Реєстраційний номер
0823U100282, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
11-05-2023
Статус
Захищена
Назва роботи
Оптимізація функціонування інтелектуальних об’єктів з використанням методів машинного навчання
Здобувач
Сінькевич Олег Олександрович,
Керівник Монастирський Любомир Степанович
Опонент Дивак Микола Петрович
Опонент Шаховська Наталія Богданівна
Рецензент Павлишенко Богдан Миколайович
Рецензент Пелешко Дмитро Дмитрович
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Львівський національний університет імені Івана Франка
Опис
У дисертації основна увага приділена розробці та удосконаленню прототипу апаратно-програмного комплексу для аналізу та обробки даних інтелектуального будинку. Проведений аналіз наукових публікацій та відкритих джерел у тематиці інтелектуальних будинків продемонстрував, що зараз існує недостатньо рішень щодо апаратно-програмних систем, функціювання яких не залежить від хмарних технологій та доступу до глобальної мережі Інтернет. Окремим та не менш важливим компонентом у проєктуванні систем керування інтелектуальним будинком є врахування теплофізичних процесів, які описуються відповідними динамічними рівняннями теплопереносу у приміщенні. Розв’язування таких рівнянь дозволяє як моделювати теплові процеси, так і використовувати їх розв’язки для уточнення прогнозування споживання енергії. У першому розділі дисертаційної роботи розглянуто проблематики створення систем інтелектуального будинку, які здебільшого базуються на граничних та туманних обчисленнях. Проаналізовані сучасний стан та аспекти граничних обчислень для інтелектуального будинку, що ґрунтуються на мікрокомп’ютерах Raspberry Pi 3 та мікроконтролерах Arduino. Також, розглянуті актуальні засоби та підходи до обробки сенсорних даних в межах регресійних та нейромережевих моделей, останні з яких можна вбудовувати у мікроконтролери з метою прогнозування. Для забезпечення гнучкого розгортання нейромережевих моделей, проведений огляд та аналіз автоматизованих засобів циклу обробки даних — навчання та валідації нейронної мережі — вбудовування нейромережі на мікроконтролер з одночасним її розгортанням на мікрокомп’ютері. У другому розділі дисертаційної роботи описано дані, які використовуються у моделюванні системи. Для обробки цих даних розглянуті та реалізовані алгоритми виявлення викидів та аномалій; проведений статистичний аналіз та побудовані регресійні моделі: а) зовнішніх та внутрішніх температур; б) споживання газу та температур на поверхнях батарей та в) зовнішньою, внутрішньою температури та температури на обігрівальних елементах, результати яких можна використовувати для прогнозу та аналізу зв’язків між вимірюваннями. Запропоновано підхід до дезагрегації даних споживання газу на основі кластерного аналізу, метою якого є виділення конкретних споживачів газу з сумарних (агрегованих) даних. Для побудови нейромережевих прогностичних моделей температур детально описаний процес підготовки та перетворення даних та розглянуті актуальні архітектури рекурентних нейронних мереж, на основі яких реалізовані відповідні моделі. Сформульована задача оптимізації гіперпараметрів спроектованих нейромереж, розв’язування якої здійснено за допомогою генетичного алгоритму. Здійснений аналіз результатів та підбір оптимальної архітектури для розгортання на мікроконтролері STM32. Третій розділ дисертації присвячений апаратно-програмній реалізації прототипу комплексу для аналізу та обробки даних інтелектуального будинку. В якості апаратної платформи були обрані мікрокомп’ютер Nvidia Jetson Nano, що має достатні потужності для центрального обчислювального хабу та високопродуктивний мікроконтролер STM32 F767. Останній є базою первинних граничних обчислень завдяки розгорнутій на ньому нейронній мережі. При під’єднанні до нього датчиків температур, нейроконтролер може здійснювати короткотермінове прогнозування у реальному часі для порівняння з даними, що надходять на нього (випадок виявлення аномалій), чи використовуватися як окремий прогностичний модуль для оптимізації параметрів обігріву приміщення. Програмна частина даного прототипу складається з REST API, що огортає базу даних з вимірюваннями SQLite, модулі статистичної обробки та нейромережевого моделювання, систему для організації конвеєру MLOPS — Mlflow, оркестратор Apache Airlow та модуль комунікації з нейроконтролером на базі TCP сокетів. У четвертому розділі запропонована методика застосування теплофізичних моделей у поєднанні з даними температур та споживання газу для наближеної оцінки ефективних коефіцієнтів теплопровідності та теплоємності будівлі. Обчислення таких параметрів відбувається на основі розв’язків прямої та оберненої задач шляхом формулювання проблеми оптимізації функціоналу, який визначає різниця між обчисленими та реальними температурами у приміщенні відносно теплофізичних коефіцієнтів. Також, розроблена математична модель оцінки ефективних теплових параметрів індивідуальних джерел обігріву, які можна використовувати як для задач прогнозування споживання, так і для визначення частини від сумарної енергії обігріву, яка споживається конкретним обігрівальним елементом.
Дата реєстрації
2023-05-15
Додано/оновлено в НРАТ
2023-05-15 / 2026-07-01
