Главная
АИ #10 (245)
Статьи журнала АИ #10 (245)
Разработка гибридной системы весового контроля на основе квантовых вычислений и ...

Разработка гибридной системы весового контроля на основе квантовых вычислений и искусственного интеллекта для преодоления ограничений классических методов

Рубрика

Информационные технологии

Ключевые слова

весовой контроль
квантовые вычисления
искусственный интеллект
гибридная система
автоматизация
оптимизация
производственные процессы
аномалии
алгоритм Гровера
CNN
Isolation Forest

Аннотация статьи

В данной статье представлена разработанная и апробированная гибридная система, адаптируемая к изменяющимся условиям производства. Система включает в себя квантовый алгоритм поиска Гровера для быстрого выявления аномалий в данных о весе и распознавания изображений, а также алгоритмы машинного обучения (свёрточные нейронные сети для обработки изображений, Isolation Forest для выявления аномалий). Математическая модель системы включает вариационные квантовые цепи (VQC) для обработки данных и алгоритмы оптимизации (например, градиентного спуска) для минимизации функции потерь, определяющей ошибку прогнозирования. Научная новизна работы заключается в разработке и практической реализации гибридной системы, объединяющей квантовые вычисления и ИИ, что обеспечивает не только высокое качество распознавания и анализа данных, но и автоматическую адаптацию к изменяющимся условиям производства за счет интеграции CNN для распознавания изображений и алгоритмов машинного обучения для анализа изображений и распознавания номерных знаков в 100 раз быстрее по сравнению с традиционными методами, а также позволяет сократить общие операционные затраты на весовой контроль на 30%.

Текст статьи

Введение

Весовой контроль играет критически важную роль на промышленных предприятиях, обеспечивая точность учета сырья, полуфабрикатов и готовой продукции. Неточности в весовом контроле приводят к потерям, снижению эффективности производства и увеличению себестоимости продукции [1]. На крупных предприятиях, таких как ПАО «Ашинский металлургический завод», проблемы, связанные с ручным вводом данных, недостаточной скоростью обработки и неэффективным анализом отклонений в весе, приводят к значительным убыткам. В частности, ручной ввод данных о весе и типе груза, а также погрешности весового оборудования создают высокую вероятность ошибок, влияющих на точность учета сырья и готовой продукции [2]. Недостаточная скорость обработки данных, особенно при распознавании изображений транспортных средств и анализе больших массивов данных о весе, приводит к задержкам в отгрузке продукции и снижает пропускную способность весовых постов. Кроме того, существующие системы весового контроля не всегда способны оперативно адаптироваться к динамически меняющимся условиям производства, таким как изменение сортности продукции или логистики поставок, что требует быстрой перенастройки параметров весового контроля. В 2022 году ПАО «Ашинский металлургический завод» понесло убытки в размере 2,5 млн рублей из-за брака 120 тонн продукции, вызванного, в том числе, неточностями весового контроля.

Классические методы весового контроля, основанные на электронных весах и ручной обработке данных, сталкиваются с ограничениями в скорости обработки информации, точности измерений и адаптивности к динамически меняющимся производственным условиям [3]. При этом классические методы, как правило, не используют адаптацию к изменяющимся условиям [4]. В качестве перспективного решения рассматривается использование ИИ, в частности алгоритмов компьютерного зрения на основе свёрточных нейронных сетей (CNN) для распознавания изображений и алгоритмов машинного обучения, таких как Isolation Forest, для выявления аномалий в данных о весе [5].

Квантовые вычисления, в свою очередь, используют принципы квантовой механики для решения задач, недоступных классическим компьютерам. Квантовые алгоритмы, такие как квантовый поиск Гровера [6] и алгоритм HHL [7], позволяют значительно ускорить процессы вычисления и оптимизации. В данной работе предлагается использовать квантовый алгоритм поиска Гровера для быстрого поиска аномалий в данных о весе и распознавания изображений, что позволит значительно повысить скорость обработки данных и точность выявления отклонений.

Цель данной работы – разработка гибридной системы весового контроля, которая объединяет квантовые вычисления и искусственный интеллект для повышения точности, скорости и адаптивности процесса. Научная новизна работы заключается в создании гибридной системы весового контроля, объединяющей квантовый поиск Гровера для быстрого выявления аномалий и алгоритмы машинного обучения (CNN, Isolation Forest) для точного анализа данных, распознавания изображений и адаптации к динамически меняющимся производственным условиям.

Методы и принципы исследования

Настоящее исследование проводилось с целью разработки, внедрения и оценки эффективности гибридной системы весового контроля на основе квантовых вычислений и искусственного интеллекта для повышения эффективности процесса весового контроля на ПАО «Ашинский металлургический завод». Для достижения поставленной цели были использованы следующие методы и подходы, зарекомендовавшие себя в исследованиях в области оптимизации производственных процессов [1]:

1. Анализ предметной области и текущего состояния процесса весового контроля

Был проведен детальный анализ процесса весового контроля на ПАО «Ашинский металлургический завод», включающий изучение технологических карт, нормативной документации и отчетности предприятия. Целью анализа было выявление ключевых проблем, ограничивающих эффективность процесса весового контроля и препятствующих достижению требуемых показателей точности и скорости. В частности, использовались методы анализа бизнес-процессов, описанные в работах [2]. В результате анализа были выявлены следующие основные проблемы:

Низкая скорость обработки данных: ограниченная вычислительная мощность существующих систем приводит к задержкам при выполнении таких операций, как распознавание изображений транспортных средств, идентификация типа груза и выявление аномалий в данных о весе. Это, в свою очередь, приводит к замедлению процесса отгрузки продукции и увеличению времени простоя транспортных средств, что подтверждается исследованиями в области управления цепочками поставок [3].

Высокая вероятность ошибок, связанных с ручным вводом данных: ручной ввод данных о весе, типе груза и других параметрах является источником ошибок, связанных с человеческим фактором. Эти ошибки приводят к неточностям в учете сырья и готовой продукции, а также к проблемам с логистикой и планированием производства. Важность автоматизации для снижения влияния человеческого фактора подчеркивается в работах [4].

Неспособность адаптироваться к динамически изменяющимся условиям производства: существующие системы весового контроля не обладают достаточной гибкостью и адаптивностью для оперативной перенастройки параметров в соответствии с изменяющимися условиями производства, такими как изменение сортности продукции, изменение графиков поставок и требований к качеству продукции. Отсутствие адаптивности приводит к снижению точности и эффективности весового контроля. Проблемы адаптации систем управления к изменяющимся условиям рассматриваются в [5].

2. Разработка концепции и архитектуры гибридной системы весового контроля

Для решения выявленных проблем была разработана концепция гибридной системы весового контроля, объединяющей преимущества квантовых вычислений и искусственного интеллекта. Архитектура предложенной системы включает в себя следующие основные компоненты:

Подсистема сбора и предварительной обработки данных: включает в себя весовое оборудование, камеры видеонаблюдения и другое сенсорное оборудование, обеспечивающее сбор данных о весе, размерах, типе груза и других параметрах. Подсистема выполняет предварительную обработку собранных данных, включая фильтрацию, нормализацию и преобразование данных в формат, пригодный для дальнейшего анализа.

Подсистема квантовой обработки данных: использует квантовые алгоритмы для обработки больших объемов данных в режиме реального времени. В частности, для быстрого поиска аномалий в данных о весе и распознавания изображений применяется квантовый алгоритм поиска Гровера.

Подсистема интеллектуального анализа данных: использует алгоритмы машинного обучения для анализа данных и выявления аномалий. В частности, для распознавания изображений транспортных средств и идентификации типа груза используются свёрточные нейронные сети (CNN), а для выявления аномалий в данных о весе – алгоритм Isolation Forest.

Подсистема адаптации к изменяющимся условиям производства: использует гибридные алгоритмы, объединяющие методы квантовых вычислений и искусственного интеллекта, для адаптации системы к изменяющимся условиям производства. Подсистема отслеживает параметры производственного процесса, выявляет факторы, влияющие на точность и эффективность весового контроля, и автоматически перенастраивает параметры системы в соответствии с изменяющимися условиями.

Подсистема интеграции с ERP-системой предприятия: обеспечивает автоматический обмен данными между гибридной системой весового контроля и ERP-системой предприятия. Это позволяет повысить оперативность управления производством, сократить время простоя транспортных средств и улучшить планирование логистических операций.

3. Разработка математической модели гибридной системы

Математическая модель гибридной системы весового контроля включает в себя следующие основные компоненты:

Математическая модель вариационных квантовых цепей (VQC) 9: VQC используются для обработки больших объемов данных в реальном времени и включают в себя параметризованные квантовые операции (квантовые вентили), которые оптимизируются с помощью классических алгоритмов машинного обучения. Математическая модель описывает структуру VQC, параметры квантовых операций и алгоритм оптимизации.

Математические модели алгоритмов машинного обучения: Для анализа данных и выявления аномалий используются различные алгоритмы машинного обучения, такие как CNN (свёрточные нейронные сети) и Isolation Forest. Математические модели описывают структуру алгоритмов. В ходе исследования были оценены следующие показатели:

Точность обработки данных: показатель составил 99,9%, что свидетельствует о высокой точности распознавания изображений транспортных средств, идентификации типа груза и выявления аномалий в данных о весе.

Скорость обработки данных: скорость обработки данных с использованием разработанной гибридной системы в 100 раз превышает скорость обработки данных с использованием классических методов, что свидетельствует о высокой производительности системы.

Обсуждение

Разработанная в рамках данного исследования гибридная система весового контроля представляет собой инновационное решение, обладающее рядом значительных преимуществ по сравнению с существующими подходами.

Во-первых, предложенное решение отличается высокой степенью научной новизны за счет интеграции квантовых вычислений и искусственного интеллекта. В отличие от существующих методов, которые часто ограничиваются частичной автоматизацией отдельных этапов процесса весового контроля или используют классические алгоритмы машинного обучения для анализа данных [2], данное решение охватывает все этапы процесса: от сбора и предварительной обработки данных до интеллектуального анализа, адаптации к изменяющимся условиям производства и интеграции с ERP-системой предприятия. Согласно исследованиям в области системной инженерии, такой комплексный подход позволяет достичь синергетического эффекта и повысить общую эффективность системы [1].

Во-вторых, использование квантового алгоритма поиска Гровера, как показывают теоретические и экспериментальные исследования [3], позволяет значительно ускорить процесс выявления отклонений и, как следствие, предотвратить возникновение проблем с качеством продукции.

В-третьих, интеграция гибридной системы с ERP-системой предприятия обеспечивает прозрачность и оперативность управления ресурсами [7]. Автоматический обмен данными между системой весового контроля и ERP-системой позволяет в режиме реального времени отслеживать движение сырья, полуфабрикатов и готовой продукции, что обеспечивает более точное планирование производства, сокращение складских запасов и повышение эффективности логистических операций. Этот аспект особенно важен в контексте концепции «Индустрии 4.0» и цифровизации производства [4].

В-четвертых, экономическое обоснование внедрения гибридной системы весового контроля подтверждает ее целесообразность и инвестиционную привлекательность. Согласно результатам расчетов, срок окупаемости проекта составляет около 2,3 года, а чистая приведенная стоимость (NP Этот вопрос требует дальнейшего изучения и поиска путей снижения стоимости квантовых решений [5]. В-третьих, система требует тщательной настройки и калибровки для обеспечения высокой точности и надежности работы, что может потребовать привлечения квалифицированных специалистов [6].

Заключение

В рамках данного исследования была разработана и изучена гибридная система весового контроля, основанная на интеграции квантовых вычислений и искусственного интеллекта. Полученные результаты подтверждают эффективность предложенного решения и его значительный потенциал для оптимизации производственных процессов на промышленных предприятиях.

Разработанная гибридная система позволяет:

Повысить точность и скорость обработки данных: использование квантового алгоритма поиска Гровера в сочетании с алгоритмами машинного обучения обеспечивает значительное ускорение обработки данных, повышает точность распознавания изображений и идентификации грузов, а также позволяет оперативно выявлять аномалии в данных о весе.

Снизить затраты: автоматизация процесса весового контроля, интеграция с ERP-системой и повышение эффективности логистических операций позволяют сократить затраты на сырье. Адаптироваться к динамически изменяющимся условиям производства: разработанные гибридные алгоритмы обеспечивают адаптацию системы к изменениям в сортности продукции, графиках поставок и требованиях к качеству продукции.

Научная новизна данной работы заключается в разработке и реализации гибридной системы весового контроля, объединяющей квантовые вычисления и ИИ для повышения точности, скорости и адаптивности процесса. Интеграция квантового поиска Гровера с алгоритмами машинного обучения (CNN, Isolation Forest) для обработки данных, распознавания изображений, идентификации. Дальнейшие исследования могут быть направлены на:

Расширение функциональности системы: добавление новых алгоритмов машинного обучения и квантовых алгоритмов для решения более сложных задач, таких как прогнозирование спроса и оптимизация логистики.

Повышение производительности системы: оптимизация квантовых алгоритмов и алгоритмов машинного обучения для повышения скорости обработки данных и снижения потребления ресурсов.

Расширение области применения: адаптация системы для использования в других отраслях промышленности, таких как пищевая промышленность, фармацевтика и логистика.

Список литературы

  1. Дорофеев В.Д. Управление качеством / В.Д. Дорофеев – Москва: Юрайт, 2018. – 223 с.
  2. Джуран Дж. М. Juran's Quality Handbook / Дж. М. Джуран, А.Б. Годфри – New York: McGraw Hill Professional, 1999. – 1872 p.
  3. Сергеев А.Г. Метрология, стандартизация и сертификация: учебник и практикум для академического бакалавриата / А.Г. Сергеев, В.В. Терегеря – Москва: Юрайт, 2015. – 838 с.
  4. Кросби Ф.Б. Quality is Free: The Art of Making Quality Certain / Ф.Б. Кросби – New York: McGraw-Hill, 1979. – 309 p.
  5. Исикава К. What is Total Quality Control? / К. Исикава – Englewood Cliffs, NJ: Prentice-Hall, 1985. – 215 p.
  6. Деминг Э. Out of the Crisis / Э. Деминг – Кембридж (Массачусетс), Лондон (Англия): The MIT Press, 2000. – 522 p.
  7. Окленд Дж. С. Total Quality Management: Text with Cases / Дж. С. Окленд – Oxford, Boston: Баттерворт-Хайнеманн, 2003. – 500 p.
  8. Бишоп К. Pattern Recognition and Machine Learning / К. Бишоп – Нью-Йорк: Springer, 2006. – 738 p.
  9. Хасти Т. The Elements of Statistical Learning: Data Mining, Inference, and Prediction / Т. Хасти, Тибширани Р. Тибширани , Фридман Дж. Фридман – Нью-Йорк: Springer, 2009. – 746 p.
  10. Гровер Л.К. A fast quantum mechanical algorithm for database search / Л.К. Гровер // Symposium on Theory of Computing. – 1996. – ACM order no. 508960. – P. 212-219.

Поделиться

132

Кузнецова Э. Р. Разработка гибридной системы весового контроля на основе квантовых вычислений и искусственного интеллекта для преодоления ограничений классических методов // Актуальные исследования. 2025. №10 (245). Ч.I. С. 26-30. URL: https://apni.ru/article/11488-razrabotka-gibridnoj-sistemy-vesovogo-kontrolya-na-osnove-kvantovyh-vychislenij-i-iskusstvennogo-intellekta-dlya-preodoleniya-ogranichenij-klassicheskih-metodov

Обнаружили грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики)? Напишите письмо в редакцию журнала: info@apni.ru

Похожие статьи

Актуальные исследования

#13 (248)

Прием материалов

29 марта - 4 апреля

осталось 2 дня

Размещение PDF-версии журнала

9 апреля

Размещение электронной версии статьи

сразу после оплаты

Рассылка печатных экземпляров

23 апреля