Збірники наукових праць ЦНТУ
Permanent URI for this communityhttps://dspace.kntu.kr.ua/handle/123456789/1
Browse
5 results
Search Results
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 Шляхи підвищення конфіденційності в мережах інтернету речей(ЦНТУ, 2025) Підлісний, Ю. І.; Pidlisnyi, Yu.У статті представлено результати огляду існуючих найновітніші і найактуальніші системи захисту для мереж IoT, їх переваги та недоліки. Основну увагу приділено методам захисту даних на рівні пристроїв, мережевої інфраструктури та хмарних сервісів. Серед можливих шляхів підвищення конфіденційності розглядаються застосування шифрування, механізмів аутентифікації, впровадження блокчейн-технологій, штучного інтелекту та машинного навчання. Висновки підкреслюють важливість інтеграції багаторівневих стратегій захисту, адаптованих до специфіки мереж IoT, для забезпечення високого рівня конфіденційності та довіри до систем Інтернету речей. Мета статті - комплексне висвітлення і аналіз сучасних викликів, загроз та проблем конфіденційності та безпеки в мережах Інтернету речей (IoT), а також вивчення передових методів захисту чутливої інформації. Стаття також спрямована на формування уявлення про актуальність питань приватності для користувачів IoT, окреслення можливих підходів до вирішення існуючих проблем і підвищення обізнаності щодо впливу технологій на безпеку даних у глобальній IoT-інфраструктурі. The rapid development of IoT technologies and their integration into everyday life are leading to a significant increase in the amount of data collected, transmitted and processed. This creates significant risks of confidential information leakage, which can have serious consequences for individual users, businesses and government agencies. In addition, the growing number of connected devices and their interaction in global networks increase the vulnerability of systems to cyberattacks, which can lead to unauthorized access to critical data. The purpose of this article is to analyze the vulnerabilities of the Internet of Things (IoT) and to consider modern methods of detecting and counteracting cyber threats in such networks. The main objectives of the study include: Identification of the main threats and vulnerabilities of IoT networks at different levels of interaction; Analysis of modern attack methods applied to IoT systems and their consequences; Overview and classification of security methods, including cryptographic mechanisms, blockchain solutions, artificial intelligence-based anomaly detection systems, etc; Comparison of the effectiveness of different approaches to cybersecurity of IoT infrastructure and identification of their advantages and disadvantages; Formulating recommendations for the implementation of more reliable mechanisms to protect IoT networks etc.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 Ризики впровадження штучного інтелекту в комп’ютерні системи(ЦНТУ, 2022) Марченко, К. М.; Оришака, О. В.; Марченко, А. К.; Мельник, А. М.; Marchenko, K.; Oryshaka, О.; Marchenko, А.; Melnick, А.У статті розглянуті питання автоматизованої обробки інформації в комп’ютерних системах. Розглянуті вимоги, яким повинні відповідати комп’ютерні системи. Підкреслюється неможливість забезпечення абсолютної надійності алгоритмів та програмного забезпечення комп’ютерні системи, отже, повної адекватності отриманих рішень. Проаналізовані сфери використання штучного інтелекту та зроблені висновки про доцільність та безпечність його впровадження в окремих галузях з точки зору безпеки життєдіяльності людей та охорони праці. Since the absolute reliability of computer systems and the results of information processes that run in them can not be guaranteed, the task of research is to identify critical areas where such errors and failures are unacceptable. The main problems with the introduction of artificial intelligence in computer systems are the inability to predict all real situations and program the behavior of the machine adequately to them, lack of reliability and software errors. The input on which artificial intelligence is taught may be incorrect. In addition, artificial intelligence systems are influenced by the way of thinking and values of its developers, who are not always familiar with psychology, sociology and other humanities. These shortcomings during the use of artificial intelligence systems have led to many incidents, including fatal. The analysis of the sample of artificial intelligence error messages allowed us to determine which areas are critical errors, ie where the use of artificial intelligence systems is associated with significant risk. In particular, these are such areas as medicine, military affairs, transport, manufacturing, where people and robotic systems cooperate, hazardous industries, energy, social management, legal institutions and more. Currently, there is no regulatory and legal framework for the use of artificial intelligence, so its implementation is spontaneous, which leads to unpredictable results and accidents. Artificial intelligence used in critical infrastructures, in areas related to human health and life, belongs to the category of high risk. Based on the analysis and due to the impossibility of ensuring the absolute reliability of computer systems and their software, the authors do not recommend the use of artificial intelligence in areas related to safety, health and human life, especially large human teams. Devices using artificial intelligence systems should be marked with messages about its use with a clear warning about the partial reliability of the device in terms of safety and consumer responsibility for the use of such a device. The authors strongly discourage the use of artificial intelligence in responsible decision-making in areas related to the security of large groups of people.Item Обґрунтування автоматизації комп’ютерно-інтегрованої технології ідентифікації та моніторингу нафтових забруднень(ЦНТУ, 2019) Голик, О. П.; Жесан, Р. В.; Ісмаіл, М.; Голик, Е. П.; Жесан, Р. В.; Исмаил, М.; Holyk, O.; Zhesan, R.; Ismail, M.В статті виконано аналіз останніх досліджень з технологій очистки морських вод від нафтових забруднень та обґрунтовано доцільність розробки робота зі штучним інтелектом, який зможе безпосередньо у місці забруднення здійснювати аналіз ступеня забруднення та виконувати відповідні очисні заходи. Запропоновано методику досліджень. В статье выполнен анализ последних исследований технологий очистки морских вод от нефтяных загрязнений и обосновано целесообразность разработки робота с искусственным интеллектом, который сможет непосредственно в месте загрязнения осуществлять анализ степени загрязнения и выполнять соответствующие очистительные действия. Предложена методика исследований. Large oil spills in seawater are not regular, but the damage to the marine ecosystem is significant. Petroleum companies and oil shipment vessels can not prevent oil spills in the future, but they must be prepared to respond quickly to damages. Such technologies are at an early stage of development. The purpose of the article is to study modern automated technologies for monitoring, identification and purification of marine waters from oil pollution. The analysis of recent research has been performed and the need to develop a robot with artificial intelligence has been substantiated. A research methodology and stages of work are proposed. This robot should directly at place oil spill analyze the degree of pollution and clean the sea water. To develop a robot, it is suggested to use statistical methods (for processing data and identifying interactions); mathematical apparatus of fuzzy logic and neural networks; intelligent decision support systems; methods of simulation. Using the database and knowledge base, the robot will be able, depending on the type of pollution, to choose a method of cleaning sea water from oil pollution. In order to develop a robot that should perform the functions of monitoring, identifying and purifying seawater from oil pollution in real time, it is necessary to have information on types of oil spills, their chemical composition and methods of purification. On the basis of the information obtained, create databases and knowledge that will enable the development of the intellectual system with the neural network. Since the impacts of oil pollution can grow rapidly, it is necessary that such works be located directly at the facility (near wells, oil refineries, oil pipelines, etc.), in particular, by sea transport. This can solve the problem of remote sensing of oil spills. In addition, when developing a robot, it is necessary to consider the possibility of analyzing meteorological information. Now is working is ongoing on the accumulation of oil pollution statistics.