Штучний інтелект

Анотація: Розглянута ідея про можливість застосування кооперативних агентів для дослідження та діагностування бортової системи кондиціонування. Запропонована логічна модель пошуку несправностей І та ІІ типу. Дана робота дозволяє надати можливість оволодіти практичними знаннями та навичками побудови логічних моделей першого та другого типів для отримання мінімального тесту працездатності та пошуку місця несправностей і пошкоджень на етапах розробки, експлуатації та технічного обслуговування складних інформаційних систем. Розроблений алгоритм, що поєднує розробку узагальненої логічної моделі І типу з боку входів функціональної схеми системи та подальшу побудову логічної моделі ІІ типу з її вільних виходів. Метод глибокого навчання дозволяє підвищити точність моделі, швидкодію знаходження несправностей, передбачення та запобігання аварій.

Ключові слова: бортові системи кондиціонування, логічні методи, агенти, діагностика

Посилання:

1. Володарський Є. Т., Кухарчук В. В., Поджаренко В. О., Сердюк Г. Б. Метрологічне забезпечення вимірювань і контролю. Навчальний посібник. – Вінниця: Велес, 2001. – 219 с.
2. Пашко С. В., Сініцин І. П. Оптимальні рішення в системах, що складаються з раціональних агентів./ Artificial Intelligence, 2023, №2, с. 16-25.
3. Wooldridge M. An introduction to multiagent systems. John Wiley & Sons, 2009. – 348 p.
4. В. А. Голембо, О. Ю. Бочкарьов, А. М. Ціж. Задача формування індивідуальних зон відповідальності колективом мобільних агентів. — Львів: Львівська політехніка, 2006, с. 62-67. https://ena.lpnu.ua:8443/server/api/core/bitstreams/7997acc2-9a57-4660-a9ff-3eeb18cbf4c6/content
5. Pankratova N. System approach to estimation of guaranteed safe operation of complex engineering systems/ ITEC, 2010. https://mmsa.kpi.ua
6. Панкратова Н. Д. Гарантоване функціо-нування кіберфізичних систем в умовах концептуальної невизначеності/ Доповідь на XXIII Міжнародній науково-технічній конференції «Штучний інтелект та інтелектуальні системи» (AIIS’2023) 10 листопада 2023 р.
7. Системи кондиціювання - призначення і класифікація. 1.05.2019. Дата звернення 24.11.2024. https://karno.ua/ua/conditioners/sistemy-kondicionirovaniya/
8. Система кондиціювання повітря (авіація). 18.05.2022. Дата звернення 24.11.2024. https://uk.wikipedia.org/wiki/система_кондиціюванняповітря(авіація).
9. Eitel, Elisabeth (6 May 2014). "CFD software models how moving parts affect aircraft-cabin airflow". Machine Design Magazine. Archived from the original on 1 July 2014.
10. Lehle W. Konzept und Entwicklung von Klimaanlagen für Flugzeuge / Praxis seminar Luftfahrt: Air Systems - Hamburg, 1. Juni 2006.- 6 S. http://humburg.dglr.de
11. Saman Taheri, Amirhossein Ahmadi, Behnam Mohammadi-Ivatloo, Somayeh Asadi. Fault detection diagnostic for HVAC systems via deep learning algorithms/ Energy and Buildings, Volume 250, 1 November 2021, 111275.
12. Russell S., Norvig, P. Artificial intelligence: a modern approach, 4th Edn. Hoboken, NJ: Pearson, 2021. - 1115 p.
13. Mathieu Cliché. 2017. BB twtr at SemEval-2017 Task 4: Twitter Sentiment Analysis with CNNs and LSTMs.
14. Raschka S., Mirjalili V. Python Machine Learning. Livery Place: Packt Publishing.-Ltd, 2019. 296 с.
15. Шаріфані, Куша та Аміні, Мах'яр. Машинне та глибоке навчання: огляд методів і застосувань (2023). World Information Technology and Engineering Journal, том 10, випуск 07, с. 3897-3904, 2023 р., доступний на SSRN: https://ssrn.com/abstract=4458723
16. Bagi, R., Dutta, T., Gupta, H.P. (2020). Deep Learning Architectures for Computer Vision Applications: A Study. In: Kolhe, M., Tiwari, S., Trivedi, M., Mishra, K. (eds) Advances in Data and Information Sciences. Lecture Notes in Networks and Systems, vol 94. Springer, Singapore. https://doi.org/10.1007/978-981-15-0694-9_56