Анализ применения нейронных сетей в производственных процессах

Введение…………………………………………………………………………...9
1. Теоретические основы оптимизации производственных процессов…....11
1.1 Виды, классификация и архитектура нейронной сети………………….11
1.2 Методы обучения искусственной нейронной сети……………………...19
1.3 Методы оценки качества моделей в нейронных сетях………………….24
2. Анализ применения нейронных сетей в производственных процессах….29
2.1 Этапы разработки моделей с использованием аналитики данных……..29
2.2 Обзор существующих программных решений для оптимизации производства………………………………………………………………32
2.3 Исследование методов рекуррентной нейронной сети………………….36
3. Разработка, обучение и оценка качества модели оптимизации производственных процессов на ООО “Деаз”………………………………45
3.1 Основные характеристики предприятия…………………………………45
3.2 Этапы обучения нейронной сети…………………………………………47
3.3 Выбор архитектуры нейронной сети…………………………………….53
3.4 Оценка качества модели…………………………………………………..60
Заключение……………………………………………………………………….63
Список используемых источников……………………………………………...64

Весь текст будет доступен после покупки

Современное производство в условиях постоянно меняющейся экономической среды требует эффективных методов оптимизации производственных процессов. Это нужно для того, что бы обеспечить конкурентоспособность и устойчивость предприятий. Помочь нам в этом могут методы машинного обучения, в частности нейронные сети. НС способны автоматически обрабатывать большие объемы данных и прогнозировать результаты в реальном времени.
В современной науке актуальной задачей является исследование методов оптимизации производственных процессов с использованием нейронных сетей. Научная новизна в таком подходи заключается в возможности создания интеллектуальной системы, которая способна адаптироваться к производственным условиям и на основе имеющихся данных самостоятельно принимать решения.
В данном исследовании мы изучим возможности и перспективы применения нейронных сетей для оптимизации производственных процессов. Традиционные методы оптимизации основаны на экспериментальных значениях и алгоритмах, которые имеют ограничения. Это делает актуальным поиск новых подходов к оптимизации производственных процессов.

Весь текст будет доступен после покупки

1. Теоретические основы оптимизации производственных процессов.

1.1 Виды, классификация и архитектура нейронных сетей.
Важным этапом исследования является анализ предметной области. В оптимизации производственных процессов с применением нейронных сетей существует ряд проблем и задач. Рассмотрим некоторые из них:
1) Необходимость оптимизации производства. Многие компании сталкиваются с проблемой неэффективных производственных процессов. Это приводит к повышенным издержкам, задержка в выпуске продукции и снижению конкурентоспособности.
2) Сложность принятия оптимальных решений. Процесс оптимизации производства требует учета множества переменных. К ним относятся стоимость оборудования, время выполнения операций, технологические параметры и другие факторы. Все это делает процесс оптимизации сложным и трудоемким.
3) Значение использования нейронных сетей. Применение нейронных сетей в оптимизации производственных процессов позволяет автоматизировать принятие решений, усовершенствовать планирование и контроль производства, а также улучшить процессы прогнозирования и оптимизации.
Основной целью оптимизации производства является улучшение производительности, сокращение времени на обработку деталей, снижение затрат и повышение качества продукции.
Исследование, связанное с созданием нейронной сети для оптимизации порядка обработки деталей, имеет высокую практическую значимость для предприятий различных отраслей. Это позволяет повысить эффективность производства и сделать процессы более гибкими и адаптированными к изменениям.
Нейронные сети являются одной из самых популярных и широко используемых технологий в области искусственного интеллекта. НС – имитируют работу человеческого мозга, что делает их эффективными инструментами для решения различных задач машинного обучения. Искусственные нейроны представляют из себя функцию, на вход которой подаются некоторые значения, помноженные на корректируемые параметры – веса, после чего результаты произведения суммируются и полученное значение проходит через нелинейную функцию, являющуюся показателем силы возбуждения нейрона [3]. НС способны решать различные задача, такие как кластеризация, классификация, регрессионный анализ, компьютерное зрение, распознавание речи и машинный перевод. Главной особенность искусственных нейронных сетей являются их обучаемость и нелинейность. Эта особенность позволяет выявлять сложные взаимосвязи между данными и использовать опыт для улучшения работы сети [6]. Структура исскуственной нейронной сети представляет собой направленный граф, где нейроны выступают в качестве узлов, а связи между ними имеют весовые коэффициенты. Структура изображена на рисунке 1.1

Весь текст будет доступен после покупки

1. Автоматизированные системы управления ресурсами предприятия : учеб. пособие / Е. В. Кислицын, М. В. Панова, В. В. Городничев, Г. П. Бутко. – Екатеринбург : Изд-во УрГЭУ, 2021. - 201 с.
2. Богустов А. А. Искусственный интеллект как субъект права: аргументы к дискуссии / А. А. Богустов // Хозяйство и право. - 2021. - № 9. - С. 114-121.
3. Генетические алгоритмы и их роль в разработке высокоэффективных программных продуктов / Под ред. А. Д. Соколова, Е. П. Иванова. - Казань : Издательство КФУ, 2024. - 280 с.
4. Громов А.С., Павлова Л.Н. Сравнительный анализ методов оценки точности рекуррентных нейронных сетей в задачах прогнозирования // Журнал исследований нейронных сетей. 2021. Т. 8. № 1. С. 56-64.
5. Гудфеллоу И., Бенджио Й., Курвилль А. "Глубокое обучение". Санкт-Петербург: Питер, 2021. — Это авторитетное издание изучает различные аспекты глубокого обучения, включая проблему переобучения и техники ее решения.
6. Гупта А., Хатвар Д. и Виджаякумар А. (2020). Знакомство с чат-ботами с искусственным интеллектом. Международный журнал инженерных исследований и технологий, 9 (7), 255–258.
7. Геворкян М. Накануне цифрового голоцена / М. Геворкян // Наука и религия. - 2023. - № 5. - С. 36-41.
8. Дворянов Д.Г. Значение методов оптимизации нейронных сетей. // Студенческий вестник: электрон. научн. журн. 2024. № 23(309).).
9. Дворянов Д.Г. Роль нейронных сетей в преобразовании производства // Студенческий вестник: электрон. научн. журн. 2024. № 23(309)
10. Дидактические материалы по оптимизации производства: кейсы и учебные задания / Р. А. Смирнов, И. В. Козлова. - Новосибирск : Издательство НГУ, 2020. - 176 с.

Весь текст будет доступен после покупки