ЗАБЕЗПЕЧЕННЯ ФУНКЦІОНАЛЬНОЇ СТІЙКОСТІ ВИРОБНИЧИХ ПРОЦЕСІВ ПРОМИСЛОВИХ ПІДПРИЄМСТВ НА ОСНОВІ НЕЙРОАДАПТИВНОЇ СИСТЕМИ
DOI:
https://doi.org/10.26906/SUNZ.2024.3.046Ключові слова:
функціональна стійкість, діагностування, нейронні мережі, нейроадаптивні системи, алгоритм, нейрочіпи, виробничий процес, промислові підприємстваАнотація
У статті розглядається проблема забезпечення функціональної стійкості виробничих процесів промислових підприємств на основі нейроадаптивних систем. В умовах індустрії, де виробничі процеси стають дедалі складнішими та автоматизованими, важливість надійних і стійких систем управління зростає. Проводиться аналіз сучасних підходів до використання нейронних мереж для адаптивного управління виробничими процесами, що дозволяє підвищити їхню ефективність та надійність. Аналізуються різні методи підвищення функціональної стійкості, включаючи адаптивні алгоритми навчання, регуляризацію та техніки виявлення і корекції помилок. Особлива увага приділяється інтеграції нейроадаптивних систем з існуючими технологіями та виробничими лініями, а також їх здатності до швидкого відновлення після збоїв і адаптації до змінних умов експлуатації. На основі проведеного аналізу запропоновано новий алгоритм діагностування на основні нейроадаптивної системи, що сприятиме підвищенню стійкості та надійності виробничих процесів. При проектуванні апаратної реалізації нейромереж враховуються такі характеристики нейрочіпів, як масштабованість, вартість розробки, сумісність з минулими та майбутніми версіями. Тому серед існуючих нейрочіпів було обрано Google TPU v4, оскільки у нього високий коефіцієнт продуктивності, а фреймворки машинного навчання, такі як TensorFlow та PyTorch, надають набір операцій для управління мережевим взаємодією вузлів системи. Важливо зазначити, що нейронні мережі можуть використовуватися в комплексі з іншими методами та системами діагностування, такими як експертні системи, фізичні моделі, статистичні методи.Завантаження
Посилання
Собчук В.В. Основи забезпечення функціональної стійкості інформаційних систем підприємств в умовах впливу дестабілізуючих факторів: монографія / В.В. Собчук, О.В. Барабаш, А.П. Мусієнко. К: Міленіум. – 2022. – 272 с. https://www.researchgate.net/publication/363474851_Basis_for_functional_stability_of_information_systems_businesses_un der_the_influence_of_destabilizing_factors
Sobchuk A.V. Assessment methods of functional stability of wireless sensor networks / A.V. Sobchuk, O.V. Barabash, A.P. Musienko // Телекомунікаційні та інформаційні технології. – 2019. – № 3 (64). – С. 46–54. https://doi.org/10.31673/2412- 4338.2019.034654
Собчук В.В. Методи контролю і діагностування інформаційної системи підприємства за принципом адаптивного накопичення діагностичної інформації / В.В. Собчук, О.В. Барабаш, А.П. Мусієнко, О.А. Капустян // Вісник Київського національного університету ім. Т. Шевченка. – 2020. – Вип. 4. – С. 69–78. https://doi.org/10.17721/1812-5409.2020/4.10
Barabash O. Ensuring the functional stability of the information system of the power plant on the basis of monitoring the parameters of the working condition of computer devices / O. Barabash, O. Svynchuk, I. Salanda, V. Mashkov, M. Myroniuk // Advanced Information Systems. – 2024. – Vol. 8, no. 2. – P. 107–117. https://doi.org/10.20998/2522-9052.2024.2.12
Барабаш О. В. Програмне забезпечення контролю справного стану інформаційних систем в енергетичній галузі для забезпечення функціональної стійкості / О. В. Барабаш, О. В. Свинчук, Бандурка О. І. // Сучасний захист інформації. – 2024. – № 2 (58). – С. 41–49. https://doi.org/10.31673/2409-7292.2024.020005
Svynchuk O. Development of the information system for monitoring time changes in forest plantations based on the analysis of space images / O. Svynchuk, O. Bandurka, O. Barabash, O. Ilin, A. Lapin // Eastern-European Journal of Enterprise Technologies. – 2022. – Vol. 5, no. 2 (119). – P. 31–41. https://doi.org/10.15587/1729-4061. 2022. 265039
Mashkov V.A. Self-Checking of modular systems under random performance of elementary checks. Engineering Simulation / V.A. Mashkov, O.V. Barabash // Amsterdam: OPA. – 1995. – Vol. 12. P. 433–445.
Sobchuk V. Adaptive accumulation and diagnostic information systems of enterprises in energy and industry sectors / V. Sobchuk, O. Barabash, A. Musienko, O. Svynchuk // E3S Web of Conferences. – 2021. – Vol. 250. – P. 82–87. https://doi.org/10.1051/e3sconf/202125008002
Barabash O. System analysis and method of ensuring functional sustainability of the information system of a critical infrastructure object / O. Barabash, V. Sobchuk, A. Musienko O. Laptiev, V. Bohomia, S. Kopytko // In: Zgurovsky, M., Pankratova, N. (eds) System Analysis and Artificial Intelligence. Studies in Computational Intelligence. – 2023. – Vol 1107. – Springer, Cham. – P. 117–192. https://doi.org/10.1007/978-3-031-37450-0_11
Maksymuk O.V. A system of indicators and criteria for evaluation of the level of functional stability of information heterogenic networks / O.V. Maksymuk, V.V. Sobchuk, I.P. Salanda, Yu.V. Sachuk // Mathematical modeling and computing. – 2020. – Vol. 7, no. 2. – P. 285–292. http://doi.org/10.23939/mmc2020.02.285
Mashkov O. Features of determining controlling effects in functionally-stablesystems with the recovery of a control / O. Mashkov, V. Chumakevych, O. Sokulsky, L. Chyrun // Mathematical Modeling And Computing. – 2019. – Vol. 6, no. 1. – P. 85–91. http://doi.org/10.23939/mmc2019.01.085
Laptiev O. The method of construction of the law of safety management of critical infrastructure objects under the conditions of external uncontrolled influences / O. Laptiev, O. Barabash, I. Tsyganivska, D. Obidin, A. Sobchuk // CEUR Workshop Proceedings. – 2023. – Vol. 3624. – Р. 291–300. https://ceur-ws.org/Vol-3624/Paper_24.pdf
Собчук А.В. Застосування нейромереж для забезпечення функціональної стійкості виробничих процесів / А.В. Собчук, Ю.І. Олімпієва // Телекомунікаційні та інформаційні технології. – 2020. – № 2 (67). – С. 13–28. http://doi.org/10.31673/2412-4338.2020.021328
Тюлюпа С.В. Самодіагностування як спосіб підвищення кіберстійкості термінальних компонентів технологічної системи / С.В. Тюлюпа, Ю.Я. Самохвалов, П.В. Хусаінов, С.С. Штатенко // Кібербезпека: освіта, наука і техніка. – 2023. – № 2 (22). С. 134–147. https://doi.org/10.28925/2663-4023.2023.22.134147
Собчук В.В. Функціональна стійкість технологічних процесів на основі нелінійної динаміки із застосуванням нейромереж / В.В. Собчук, І.В. Замрій, Ю.І. Олімпієва, С.О. Лаптєв // Сучасні інформаційні системи. – 2021. – Т.5 (2). – С.49–57. https://doi.org/10.20998/2522-9052.2021.2.08
Guo-Qiang Kong Stability analysis of delayed neural networks based on improved quadratic function condition / Guo-Qiang Kong, Liang-Dong Guo // Neurocomputing. – 2023. – Vol. 524. – P. 158–166. https://doi.org/10.1016/j.neucom.2022.12.012.
Кожем’яко В.П. Сучасний стан, елементна база та порівняльний аналіз характеристик нейрообчислювачів / В.П. Кожем’яко, А.В. Кожем’яко, О.С. Васильківа // Оптико-електронні інформаційно-енергетичні технології. – 2017. – Т. 32 (2). – С. 29–38.
The future of AI is Wafer-Scale [Електронний ресурс]. – Режим доступу: https://www.cerebras.net/product-chip/
NVIDIA H200 Tensor Core GPU [Електронний ресурс]. – Режим доступу: https://www.nvidia.com/en-us/data-center/h200/
NVIDIA DGX H100 [Електронний ресурс]. – Режим доступу: https://nvdam.widen.net/s/kpwzdwrwbv/ai-for-enterprisedgx-h100-datasheet-nvidia-a4-2146027-r3-web
Introducing TPU v4: Googles Cutting Edge Supercomputer for Large Language Models [Електр. ресурс]. – Режим доступу: https://www.kdnuggets.com/2023/04/introducing-tpu-v4-googles-cutting-edge-supercomputer-large-language-models.html
Jouppi N.P. A domain-specific supercomputer for training deep neural networks / N.P. Jouppi, D.H. Yoon, G. Kurian, S. Li, N. Patil, J. Laudon, C. Young, D. Patterson // Communications of the ACM. – 2020. – Vol. 63, no. 7. – P. 67–78. https://doi.org/10.1145/3360307
Graphcore/ IPU-POD64 Reference Design Datasheet [Електронний ресурс]. – Режим доступу: https://docs.graphcore.ai/projects/ipu-pod64-datasheet/en/latest/overview.html
NVIDIA A100 Tensor Core GPU Architecture [Електронний ресурс]. – Режим доступу: https://images.nvidia.com/aemdam/en-zz/Solutions/data-center/nvidia-ampere-architecture-whitepaper.pdf
