Архив статей журнала
Рассмотрены вопросы, связанные с автоматизацией процедуры синтеза систем прикладной фотограмметрии. Такие системы служат для измерения и учета объектов по изображениям и в настоящее время широко применяются в различных областях деятельности, таких как картографирование, археология и аэрофотосъемка. Широкому применению также способствует повышение доступности и мобильности устройств для получения изображений. Все это обусловило проведение активных исследований, направленных на разработку методического обеспечения для систем прикладной фотограмметрии. Отслеживание в ручном режиме появления новых методов и алгоритмов фотограмметрической обработки информации для широкой номенклатуры областей применения достаточно затруднительно, что делает актуальной автоматизацию данной процедуры. Предлагаемое в статье решение основано на использовании базы знаний о методах обработки информации в системах прикладной фотограмметрии, основными элементами которой являются нечеткая онтология предметной области и база данных, что логично, т.к. информация о предметной области может быть достаточно легко структурирована. В качестве основы для онтологии было взято существующее решение, которое было дополнено на основе результатов анализа текущего состояния предметной области. Полученная онтология далее использована для поиска и классификации методов обработки информации в системах прикладной фотограмметрии и заполнения базы знаний. В связи с активизацией разработки новых методов обработки информации в системах прикладной фотограмметрии возникает необходимость модификации онтологии и пополнения базы данных, т. е. пополнения базы знаний. Важным источником информации для этого является Интернет. Для автоматизации поиска данных о методах обработки информации и пополнения базы знаний целесообразно использовать большие языковые модели, благодаря которым упрощается решение нескольких задач в области обработки естественного языка, которые включают кластеризацию и формирование новых сущностей для классификации. Соответствующий метод описан в статье. Для метода приведены результаты тестирования его работоспособности. В рамках решения задач проведён сравнительный анализ больших языковых моделей, в результате которого была вобрана модель RoBERTa.
Целью данной работы является решение проблемы внеплановых отказов подшипников качения, установленных на промышленном оборудовании, в результате их неправильного обслуживания в процессе эксплуатации. Известно, что до 50% всех внеплановых простоев промышленного оборудования происходит по причине разрушения подшипников. При этом основной причиной отказа подшипников являются нарушения режима смазки тел качения: избыточное и недостаточное количество смазочных материалов. Эти причины составляют до 36% от общего числа отказов подшипников. В процессе эксплуатации оборудования выявить и предупредить все проблемы со смазкой подшипников очень сложно, по причине большого разнообразия факторов, влияющих на их возникновение. Поэтому, актуальной задачей для исследования, становится разработка автоматизированной рекомендательной системы для управления сервисным обслуживанием промышленного оборудования, с контролем смазки подшипниковых узлов. В работе рассматривается метод классификации состояний подшипников в зависимости от их диагностических параметров: показателей виброскорости, виброускорения и температуры. С этой целью применяются алгоритмы классического машинного обучения: модели KNN, RandomForestClassifier и SVM. Для каждой модели определяются гиперпараметры, позволяющие достигать максимальных результатов во время обучения. В процессе проведения исследования выполнен анализ влияния каждого из диагностических параметров - признаков на показатели работы модели классификации. Понимание, какой показатель работы подшипника будет наиболее важным, позволит выбирать приборы контроля состояния оборудования на производственном предприятии осознанно, для решения конкретных производственных задач. Разработанный алгоритм позволяет качественно, с 98% точностью, производить оценку состояния смазки подшипников качения и выдавать рекомендации по проведению своевременного сервисного обслуживания оборудования. Модель - классификатор планируется использовать в составе комплекса по контролю за техническим состоянием оборудования, расширяя возможности диагностики: помимо сведений о вероятности отказа оборудования и прогнозных сроках службы, комплекс диагностики, совмещенный с предлагаемой моделью, позволит воздействовать на ходимость подшипников, путем улучшения качества их смазки.
Сложные социогуманитарные системы - это разновидность систем, которые изучаются в социологии, антропологии, экономике, политологии, и других гуманитарных науках. Эти системы характеризуются сложностью взаимодействий между их составляющими элементами, которые могут быть как людьми (индивидами, группами), так и культурными, социальными, экономическими и политическими аспектами. Например, общество как социогуманитарная система состоит из различных элементов, таких как люди, культура, институты, ценности и так далее. Они взаимодействуют между собой, образуя сложную сеть связей и влияний, которая определяет поведение и развитие общества. Чтобы лучше понять такие системы, используются различные подходы, включая системный анализ, социальную сетевую теорию, теорию сложности и другие методы. Эти подходы помогают выявить основные закономерности в функционировании сложных социогуманитарных систем и предсказать их развитие в будущем. В данной статье рассматриваются подходы к выявлению причинно-следственных связей, выделяются основные требования к построению этих связей в контексте сложных социогуманитарных систем, имеющих дело, в основном, со слабоструктурированной информацией, часто в виде естественного языка и текстов. Были определены слабые и сильные стороны выявленных подходов, а также рассмотрены примеры использования современных методов построения графов на разных задачах: выявление рисков в бизнесе, анализ социальных явлений, выявление наличия причинности в текстах. Исследование показало, что наиболее продуктивными являются методы машинного обучения, например языковые модели для извлечения знаний из текста в совокупности с нейросетевыми технологиями и графовым представлениями знаний. Они требуют уверенных знаний математики, статистики и программирования, как минимум на языке Python, имеющих самую внушительную инструментальную поддержку для решения задач машинного обучения. Также, выявление причинности основывается не только на корреляции, но и на других методах, таких как тест Грейнджера, используемый для анализа временных рядов.