Прогнозирование выполнения производственного плана авиационного предприятия с применением нечетко-нейронной сети


DOI: 10.34759/trd-2020-110-20

Авторы

Гусев П. Ю.*, Гусев К. Ю.

Воронежский государственный технический университет, ВГТУ, Московский проспект, 14, Воронеж, 394026, Россия

*e-mail: GusevPvl@gmail.com

Аннотация

Перед запуском в производство нового изделия или при изменении производственной программы авиационного предприятия, требуется однозначно определить: достаточно ли производственных ресурсов для выполнения новой производственной программы. Для ответа на данный вопрос в статье предлагается применение современных интеллектуальных технологий. В качестве исследуемой системы рассмотрен цех по производству деталей из полимерных композиционных материалов. Получен актуальный набор данных, описывающий функционирование производственного подразделения. Проведен анализ полученных данных. Описана разработка нечетко-нейронной сети и приведены результаты прогнозирования для тестового набора данных.

Ключевые слова:

нейронная сеть, нечеткая система, имитационное моделирование, авиастроение, планирование

Библиографический список

  1. Басова Л.А. и др. Математическая модель для прогнозирования продолжительности стационарного лечения при выполнении высокотехнологичных операций по устранению аритмий // Казанский медицинский журнал. 2014. Т. 95. № 1. С. 91 – 94.

  2. Иванов Н.Н. Математическое прогнозирование надежного выполнения наборов задач с симметричными распределениями времени выполнения // Открытое образование. 2011. № 2-2. С. 52 – 55.

  3. Стрельников Д.Д. Методика прогнозирования времени выполнения операции по перевалке навалочных грузов // Вестник Астраханского государственного технического университета. Серия: Морская техника и технология. 2018. № 3. С. 123 – 128.

  4. Sreekumar S., Bhakar R. Solar Power Prediction Models: Classification Based on Time Horizon, Input, Output and Application // 2018 International Conference on Inventive Research in Computing Applications (ICIRCA), IEEE, 2018, pp. 67 – 71. DOI: 10.1109/ICIRCA.2018.8597288

  5. Mercy K.G., Rao S. K.S. A Framework for Rail Surface Defect Prediction Using Machine Learning Algorithms // 2018 International Conference on Inventive Research in Computing Applications (ICIRCA), IEEE, 2018, pp. 972 – 977. DOI: 10.1109/ICIRCA.2018.8597394

  6. Paliwal S., Khatri S.K., Sharma M. Sentiment Analysis and Prediction Using Neural Networks // International Conference on Advanced Informatics for Computing Research, Springer, Singapore, 2018, pp. 458 – 470.

  7. Ядыкин Е.А. Математико-статистическое прогнозирование параметра качества изделия после выполнения технологической операции // Известия Тульского государственного университета. Технические науки. 2012. № 1. C. 450 – 456.

  8. Абрамов А.А., Шершаков И.С. Моделирование процессов производства и реализации продукции на основе использования метода автономного адаптивного управления // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2012. Т. 110. № 6. С. 72 – 77.

  9. Зернов В.И., Парамонов А.П. Прогнозирование эффективности модернизации транспортных космических комплексов с применением экспертной системы // Труды МАИ. 2008. № 31. URL: http://trudymai.ru/published.php?ID=7495

  10. Семаков С.Л., Семаков И.С. Простейшая прогнозная модель временного ряда и ее реакция на линейное и параболическое входные воздействия // Труды МАИ. 2018. № 100. URL: http://trudymai.ru/published.php?ID=93446

  11. Straková J. et al. Situational analysis and its role in the process of strategic business management // Polish Journal of Management Studies, 2018, vol. 18, no. 1, pp. 353 – 364. DOI: 10.17512/pjms.2018.18.1.26

  12. Prasad R.B., Arif M. Workspace and Singularity Analysis of Five Bar Planar Parallel Manipulator // 2018 5th IEEE Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON), IEEE, 2018, DOI: 10.1109/UPCON.2018.8596991

  13. Wielki J., Kozioł P. The analysis of opportunities to use the lean IT concept in modern enterprise // Polish Journal of Management Studies, 2018, vol. 18, pp. 388 – 401. doi:10.17512/pjms.2018.18.2.31

  14. Рутковская Д., Рутковский Л., Пилиньский М. Нейронные сети, генетические алгоритмы и нечеткие системы. – М.: Горячая линия-Телеком, 2003. – 384 с.

  15. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. – М.: Финансы и статистика, 2004. – 320 с.

  16. Tran D.T. Temporal attention-augmented bilinear network for financial time-series data analysis // IEEE transactions on neural networks and learning systems, 2018, vol. 30, no. 5, pp. 1407 – 1418.

  17. Danilov A. Intellectual decision-making system in the context of potentially dangerous nuclear power facilities // MATEC Web of Conferences. EDP Sciences, 2018. DOI:10.1051/matecconf/201816102009

  18. Привалов А.Е., Дорожко И.В., Захарова Е.А., Копейка А.Л. Имитационная модель оценивания коэффициента готовности сложных технических систем с учетом характеристик процесса диагностирования // Труды МАИ. 2018. № 103. URL: http://trudymai.ru/published.php?ID=101526

  19. Чижов М.И., Скрипченко Ю.С., Гусев П.Ю. Имитационное моделирование производства деталей из полимерных композиционных материалов // Компьютерные исследования и моделирование. 2014. Т. 6. № 2. С. 245 – 252.

  20. Чижов М.И., Скрипченко Ю.С., Гусев П.Ю. Cоздание имитационной модели цеха производства деталей из полимерно-композиционных материалов // Вестник Воронежского государственного технического университета. 2012. Т. 8. № 12-2. С. 73 – 75.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход