Прогнозування нелінійної динаміки виробничої мережі на основі багатошарових нейронних моделей

Ключові слова: проектування виробничих мереж, решітчаста модель, якісний аналіз, багатоваріаційний метод прогнозування, багатошарові нейронні моделі

Анотація

В даній статті проведено аналітичний огляд публікацій по проектуванню виробничої мережі на основі багатошарових нейронних моделей, зокрема їх актуальності на сучасних виробництвах, а також проблемами, які виникають при транспортуванні сировини між логістично-виробничими вузлами. Проведено аналіз робіт в наукометричній базі Scopus по роках. Представлено авторів, які опублікували найбільшу кількість робіт, а також країни та навчальні заклади, які саме види публікацій найбільше публікувалися та в які галузі науки до них була проявлена найбільша цікавість. Представлено спонсорські фонди, які зробили найбільший вклад у видавництво даних наукових робіт. Для вирішення проблем, які виникають під час транспортування сировини між логістичними вузлами розроблено решітчасту модель на прямокутній решітці з використанням решітчастих диференціальних рівнянь із затримкою. Сфокусовано увагу на якісному аналізі динамічної поведінки, динамічної решітчастої моделі. Проблему якісної поведінки моделі вирішено, як проблему багатошарових нейронних моделей. Для побудови навчального набору даних був використаний багатоваріаційний метод прогнозування нелінійної динаміки. Було проаналізовано та проведено порівняння нейромереж, які задані відповідними архітектурами, з лінійними та нелінійними виходами. В результаті аналізу виявлено, що архітектури з лінійними виходами демонструють кращу відповідність між очікуваними та прогнозованими значеннями. Отримані у роботі результати вказують на важливість вибору правильної архітектури нейронної мережі залежно від поставлених завдань та вимог до точності та часу навчання моделі

Посилання

Jelena Milisavljevic-Syed, Janet K. Allen, Sesh Commuri, Farrokh Mistree, Design of networked manufacturing systems for Industry 4.0, Procedia CIRP, Volume 81, 2019, Pages 1016-1021, https://doi.org/10.1016/j.procir.2019.03.244.

D. Mourtzis, M. Doukas, F. Psarommatis, Manufacturing Network Design for Mass Customisation using a Genetic Algorithm and an Intelligent Search Method, Procedia CIRP, Volume 7, 2013, Pages 37-42, https://doi.org/10.1016/j.procir.2013.05.007.

Weipeng Cao, Xizhao Wang, Zhong Ming, Jinzhu Gao, A review on neural networks with random weights, Neurocomputing, Volume 275, 2018, Pages 278-287, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2017.08.040.

Tomasz Dudek, Tygran Dzhuguryan, Justyna Lemke, Sustainable production network design for city multi-floor manufacturing cluster, Procedia Computer Science, Volume 159, 2019, Pages 2081-2090, https://doi.org/10.1016/j.procs.2019.09.381.

Xiaona Song, Peng Sun, Shuai Song, Vladimir Stojanovic, Event-driven NN adaptive fixed-time control for nonlinear systems with guaranteed performance, Journal of the Franklin Institute, Volume 359, Issue 9, 2022, Pages 4138-4159, ISSN 0016-0032, https://doi.org/10.1016/j.jfranklin.2022.04.003

Опубліковано
2026-03-28
Як цитувати
Кіт, Н. (2026). Прогнозування нелінійної динаміки виробничої мережі на основі багатошарових нейронних моделей. КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, (62), 247-261. https://doi.org/10.36910/6775-2524-0560-2026-62-28
Розділ
Інформатика та обчислювальна техніка