У сучасному світі автоматизація процесів є ключовим фактором підвищення ефективності в різних сферах, таких як енергетика, транспорт, логістика, медицина, безпека та екологічний моніторинг. Інтелектуальні автоматизовані системи на основі машинного навчання забезпечують можливість обробки великих обсягів даних, прийняття рішень у реальному часі та адаптації до змінних умов.
Розвиток технологій машинного навчання дозволяє створювати рішення, які не лише виконують рутинні завдання, але й аналізують складні залежності, прогнозують майбутні сценарії та запобігають ризикам. Ці системи стають незамінними в умовах зростаючого обсягу даних і високих вимог до точності та швидкості обробки інформації.
Ця робота охоплює розробку інтелектуальних автоматизованих систем на основі машинного навчання для вирішення наступних задач:
1. Прогнозування ефективності приватних сонячних електростанцій.
Зростання популярності приватних сонячних електростанцій підвищує інтерес до прогнозування ефективності їх роботи, оскільки це дозволяє власникам оптимізувати споживання енергії, планувати продаж надлишків та знижувати витрати на електропостачання. Враховуючи важливість точного прогнозування, виникає необхідність розробки автоматизованих систем прогнозування ефективності сонячних електростанцій, здатних враховувати динамічні зміни погодних умов, технічний стан обладнання та інші фактори, які впливають на генерацію електроенергії.
Автоматизація процесу прогнозування дозволяє оперативно реагувати на зміни у виробництві енергії, забезпечує гнучкість і адаптивність системи, що є критичним у випадках нестабільного виробництва сонячної енергії. Автоматизована система, здатна ефективно обробляти великі обсяги даних у режимі реального часу, може стати цінним інструментом як для великих енергетичних компаній, так і для приватних власників сонячних електростанцій [1].
2. Інтеграція потоків великих даних із моделями машинного навчання. Сучасні задачі обробки великих обсягів даних вимагають нових підходів, що можуть забезпечити швидкість, масштабованість та точність аналізу. У зв’язку з цим інтеграція потоків великих даних з моделями машинного навчання стає дедалі актуальнішою. Таке поєднання дозволяє системам адаптивно реагувати на нові дані в реальному часі, автоматично оновлюючи прогнози, моделі та алгоритми на основі нових знань, що надходять [2].
Серед найважливіших прикладних задач, що виграють від інтеграції великих даних і машинного навчання, є розпізнавання образів. Ця задача охоплює широкий спектр застосувань: від ідентифікації об’єктів на зображеннях до класифікації зображень та виявлення аномалій у відео. Сучасні моделі машинного навчання, зокрема ЗНМ, досягли значного успіху в розв’язанні таких задач, однак їх ефективність значною мірою залежить від якості даних та їх безперервного оновлення. Інтеграція потоків великих даних дозволяє постійно оновлювати дані для таких моделей, що значно покращує точність і релевантність результатів.
Сьогодні при вирішенні багатьох прикладних задач у галузі комп'ютерного зору дуже затребувані мобільні, малогабаритні та енергоефективні пристрої. Cтворення такого пристрою, апаратно реалізованого на основі запропонованої архітектури згорткової нейронної мережі, який має високу швидкодію та максимально можливу точність розпізнавання є актуальною задачею. Під час його розробки необхідно шукати баланс між точністю розпізнавання рукописних цифр, енергоспоживанням і швидкодією мобільного пристрою через обмеженість використовуваних обчислювальних ресурсів. Це вимагає додаткових досліджень щодо ефективності розроблюваного пристрою.
3. Розпізнавання пожеж.
Виявлення та моніторинг пожеж є дуже важливим завданням, яке потребує точності й оперативності. Для цього сьогодні використовуються різні сучасні технології, наприклад, дистанційне зондування та рішення Інтернету речей [3]. Супутники дозволяють проводити спостереження за великими територіями, надаючи детальні зображення умов пожеж, диму та хмарності. Наземні камери, оснащені видимими та інфрачервоними сенсорами, дозволяють моніторити невеликі території в реальному часі вдень і вночі. У лісах також встановлюють бездротові сенсори, які фіксують температуру та вологість. У той самий час будівельна галузь починає впроваджувати автоматизацію та цифрові технології для створення вогнестійких будинків [4]. Усі ці технології доповнюють одна одну, утворюючи комплексну багаторівневу систему моніторингу, яка дозволяє оперативніше виявляти пожежі та швидше реагувати на них. Для вдосконалення локального виявлення пожеж багато дослідників використовують методи глибокого навчання та комп’ютерного зору.
Всі ці напрями базуються на використанні інтелектуальних алгоритмів машинного навчання та нейронних мереж, спрямованих на автоматизацію процесів прийняття рішень.
Література
1. Zang H. et al. Hybrid method for short‐term photovoltaic power forecasting based on deep convolutional neural network. Iet Generation Transmission and Distribution. 2018. Vol. 12, no. 20. Pp. 4557–4567.
2. Huang S. Big data processing and analysis platform based on deep neural network model. Systems and Soft Computing. 2024. Vol. 6. 200107.
3. Copernicus Atmosphere Monitoring Service. 2023: a year of intense global wildfire activity. URL: https://atmosphere.copernicus.eu/2023-year-intense-global-wildfire-activity.
4. Chen Q., Garcia de Soto B., Adey B.T. Construction automation: Research areas, industry concerns and suggestions for advancement. Automation in Construction. 2018. Vol. 94. Pp. 22–38.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter