Многофакторные модели прогнозирования элементов АТП
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 | Р1+Р2 | +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.
