|
ИСТИНА |
Войти в систему Регистрация |
ФНКЦ РР |
||
О сотрудничестве в области разработки и внедрения методов искусственного интеллекта и анализа больших объемов данныхНИР
On cooperation in the field of development and implementation of artificial intelligence methods and analysis of large amounts of data”
- Руководитель НИР: Машечкин И.В.
- Ответственный исполнитель: Петровский М.И.
- Участники НИР: Горохов О.Е., Казачук М.А., Лазухин И.С., Попов И.С., Рыжов А.П., Терехин А.Н.
- Подразделение: Кафедра интеллектуальных информационных технологий
- Срок исполнения: 21 сентября 2018 г. - 22 мая 2020 г.
- Номер договора (контракта, соглашения): ННОС 180714 от 21.09.2018 г.
- Тип: Прикладная
- Приоритетное направление научных исследований: Математическая кибернетика, математические методы прогнозирования и исследование операций
- Приоритеты и перспективы НТР Российской Федерации согласно Стратегии НТР РФ: переход к передовым цифровым, интеллектуальным технологиям
- ПН России: Информационно-телекоммуникационные системы
- Направление технологического прорыва России: Стратегические информационные технологии
- Критическая технология России: Технологии информационных, управляющих, навигационных систем
-
Рубрики ГРНТИ:
- 28.23.29 Программная реализация интеллектуальных систем
- Классификатор OECD: Информатика – искусственный интеллект
-
Ключевые слова:
анализ больших данныхз, искусственный интеллект, интеллектуальный анализ данных
artificial intelligence methods, analysis of large amounts of data -
Описание:
Исследовалась задача прогнозирования и анализа состояния технологического процесса.
-
Abstract:
The problem of forecasting and analysis of the state of the technological process was investigated.The problem of forecasting and analysis of the state of the technological process was investigated.
-
Планируемые результаты:
На основе реальных данных определение качественных и количественных зависимостей между параментрами процесса крекинга в стациогарном режие, включая управляющие воздействия, наблюдаемые и контролируемые параметры. Прогнозирование значений контролируемых и наблюдаемых параметров крекингша в динамике в зависимовти от предыдущихз состояний процесса и управляющих воздейсатвий. Выделение скрытых зависимостей и скрытых факторов, влияющих на технологичекий процесс, качества данных, используемых в соответствующих АРС. Выявление и оценка зависимости влияния входных параметров на прогнозируемые. Построение модели (алгоритма), реализующей выбор управляющих воздействий в зависимости от выбранного критерия оптимальности для стационарного режима.
-
Научный задел:
Исследования по решению задач прогнозирования и анализа состояния технологического процесса.
-
Основные результаты:
В результате был предложен - комбинированный подход, включающий методы предобработки и подготовки данных (нормализация, усреднение показателей исторических данных с учетом лага, кластеризация для выбора стабильных периодов работы, отбор значимых переменных и лагов с помощью ансамблей деревьев решений); - предложены методы построения прогнозных моделей с использованием нескольких типов персептронов (в том числе с оригинальными подходами по прогнозированию отклика и используемым целевым функциям); - показано, что применение сетей глубинного обучения уступает по качеству более простым нейросетевым моделям; -решена задача оптимального управления, поскольку за счет относительно простой формы прогнозирующих функций ее удалось свести к задаче условной оптимизации, где целевая функция и функции ограничений задаются формулами персептронов, которая, в свою очередь, успешно решается методом внутренней точки. Все исследования реализованы в виде экспериментального программного стенда, включающего набор утилит для построения моделей и АРМ применения моделей и поиска оптимального управления, с которым могут работать операторы реального технологического процесса.
- Добавил в систему: Терехин Андрей Николаевич
Соисполнители НИР
| МГУ имени М.В.Ломоносова | Координатор |
Источник финансирования НИР
| ООО «ЛУКОЙЛ-Нижегороднефтеоргсинтез» |
Этапы НИР
| # | Сроки | Название |
| 1 | 21 сентября 2018 г.-31 декабря 2018 г. | О сотрудничестве в области разработки и внедрения методов искусственного интеллекта и анализа больших объемов данных |
| Результаты этапа: | ||
| 2 | 1 января 2019 г.-31 декабря 2019 г. | О сотрудничестве в области разработки и внедрения методов искусственного интеллекта и анализа больших объемов данных |
| Результаты этапа: В рамках задачи: - cформулирована задача моделирования производственного процесса методами машинного обучения и поиска оптимального управления на основе полученных моделей. - исследовалась задача построения точных регрессионных моделей зависимости виртуальных датчиков от контроллеров, так как использующиеся в настоящее время - смоделировано поведение показателей качества во времени с учетом калибровки по реальным значениям показателей качества. Исследования проводились на реальных данных технологических процессов: - проведено экспериментальное исследование возможностей применения различных типов прогнозных моделей, включая линейные ARIMA, нейронные сети простой архитектуры (персептроны), современные нейронные сети глубинного обучения, методы на основе ансамблей деревьев решений, машины опорных векторов и другие. В результате был предложен - комбинированный подход, включающий методы предобработки и подготовки данных (нормализация, усреднение показателей исторических данных с учетом лага, кластеризация для выбора стабильных периодов работы, отбор значимых переменных и лагов с помощью ансамблей деревьев решений); - предложены методы построения прогнозных моделей с использованием нескольких типов персептронов (в том числе с оригинальными подходами по прогнозированию отклика и используемым целевым функциям); - показано, что применение сетей глубинного обучения уступает по качеству более простым нейросетевым моделям; -решена задача оптимального управления, поскольку за счет относительно простой формы прогнозирующих функций ее удалось свести к задаче условной оптимизации, где целевая функция и функции ограничений задаются формулами персептронов, которая, в свою очередь, успешно решается методом внутренней точки. Все исследования реализованы в виде экспериментального программного стенда, включающего набор утилит для построения моделей и АРМ применения моделей и поиска оптимального управления, с которым могут работать операторы реального технологического процесса. | ||
| 3 | 1 января 2020 г.-22 мая 2020 г. | О сотрудничестве в области разработки и внедрения методов искусственного интеллекта и анализа больших объемов данных |
| Результаты этапа: В результате проделанной работы предложен - комбинированный подход, включающий методы предобработки и подготовки данных (нормализация, усреднение показателей исторических данных с учетом лага, кластеризация для выбора стабильных периодов работы, отбор значимых переменных и лагов с помощью ансамблей деревьев решений); - предложены методы построения прогнозных моделей с использованием нескольких типов персептронов (в том числе с оригинальными подходами по прогнозированию отклика и используемым целевым функциям); - показано, что применение сетей глубинного обучения уступает по качеству более простым нейросетевым моделям; -решена задача оптимального управления, поскольку за счет относительно простой формы прогнозирующих функций ее удалось свести к задаче условной оптимизации, где целевая функция и функции ограничений задаются формулами персептронов, которая, в свою очередь, успешно решается методом внутренней точки. Все исследования реализованы в виде экспериментального программного стенда, включающего набор утилит для построения моделей и АРМ применения моделей и поиска оптимального управления, с которым могут работать операторы реального технологического процесса. | ||
Прикрепленные к НИР результаты
Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".