Збірники наукових праць ЦНТУ
Permanent URI for this communityhttps://dspace.kntu.kr.ua/handle/123456789/1
Browse
3 results
Search Results
Item type:Item, Modeling the Stochastic State Matrix of a Production Line for Optimize its Operational Reliability Using Reinforcement Learning(ЦНТУ, 2025) Kovalov, S.; Aulin V.; Grynkiv, A.; Kovalov, Yu.; Ковальов, С. Г.; Аулін, В. В.; Гриньків, А. В.; Ковальов, Ю. Г.The development of a production line state determination model aims to create a universal tool for evaluating and optimizing industrial systems. The proposed approach enables real-time analysis of equipment states, prediction of potential failures, and enhancement of overall operational efficiency. Основною метою розробки моделі визначення стану виробничої лінії було створення універсального інструменту, здатного аналізувати та оптимізувати будь-яку промислову виробничу лінію. Модель розроблена для ефективної оцінки робочих станів виробничого обладнання, прогнозування потенційних збоїв та рекомендацій щодо коригувальних дій для підвищення надійності та ефективності. Завдяки використанню математичних методів та методів на основі штучного інтелекту, підхід забезпечує адаптивність до різних типів виробничих систем, що робить його застосовним у різних галузях промисловості.Item type:Item, Оптимізація часу виробництва за допомогою методу навчання з підкріпленням як частинний випадок підвищення ефективності автоматизованих виробничих ліній(ЦНТУ, 2025) Ковальов, С. Г.У статті розглянуто застосування методу навчання з підкріпленням для оптимізації часу роботи автоматизованої виробничої лінії. Лінія моделюється у вигляді графу, де вершини представляють обладнання, здатне виконувати одну або кілька виробничих операцій. Такий підхід дозволяє не лише будувати точну модель середовища функціонування агента, але й реалізовувати комп’ютерну симуляцію, що слугує основою для аналізу ефективності методів навчання з підкріпленням. Завдяки симуляціям оцінюється можливість інтеграції цих методів у реальні виробничі лінії з метою підвищення їхньої ефективності, оптимізації використання ресурсів та забезпечення надійності функціонування. This article examines the application of reinforcement learning methods to optimize the production time of an automated production line modeled as a graph. In this graph representation, nodes correspond to pieces of equipment capable of performing one or multiple manufacturing operations. Such an approach not only creates a precise model of the agent's operating environment but also enables the implementation of computer simulations. These simulations serve as a critical foundation for assessing the potential effectiveness of reinforcement learning methods in optimizing real-world production lines. By adopting this approach, the study explores opportunities to improve efficiency, optimize resource utilization, and enhance the reliability of production systems. A key focus of the article is the detailed investigation of the stages involved in the computer simulation of production time optimization. The simulation process consisted of several integral stages: preparation of input data, design and implementation of the simulation environment, construction of a Deep Q-Network (DQN) agent, execution of the learning algorithm, and evaluation of optimization efficiency. These stages are thoroughly analyzed, demonstrating the systematic approach required to integrate reinforcement learning into manufacturing processes.Item type:Item, Алгоритм оптимізації надійності функціонування та ефективності використання виробничого обладнання методами штучного інтелекту(ЦНТУ, 2024) Аулін, В. В.; Ковальов, С. Г.; Гриньків, А. В.; Варваров, В. В.; Aulin V.; Kovalov, S.; Hrynkiv, A.; Varvarov, V.Зміст статті орієнтований на проблематику підвищення надійності та ефективності виробничих процесів за рахунок зниження витрат на обслуговування та мінімізації простоїв. Представлено підхід, який передбачає оптимізацію технічного обслуговування виробничого обладнання на основі алгоритмів штучного інтелекту. Розглядається методика використання теорії марківських процесів в контексті навчання з підкріпленням і її застосування для моделювання виробничого середовища.Проведене дослідження дає змогу говорити про значне покращення надійності та продуктивності виробничого обладнання у виробничій системі завдяки впровадженню ШІ-технологій. This paper presents an innovative approach that involves the optimization of maintenance forproduction equipment by leveraging advanced artificial intelligence (AI) algorithms. The study explores the application of Markov process theory within the context of reinforcement learning and its integration into the modeling of production environments. The focus of this research is to address critical issues related to enhancing the reliability and efficiency of production processes. This is achieved by reducing maintenance costs and minimizing equipment downtime.