ГлавнаяНаукаСФУ совершил прорыв, нейросети создают клоны для диагностики техники

СФУ совершил прорыв, нейросети создают клоны для диагностики техники


scientificrussia.ru
Фото: scientificrussia.ru

Ученые Сибирского федерального университета (СФУ) разработали инновационную модель нейрокомпьютерной диагностики, основанную на использовании "электронных клонов". Эта технология открывает новые возможности для онлайн-оценки состояния оборудования.

От простого осмотра к интеллектуальному контролю

Контроль за состоянием техники эволюционировал от визуального осмотра к сложным автоматизированным системам. Современные компьютеры, оснащенные искусственными нейросетями (ИНС), способны решать комплексные задачи неразрушающего контроля и онлайн-диагностики.

Суть инновационного подхода СФУ

Специалисты СФУ предложили уникальный метод, объединяющий разработку и обучение ИНС с моделированием контролируемых изделий. Моделирование строится на анализе множества "паттернов" – тестовых примеров реакции системы, таких как изменения напряженного состояния или температуры объекта.

Комбинация ИНС и моделирования позволяет создавать точные цифровые двойники изделий или их компонентов. Эти "электронные клоны" предоставляют полную информацию о состоянии объекта в режиме реального времени.

Пассивный и активный режимы работы клонов

Система может функционировать в двух ключевых режимах. Пассивный режим предполагает лишь мониторинг состояния физического объекта без вмешательства в его работу. Активный режим наделяет "клона" способностью реагировать на обнаруженные проблемы.

В активном состоянии цифровой двойник, идентифицируя "неисправность", способен самостоятельно генерировать управляющие воздействия для корректировки параметров физического объекта с целью устранения проблемы.

Это создает принципиально новую интеллектуальную систему, основной задачей которой является поддержание работоспособности и "жизнеспособности" адаптивного технического устройства.

Оптимизация нейросетевых систем

Настройка нейросетевых блоков осуществляется путем минимизации контролируемой ошибки выхода системы и соответствия ожидаемому ответу для каждого паттерна. Ключевой задачей является поиск глобального минимума суммарной ошибки – определение оптимальных параметров, обеспечивающих наилучшую работу модели.

Изображение: Фотобанк Freepik

Источник: scientificrussia.ru

Разное