Курапов, С. В. (кандидат физико-математических наук; Запорожский национальный университет). Рекуррентный алгоритм выделения максимальной клики графа = Recursion algorithm for highlighting the maximum clique of the graph / С. В. Курапов. – Текст : непосредственный // Информационные технологии. – 2024. – Т. 30, № 2. – С. 68–75. – ISSN 1684-6400.
Авторы:
Курапов, С. В.
Тематические рубрики:
Периодические издания—Статьи; Математика; Теория графов
Утакаева, И. Х. (кандидат физико-математических наук; Финансовый университет при Правительстве РФ (Москва)). Оптимизация предиктивного обслуживания оборудования через объединение данных промышленного интернета вещей и графовых баз знаний / И. Х. Утакаева. – Текст : электронный // Кузнечно-штамповочное производство. Обработка материалов давлением. – 2025. – № 6. - С. 81-91. – ISSN 0234-8241. – Электронное дополнение. – Библиогр.: с. 91 (12 назв. ).
Авторы:
Утакаева, И. Х.
Тематические рубрики:
Математика; Теория графов
Ключевые слова:
обслуживание оборудования, Интернет вещей, графовые базы знаний, предиктивное обслуживание, промышленный Интернет вещей, машинное обучение, семантическая интеграция данных, интеллектуальное производство, киберфизические системы, промышленное оборудование, конвергенция технологий, Четвертая промышленная революция
Аннотация:
Настоящее исследование посвящено разработке комплексного подхода к предиктивному обслуживанию промышленного оборудования посредством конвергенции технологий промышленного интернета вещей (IIoT) и графовых баз знаний (KG). Интеграция этих технологий создает значительный потенциал для преодоления ограничений традиционных методов технического обслуживания, которые часто страдают от разрозненности данных, ограниченной контекстуализации и слабой семантической интерпретации собираемой информации. В исследовании предложена многоуровневая архитектура, включающая: сбор данных с IIoT-устройств, их предварительную обработку, формирование метаданных, построение семантической модели предметной области в виде графовой базы знаний и применение алгоритмов машинного обучения для предиктивной аналитики. Эмпирическая проверка разработанного подхода проводится на производственном оборудовании трех типов (гидравлические системы, конвейерные линии, роботизированные комплексы) в течение 18 месяцев. Результаты показывают существенное повышение точности прогнозирования отказов (на 27, 4 % по сравнению с традиционными методами), сокращение времени незапланированных простоев на 31, 8 % и снижение совокупных затрат на техническое обслуживание на 24, 2 %. Разработанный фреймворк демонстрирует повышенную адаптивность к изменениям условий эксплуатации за счет динамического обновления графа знаний и обогащения контекста данных, что обеспечивает более глубокое понимание причинно-следственных связей между различными факторами, влияющими на состояние оборудования. Исследование открывает новые перспективы для создания интеллектуальных систем обслуживания промышленных активов в парадигме Индустрии 4. 0.
Утакаева, И. Х. (кандидат физико-математических наук; Финансовый университет при Правительстве РФ (Москва)). Оптимизация логистических маршрутов сырья с использованием комбинации теории графов и гибридных алгоритмов искусственного интеллекта / И. Х. Утакаева. – Текст : электронный // Кузнечно-штамповочное производство. Обработка материалов давлением. – 2025. – № 6. - С. 60-68. – ISSN 0234-8241. – Электронное дополнение. – Библиогр.: с. 68 (12 назв. ).
Авторы:
Утакаева, И. Х.
Тематические рубрики:
Математика; Теория графов
Ключевые слова:
теория графов, гибридные алгоритмы, искусственный интеллект, оптимизация маршрутов поставок, логистические системы, цепи поставок, многокритериальное моделирование, предиктивная аналитика, логистическая оптимизация
Аннотация:
Современные логистические системы функционируют в условиях возрастающей сложности и неопределенности, что требует разработки инновационных методов оптимизации маршрутов транспортировки сырья. Данное исследование направлено на создание интегрированного подхода к оптимизации логистических маршрутов на основе синтеза теории графов и гибридных алгоритмов искусственного интеллекта. В работе представлена многокритериальная модель оптимизации, учитывающая временные, стоимостные и экологические параметры при планировании транспортных потоков. Методологической основой исследования выступает комбинация алгоритмов поиска кратчайшего пути с адаптивными нейросетевыми структурами и генетическими алгоритмами. Эмпирическая часть работы базируется на анализе данных 37 промышленных предприятий, охватывающих различные отрасли производственного сектора. Результаты исследования демонстрируют, что применение разработанной модели позволяет сократить логистические издержки в среднем на 22, 7 %, время доставки - на 18, 3 %, а углеродный след - на 15, 1 % по сравнению с традиционными методами маршрутизации. Проведенный кластерный анализ выявляет высокую адаптивность модели к сезонным колебаниям спроса с коэффициентом эластичности 0, 83. Особую ценность представляет интегрированный алгоритм балансировки нагрузки логистической сети, показавший прирост производительности на 31, 4 % при пиковых нагрузках. Предложенный подход имеет значительный потенциал для практического внедрения в системы управления цепями поставок и открывает перспективы для дальнейших исследований в области самообучающихся систем логистической оптимизации и предиктивной аналитики грузопотоков.
Лим, А. А. (аспирант; МИРЭА - Российский технологический университет (Москва)). Динамические графы зависимостей для AR-сопровождения сборки FDM экструдеров / А. А. Лим. – Текст : непосредственный // Кузнечно-штамповочное производство. Обработка материалов давлением. – 2025. – № 5. - С. 39-43. – ISSN 0234-8241. – Библиогр.: с. 43 (5 назв. ).
динамические графы, AR-сопровождение, FDM-экструдеры, адаптивные инструкции, последовательность операций, процессы сборки, сборка экструдеров, технологии дополненной реальности, AR-визуализация, обучение персонала, оптимизация производственных процессов
Аннотация:
Предлагается инновационный подход к сопровождению процесса сборки FDM-экструдеров с использованием динамических графов зависимостей и технологии дополненной реальности (AR). Разрабатывается модель, представляющая этапы сборки в виде адаптивного графа, узлы которого корректируют последовательность операций в реальном времени на основе анализа типичных ошибок новичков. Приводится алгоритм преобразования статического графа сборки в динамическую структуру с ветвлениями, интегрированную в AR-среду Unity. Математически формализуются правила адаптации графа, учитывающие частотность ошибок и их влияние на процесс сборки. Проводится экспериментальное исследование, демонстрирующее сокращение времени сборки на 27 % и снижение количества ошибок на 65 % по сравнению с традиционными методами. Реализуется программный комплекс, включающий модуль динамической корректировки инструкций и AR-визуализацию. Результаты подтверждают эффективность подхода для обучения персонала и оптимизации производственных процессов.