Пошук академічних текстів

Інформація × Реєстраційний номер 2125U004003, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи ГІБРИДНІ ТЕХНОЛОГІЇ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ КОМПЛЕКСНОЇ ДІЯЛЬНОСТІ ПРОМИСЛОВОГО ПЕРСОНАЛУ ЗА ДАНИМИ СМАРТ-ГОДИННИКІВ Автор Павлюк О. М.Медиковський М. О.Міщук М. В.Заболотна А. О.Літовська О. В.Pavliuk O. M.Medykovskyy M. O.Mishchuk M. V.Zabolotna A. O.Litovska O. V. Дата публікації 22-09-2025 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/339396 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. У сучасному промисловому виробництві значна увага приділяється системам розпізнавання та прогнозування людської активності в реальному часі. Такі технології є ключовими для переходу від Індустрії 4.0 до Індустрії 5.0, оскільки вони забезпечують покращену взаємодію між людиною і машиною, а також вищий рівень безпеки, адаптивності та ефективності виробничих процесів. Ці підходи особливо актуальні в галузі внутрішньої логістики, де співпраця з автоматизованими транспортними засобами вимагає високого рівня координації та гнучкості.Мета. Створити технологічне рішення для оперативного виявлення та прогнозування складної поведінки людини у системах внутрішньої логістики шляхом використання сенсорних даних зі розумних годинників. Основна ціль – підвищити рівень взаємодії між працівниками та автоматизованими системами, збільшити безпеку праці й ефективність логістичних процесів.Метод. Розроблено децентралізовану систему збору даних із використанням розумних годинників. У мобільному додатку, написаному мовою Kotlin, фіксувалися показники сенсорів під час виконання серії логістичних активностей п’ятьма працівниками. Для обробки неповних або спотворених даних застосовано алгоритми виявлення аномалій, зокрема STD, логарифмічне перетворення STD, DBSCAN та IQR, а також методи згладжування, такі як ковзне середнє, зважене ковзне середнє, експоненційне згладжування, локальна регресія й фільтр Савіцького-Голея. Оброблені дані використовувалися для навчання моделей із застосуванням таких сучасних підходів, як передавальне навчання, неперервне вейвлет-перетворення та стекінг класифікаторів.Результати. У ролі базового класифікатора обрано попередньо натреновану глибоку модель з архітектурою DenseNet121, яка показала F1-метрику 91,01 % при розпізнаванні простих дій. Для аналізу складних активностей випробувано п’ять архітектур нейронних мереж (однашарових і багатошарових) з двома стратегіями розподілу даних. Найвищу точність – F1-метрику 87,44 % – продемонструвала згорткова нейронна мережа при використанні об’єднаного підходу до розподілу даних.Висновки. Результати дослідження свідчать про можливість застосування запропонованої технології розпізнавання складної людської діяльності в режимі реального часу в інтралогістичних системах на основі даних з сенсорів смартгодинника яка покращить взаємодію людини та машини та підвищить ефективність промислових логістичних процесів Додано в НРАТ 2026-02-26 Закрити