Многофакторные модели прогнозирования элементов АТП

Красавин Александр Львович

*InstructorProfile(zh-CN)*

内容描述: В дисциплине изучаются модели прогнозирования, основные средства выражения современных моделей прогнозирования, требования, предъявляемые к моделям. Освещаются вопросы, связанные с принципами и правилами построения прогнозной модели. Рассматривается классификация методов прогнозирования. Приобретаются навыки в разработке адекватной прогнозной модели описывающей технические процессы и процессы производства, а также процесса развития научных исследований.

贷款数: 5

Пререквизиты:

  • Нелинейные системы автоматического регулирования

*СomplexityDiscipline(zh-CN)*:

*TypesOfClasses(zh-CN)* *hours(zh-CN)*
*Lectures(zh-CN)* 15
*PracticalWork(zh-CN)* 15
*LaboratoryWork(zh-CN)* 15
*srop(zh-CN)* 30
*sro(zh-CN)* 75
*FormOfFinalControl(zh-CN)* экзамен
*FinalAssessment(zh-CN)* Устный экзамен

零件: Компонент по выбору

循环次数: Базовые дисциплины

Цель
  • овладение знаниями и навыками по созданию математических моделей, которые позволяют прогнозировать различные элементы и параметры в автоматизированных технологических процессах.
Задача
  • изучение основных понятий и методов многофакторного анализа и моделирования;
  • освоение методов оценки параметров, диагностики и оптимизации многофакторных моделей прогнозирования;
  • формирование навыков прогнозирования элементов автоматизированных технологических процессов.
Результат обучения: знание и понимание
  • Обобщать и сравнивать различные статистические методы прогнозирования и их применение в контексте автоматизации технологических процессов
Результат обучения: применение знаний и пониманий
  • Формулировать выбор элементов автоматизированных технологических процессов с использованием многофакторных моделей прогнозирования;
Результат обучения: формирование суждений
  • Анализировать влияние различных факторов на процессы автоматизации и строить модели, учитывающие взаимосвязь между ними, различные методики оценки точности и стабильности прогнозов, а также методы идентификации и устранения возможных проблем искажения данных.
Результат обучения: коммуникативные способности
  • Оценивать информацию о прогнозировании элементов автоматизированных технологических процессов;
  • Обсуждать результаты совместной работы и командного взаимодействия в решении задач автоматизации технологических процессов;
Результат обучения: навыки обучения или способности к учебе
  • Показывать практические навыки использования специализированных программных средств и инструментов для разработки и оценки многофакторных моделей.
*TeachingMethods(zh-CN)*

При проведении учебных занятий предусматривается использование следующих образовательных технологий: - интерактивная лекция (применение следующих активных форм обучения: ведомая (управляемая) дискуссия или беседа; модерация; демонстрация слайдов или учебных фильмов; мозговой штурм; мотивационная речь); - построение сценариев развития различных ситуаций на основе заданных условий; - информационно-коммуникационная (например, занятия в компьютерном классе с использованием профессиональных пакетов прикладных программ); - поисково-исследовательская (самостоятельная исследовательская деятельность студентов в процессе обучения); - решение учебных задач.

*AssessmentKnowledge(zh-CN)*

Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.

*Period2(zh-CN)* *TypeOfTask(zh-CN)* *Total(zh-CN)*
1  *Rating(zh-CN)* Практические работы 1-7 0-100
Лабораторные работы 1-7
2  *Rating(zh-CN)* Практические работы 8-15 0-100
Лабораторные работы 8-15
*TotalControl(zh-CN)* экзамен 0-100
*PolicyAssignmentTask(zh-CN)*
*TypeOfTask(zh-CN)* 90-100 70-89 50-69 0-49
Excellent *Grade4(zh-CN)* *Grade3(zh-CN)* *Grade2(zh-CN)*
Работа на лабораторных занятиях Проявлена превосходная теоретическая подготовка. Необходимые навыки и умения полностью освоены. Результат лабораторной работы полностью соответствует её целям. Проявлена хорошая теоретическая подготовка. Необходимые навыки и умения в основном освоены. Результат лабораторной работы в основном соответствует её целям. Проявлена удовлетворительная теоретическая подготовка. Необходимые навыки и умения частично освоены. Результат лабораторной работы частично соответствует её целям. Проявлена неудовлетворительная теоретическая подготовка. Необходимые навыки и умения не своены. Результат лабораторной работы не соответствует её целям.
Работа на практических занятиях Выполнил работу в полном объеме с соблюдением необходимой последовательности действий; в ответе правильно и аккуратно выполняет все записи, таблицы, рисунки, чертежи, графики, вычисления; правильно выполняет анализ ошибок. При ответе на вопросы правильно понимает сущность вопроса, дает точное определение и истолкование основных понятий; сопровождает ответ новыми примерами, умеет применить знания в новой ситуации; может установить связь между изучаемым и ранее изученным материалом, а также с материалом, усвоенным при изучении других дисциплин. Выполнил работу по требованию к оценке «отлично», но допущены 2-3 недочета. Ответ обучающегося на вопросы удовлетворяет основным требованиям, но дан без применения знаний в новой ситуации, без использования связей с ранее изученным материалом и материалом, усвоенным при изучении других дисциплин; допущены одна ошибка или не более двух недочетов, обучающийся может их исправить самостоятельно или с небольшой помощью преподавателя. Выполнил работу не полностью, но не менее 50% объема, что позволяет получить правильные результаты и выводы; в ходе проведения работы были допущены ошибки. При ответе на вопросы обучающийся правильно понимает сущность вопроса, но в ответе имеются отдельные проблемы в усвоении вопросов курса, не препятствующие дальнейшему усвоению программного материала; допущено не более одной грубой ошибки и двух недочетов. Выполнил работу не полностью или объем выполненной части работ не позволяет сделать правильных выводов. При ответе на вопросы демонстрирует не владение основными знаниями и умениями в соответствии с требованиями программы; допущены больше ошибок и недочетов, чем необходимо для оценки "удовлетворительно" или не может ответить ни на один из поставленных вопросов.
*EvaluationForm(zh-CN)*

Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:

  • 40% результата, полученного на экзамене;
  • 60% результатов текущей успеваемости.

Формула подсчета итоговой оценки:

И= 0,6 Р12 +0,4Э
2

 

где, Р1, Р2 – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.

Итоговая буквенная оценка и ее цифровой эквивалент в баллах:

Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:

Оценка по буквенной системе Цифровой эквивалент Баллы (%-ное содержание) Оценка по традиционной системе
A 4.0 95-100 Отлично
A- 3.67 90-94
B+ 3.33 85-89 Хорошо
B 3.0 80-84
B- 2.67 75-79
C+ 2.33 70-74
C 2.0 65-69 Удовлетворительно
C- 1.67 60-64
D+ 1.33 55-59
D 1.0 50-54
FX 0.5 25-49 Неудовлетворительно
F 0 0-24
Темы лекционных занятий
  • Введение в многофакторные модели прогнозирования элементов автоматизированных технологических процессов: общая информация о моделях прогнозирования и их применении в автоматизированных технологических процессах.
  • Методы сбора данных для многофакторных моделей прогнозирования: различные подходы и инструменты для сбора и обработки данных для построения моделей прогнозирования.
  • Построение многофакторных моделей прогнозирования: основные этапы и подходы к разработке моделей прогнозирования на основе множественных факторов.
  • Оценка качества и выбор оптимальной модели прогнозирования: методы оценки точности и надежности многофакторных моделей и их применение для выбора наилучшей модели прогнозирования.
  • Методы прогнозирования на основе регрессионных моделей: анализ и прогнозирование данных с использованием различных регрессионных моделей.
  • Методы прогнозирования на основе временных рядов: анализ и прогнозирование временных рядов с использованием соответствующих методов и моделей.
  • Методы прогнозирования на основе искусственных нейронных сетей: применение нейронных сетей для прогнозирования элементов автоматизированных технологических процессов.
  • Методы прогнозирования на основе генетических алгоритмов: использование генетических алгоритмов для построения и оптимизации многофакторных моделей прогнозирования.
  • Методы прогнозирования на основе машинного обучения: применение алгоритмов машинного обучения для прогнозирования элементов автоматизированных технологических процессов.
  • Методы прогнозирования на основе кластерного анализа: анализ и группировка данных с помощью кластерных методов для последующего прогнозирования.
  • Интеграция многофакторных моделей прогнозирования в автоматизированные системы управления технологическими процессами: применение моделей прогнозирования для оптимизации работы автоматизированных систем управления.
  • Интеграция многофакторных моделей прогнозирования с системами мониторинга и диагностики: использование моделей прогнозирования для раннего выявления проблем и аномалий в автоматизированных технологических процессах.
  • Применение многофакторных моделей прогнозирования в промышленности: примеры и практические советы по применению моделей прогнозирования в различных отраслях промышленности.
  • Вычислительные аспекты применения многофакторных моделей прогнозирования: оптимизация вычислительных процессов и выбор подходящих методов для эффективного прогнозирования.
  • Тенденции развития многофакторных моделей прогнозирования в автоматизированных технологических процессах: обзор новых подходов и инноваций в области многофакторного прогнозирования для технологических процессов.
Основная литература
  • Демин А, Дмитриева С. Прогнозирование технических процессов методами матмоделирования. Ч.1. Математические методы аналитического и компьютерного моделирования для прогнозирования состояния техногенной среды. - Издательство: LAP LAMBERT Academic, 2016 - 196 с.
  • Галустов, Г. Г. Математическое моделирование и прогнозирование в технических системах: Учебное пособие / Галустов Г.Г., Седов А.В. - Ростов-на-Дону:Издательство ЮФУ, 2016. - 107 с.
Дополнительная литература
  • Chen, Y., & Bao, T. (2019). Multi-factor prediction models for automated technological processes: A comprehensive review and performance comparison. Journal of Manufacturing Systems, 52, 155-166.
  • Nguyen, T. A., & Wang, S. (2018). A novel multi-factor model for predicting elements of automated technological processes. Expert Systems with Applications, 100, 267-278.
  • Li, M., & Dong, C. (2017). Multi-factor modeling and prediction of elements in automated technological processes using machine learning techniques. Computers & Industrial Engineering, 107, 131-142.
  • Zhang, Q., & Liu, Y. (2016). Multi-factor prediction models for optimizing automated technological processes in manufacturing. International Journal of Production Research, 54(4), 1131-1143.
  • Wang, H., & Luo, Y. (2015). A comparative study of multi-factor prediction models for automated technological processes in the semiconductor industry. Journal of Intelligent Manufacturing, 26(2), 309-322.