Search academic texts

Information × Registration Number 0825U003318, PhD dissertation Status Доктор філософії Date 12-08-2025 popup.evolution o Title Methods and Models for Building Intelligent Information and Communication Systems of Automated Infrastructure Management Author Bohdan P. Shubyn, popup.head Taras A. Maksymiuk popup.opponent Andrii O. Oliinyk popup.opponent Khrystyna V. Lipianina-Honcharenko popup.review Olha M. Shpur popup.review Mykola I. Beshley Description У дисертаційній роботі розв’язано наукову задачу розроблення нових та вдосконалення існуючих методів та моделей федеративного машинного навчання для інформаційно‑комунікаційних систем автоматизованого управління, з метою підвищення точності в умовах неповноти, нестаціонарності даних та обмеженості обчислювальних ресурсів кінцевих пристроїв Розроблено метод багатораундного федеративного навчання, який на відміну від відомих, використовує хронологічну стратифікацію навчальної вибірки, з поетапним усередненням агрегованих моделей кожного раунду. Розроблено структурно-функціональну модель інтелектуальної інформаційнокомунікаційної системи, яка базується на відокремленні площини пристроїв, площини передавання даних, площини автоматизованої інфраструктури та площини інтелектуальної обробки даних, які взаємодіють на основі спільного онтологічного ядра. Удосконалено метод обчислення параметрів агрегованої моделі федеративного навчання, введенням додаткового середньозваженого критерію оцінювання ефективності локальних моделей кінцевих пристроїв. Розділ 1 «Аналіз сучасних методів та моделей побудови інтелектуальних інформаційно-комунікаційних систем» присвячено аналізу сучасних методів та моделей побудови інформаційно-комунікаційних систем автоматизованого управління індустріальною інфраструктурою з використанням елементів штучного інтелекту. Окреслено основні виклики та обмеження стосовно інтеграції федеративного навчання в індустріальних системах. Розділ 2 «Розроблення методів та моделей інтеграції федеративного навчання в інформаційно-комунікаційних системах» присвячено формуванню цілісної методологічної основи інтеграції федеративного навчання в інформаційно-комунікаційні системи автоматизованого управління, що охоплює всі ключові рівні від периферійних пристроїв до хмарного інтелектуального ядра. Представлено ієрархічну структурно-функціональну модель, яка завдяки децентралізації ресурсів та стандартизованим інтерфейсам забезпечує масштабованість, відмовостійкість та горизонтальне перенесення знань між галузями. Представлено розроблений метод обчислення параметрів агрегованої моделі, шляхом введення додаткового середньозваженого критерію оцінювання ефективності локальних моделей кінцевих пристроїв. Описано розроблений метод багатораундного федеративного навчання для кінцевих пристроїв з обмеженими обчислювальними ресурсами, який використовує хронологічну стратифікацію навчальної вибірки. Розділ 3 «Імітаційне моделювання та дослідження показників ефективності функціонування інтелектуальної інформаційно-комунікаційної системи» висвітлює комплексне експериментальне випробування розроблених алгоритмів федеративного навчання на телеметричних даних автономних пристроїв з різною кількістю раундів тренування. Запропонований метод агрегації, у межах якого вагомість локальних моделей визначаються їхньою актуальною прогностичною точністю, продемонстрував середнє зниження середньоквадратичної та середньої абсолютної помилки на 19% порівняно з існуючими методами федеративного навчання, що підтверджує доцільність і практичну ефективність розробленого методу для індустріальних систем автоматизованого управління. Розділ 4 «Практична реалізація інтелектуальної інформаційно-комунікаційної системи управління індустріальною інфраструктурою» присвячено впровадженню та експериментальній оцінці розробленого алгоритму на реальних периферійних пристроях AGV Formica-1. Зокрема, реалізовано програмно-апаратну модель інтелектуальної інформаційно-комунікаційної системи, яка забезпечує наскрізний контур «дані-аналітика управління» для автономних транспортних роботів та стаціонарних технологічних ліній. На базі цієї моделі впроваджено граничне федеративне навчання з використанням розроблених алгоритмів, яке дало змогу здійснювати локальне тренування нейронних мереж. Результати експериментів свідчать про те, що розроблений алгоритм багатораундного федеративного навчання підвищує енергетичну ефективність процесу федеративного навчання на кінцевих пристроях на 37% при використанні 4 раундів навчання та на 50% - при використанні 8 раундів навчання при забезпеченні аналогічної похибки прогнозування часових характеристик індустріальної системи. Висновок підсумовує основні результати дисертаційної роботи та розв’язок наукової задачі розроблення нових та вдосконалення існуючих методів та моделей федеративного машинного навчання для інформаційно‑комунікаційних систем автоматизованого управління, з метою підвищення точності прийняття рішень в умовах неповноти й нестаціонарності даних та обмежених обчислювальних ресурсів кінцевих пристроїв. Registration Date 2025-08-06 popup.nrat_date 2025-08-06 Close