимального метода дефаззификации с целью нечеткой стабилизации управления обеспечивает результативное функционирование каждой конкретной системы. Рассматривается пример реализации интеллектуальной системы с нечеткой стабилизацией управления силой электрического тока для гальванического процесса при неопределенности следующих входных воздействий: длительности, площади детали, температуры и кислотности электролита. Для подтверждения эффективности разработанной интеллектуальной системы проводится вычислительный эксперимент на примере управления гальваническим процессом нанесения никелевого покрытия в электролите Уоттса с использованием нечеткого вывода по алгоритму Мамдани при треугольной норме и конорме Заде. Полученные результаты показывают, что применение интеллектуальной системы с нечеткой стабилизацией управления приводит к более точному результату (в плане толщины покрытия) по сравнению с самостоятельным использованием наиболее распространенных методов дефаззификации (центр тяжести; медиана; наименьший, центр и наибольший из максимумов).