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, Інтеграція штучного інтелекту в системи підтримки прийняття рішень в оптимізації виробничих процесів машинобудівного підприємства на прикладі машинного навчання(ЦНТУ, 2024) Бойко, Р. Ю.; Аулін, В. В.; Тихий, А. А.; Карпушин, С. О.; Коваль, О. П.; Boiko, R.; Aulin V.; Tykhyi, А.; Karpushyn, S.; Koval, O.У статті представлено комплексний огляд систем підтримки прийняття рішень в галузевому машинобудуванні на основі штучного інтелекту у контексті Індустрії 4.0. Проаналізовано підходи до інтеграції та обробки даних, а також основні методи машинного та глибокого навчання, що формують технологічне підґрунтя таких рішень. Окреслено архітектуру, типові етапи впровадження і запропоновано план інтеграції штучного інтелекту для машинобудівного підприємства, включно з описом складових рішення та ключових стратегій розгортання. Розглянуто потенційні виклики й надано рекомендації щодо успішної реалізації. Результати впровадження можуть значно скоротити незаплановані простої устаткування, підвищити ефективність виробництва й забезпечити підприємствам суттєву конкурентну перевагу. This article provides a comprehensive overview of decision support systems based on artificial intelligence within the context of Industry 4.0. The integration approaches and data processing methods, as well as key machine learning and deep learning techniques, which form the technological foundation of such systems, are analyzed. The article outlines the architecture, typical implementation stages, and suggests a plan for artificial intelligence integration in a machine-building enterprise, including descriptions of the system components and deployment strategies. Potential challenges and recommendations for successful implementation are also discussed.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.