МОДЕЛИ И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ МНОГОСЛОЙНОЙ КРИОГЕННОЙ СИСТЕМОЙ
Аннотация
Разработаны модели и алгоритмы интеллектуальной поддержки принятия решений для управления многослойной криогенной системой при транспортировке сжиженных газов. Предложен алгоритм формирования признакового пространства, включающий оператор преобразования признаков, отображающий исходное пятимерное пространство сенсорных измерений в расширенное восьмимерное пространство на основе физических соотношений между параметрами контролируемых сред. Разработан алгоритм интеллектуальной поддержки принятия решений, включающий модель классификации состояний на расширенном признаковом пространстве и алгоритм представления результатов с декомпозицией вклада каждого признака в решение модели. Разработана функциональная модель системы поддержки принятия решений, реализующая супервизорную архитектуру управления с механизмом адаптации модели на эксплуатационных данных и двухкритериальной валидацией. Экспериментальная оценка на данных парка из 12 криогенных контейнеров за 18 месяцев эксплуатации показала повышение F1-меры классификации состояний с 0,46 до 0,89, сокращение времени реакции оператора с 204 до 2,3 минуты и снижение доли ложных срабатываний с 4,9% до 0,6%.
Литература
1. Gorev S.V., Astrakhantseva I.A., Kotenev T.E., Astrakhantsev R.G. Optimization of multilayer cryogenic system operation using machine learning methods and standardized implementation protocols. Modern high technology. Regional application. 2025. N 2(82). Р. 59–70.
2. Gorev S.V., Astrakhantseva I.A., Kotenev T.E. et al. Artificial intelligence methods in multilayer cryogenic system control with vacuum insulation and nitrogen shield. Modern high technology. Regional application. 2024. N 1(77). Р. 50–59.
3. Gorev S.V., Astrakhantseva I.A., Kotenev T.E. et al. Gradient boosting method for predicting management decisions in multilayer cryogenic system. Modern high technology. Regional application. 2024. N 2(78). Р. 50–58.
4. Arkharov A.M., Arkharov I.A., Marfenina I.V. Cryogenic systems. Fundamentals of theory and calculation. Moscow: Mashinostroenie, 1996. 576 p.
5. Belyakov V.P. Cryogenic engineering and technology. Moscow: Energoizdat, 1982. 272 p.
6. Van Sciver S.W. Helium Cryogenics. 2nd ed. New York: Springer, 2012. 470 p.
7. Zarubin V.S., Kuvyrkin A.P. Mathematical modeling in engineering. Moscow: MGTU im. N. E. Baumana, 2010. 495 p.
8. Tilaro F., Bradu B., Gonzalez-Berges M. Machine learning techniques for the CERN Large Hadron Collider cryogenic system. IOP Conference Series: Materials Science and Engineering, 2020. Vol. 755. Р. 012061.
9. Kim M., Seong H., Kim D. Deep learning-based prognostics for cryogenic system. Cryogenics. 2022. Vol. 125. Р. 103503.
10. Saha S.K., Prasad G. Predictive maintenance of cryogenic pumps using machine learning. International Journal of Refrigeration, 2021. Vol. 131. Р. 218–228.
11. Shannon C.E. A Mathematical Theory of Communication. The Bell System Technical Journal. 1948. Vol. 27. Р. 379–423.
12. Sovetov B.Ya., Yakovlev S.A. Systems modeling. 7th ed. Moscow: Yurait, 2012. 343 p.
13. Novikov D.A. Theory of organizational systems management. 3rd ed. Moscow: Fizmatlit, 2012. 604 p.
14. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics. 2019. Vol. 378. Р. 686–707.
15. Lundberg S.M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems 30, 2017. Р. 4765–4774.
16. Warden P., Situnayake D. TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers. Sebastopol, O’Reilly Media, 2020. 504 p.
17. Gorev S.V., Astrakhantseva I.A., Kotenev T.E., Astrakhantsev R.G., Grimenitsky P.N. Integration of linear regression and random forest methods into intelligent support systems for cryogenic transport systems. Ivecofin. 2024. N 3(61). Р. 81–90.
18. Gorev S.V., Astrakhantseva I.A., Astrakhantsev R.G. Fractal analysis in assessing the efficiency and reliability of complex technical systems. Modern high technology. Regional application. 2023. N 4(76). Р. 60–68.
19. Gorev S.V., Astrakhantseva I.A., Astrakhantsev R.G. A systemic approach to the analysis of the fractal nature of complex technical systems. Ivecofin. 2023. N 3(57). Р. 89–97.
20. Astrakhantsev R., Chuhno A., Dmukh A. [et al.]. Differences with high probability and impossible differentials for the KB-256 cipher. Journal of Computer Virology and Hacking Techniques. 2024. Vol. 20. Р. 469–476.
21. 21. Gorev S.V. Methodology of intelligent decision support in multilayer cryogenic system operation. Ivecofin. 2026. N 1(67). Р. 71–84.
