Интеллектуализация процесса мониторинга и калибровки цифровой составляющей высоконадежных автономных объектов управления

В данной статье рассматривается проблематика повышения эффективности процесса калибровки цифровой составляющей высоконадежных автономных объектов управления. Содержание статьи в первую очередь ориентировано на сокращение общей продолжительности калибровки путем уменьшения фиксированного количества предопределенных этапов нахождения правильной рабочей точки. Для достижения этой цели предлагается реализация потенциала решений на основе искусственного интеллекта. Предлагаемый подход использует контролируемый метод древовидной регрессии и статистические показатели для динамического определения и оптимизации соответствующей рабочей точки при калибровке.

1. Микитчак А.Ю. Процедура калибровки. Методики калибровки средств измерений / А.Ю. Микитчак // Актуальные проблемы авиации и космонавтики. – 2017. – Т. 2. – № 13. – С. 812-814.

2. Миронов Э.Г. Метрология и технические измерения: учебное пособие / Э.Г. Миронов, Н.П. Бессонов. – Москва: КНОРУС, 2015. – 422 с.

3. Ротова О.М. Основные принципы метода линейной регрессии / О.М. Ротова, А.Д. Шибанова // Теория и практика современной науки. – 2020. – № 1 (55). – С. 483-487.

4. Вучков И. Прикладной линейный регрессионный анализ / И. Вучков, Л. Бояджиева, Е. Солаков. – Москва: Финансы и статистика, 1987. – 240 с.

5. Хофер Э. Численные методы оптимизации / Э. Хофер, P. Лундерштедт. – Москва: Машиностроение, 1981. – 192 с.

6. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. – Москва: ДМК Пресс, 2015. – 400 с.

7. Шалев-Шварц Ш. Идеи машинного обучения: от теории к алгоритмам / Ш. Шалев-Шварц, Ш. Бен-Давид. – Москва: ДМК Пресс, 2019. – 436 с.

8. Хайкин С. Нейронные сети: полный курс / C. Хайкин. – 2-е изд. – Москва: Издательский дом «Вильямс», 2006. – 1104 с.