Многофакторные модели прогнозирования элементов АТП

Beschreibung: 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.

Betrag der Credits: 5

Пререквизиты:

• Нелинейные системы автоматического регулирования

Arbeitsintensität der Disziplin:

Komponente: Компонент по выбору

Zyklus: 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.

Lehrmethoden

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.

Bewertung des Wissens der Studierenden

Die Bewertungspolitik der Lernergebnisse nach Arbeitstyp

Bewertungsbogen

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:

 

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:

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.