Автоматизация бизнес-процесса станции технического обслуживания

ЩЕРБАКОВА К.Э., КГЭУ, г. Казань

Науч. рук. канд. техн. наук, доцент БУДНИКОВА И.К.

С развитием информационных технологий стала очевидна их польза в организации работы предприятий. Автоматизация позволяет проводить контроль, составлять прогнозы, оптимизировать, моделировать, отслеживать динамику в бизнес-структурах.

В качестве объекта исследования в данной работе выступает станция технического обслуживания автомобилей.

Цель данной работы заключается в составлении адекватной математической модели станции технического обслуживания, опирающейся на одну из концепций теории массового обслуживания (метод Монте-Карло).

Моделирование – один из ключевых методов автоматизации бизнес-процессов. Правильно реализованная модель объекта исследования позволит:

– более детализировано рассмотреть и проработать все необходимые параметры, процессы и функционал предприятия;

– организовать прогнозирование необходимых мероприятий, обеспечивающих устойчивую работу станции технического обслуживания;

– корректно распределить ресурсы и нагрузку на систему;

– провести эффективный мониторинг и исчерпывающую оценку работы предприятия.

В соответствии с концепцией бизнес-плана, на основании математи-ческой теории массового обслуживания разработан алгоритм реализации математической модели в виде программы для компьютерного моделирования.

Автоматизация работы станции технического обслуживания автомобилей путем моделирования в первую очередь предоставляет возможность для дальнейшей ее модернизации и усовершенствования функционирования. Кроме того, данный подход снимает необходимость в реальном тестировании предприятия, что дает возможность экономить средства и минимизировать риски. Автоматизация бизнес-процесса позволяет провести точный всесторонний анализ и прогнозирование. Все эти аспекты в перспективе помогут грамотно и эффективно организовать работу предприятия.

УДК 330.4

Анализ регрессионных возможностей нейронной сети

ЯРУЛЛИН А.А., КНИТУ–КАИ, г. Казань

Науч. рук. канд. техн. наук, доцент ЯКУПОВ З.Я.

В данной работе целью ставится исследование регрессионных возможностей многослойной нейронной сети прямого распространения на обучающих двумерных выборках, сгенерированных различными функциональными зависимостями. Нейронная сеть всякий раз в нашем рассмотрении решает задачу интерполяции или экстраполяции некоторой функции, известной нам лишь по конечному числу точек на декартовой плоскости. В качестве искомых зависимостей рассмотрим следующие функции: полиномиальные, тригонометрические и экспоненциальные.

Вначале рассмотрим задачу интерполяции и экстраполяции для полиномиальных зависимостей разного типа В качестве функционала качества для решающей функции был взят средний квадрат ошибки на всех объектах обучающей выборки. В качестве метода обучения был взят метод обратного распространения ошибки.

Для каждого случая построим графики целевой и решающей функций. Для случая интерполяции используется весь интервал от 0 до 4, в случае экстраполяции выполняется прогнозирование на участке от 2 до 4, где также интерполируется участок от 0 до 2. Зеленым цветом строятся графики решающей функции, целевые зависимости – черным цветом (рис. 1–8).

Рис. 1. Интерполяция

Рис. 2. Экстраполяция

Рис. 3. Интерполяция

Рис. 4. Экстраполяция

Рис. 5. Интерполяция

Рис. 6. Экстраполяция

Рис. 7. Интерполяция

Рис. 8. Экстраполяция

Даже при беглом осмотре и сравнении графиков интерполяции и экстраполяции для различных зависимостей сразу можно обратить внимание на тот факт, что монотонные функциональные зависимости аппроксимируются намного лучше, чем те, где имеется несколько локальных экстремумов.

В нашем случае в качестве модели алгоритма использовалась нейронная сеть с одним скрытым слоем. В скрытом слое функциями активации были сигмоиды, а в выходном – линейная функция. На входной слой нейронной сети подавался один-единственный сигнал, который являлся аргументом искомой зависимости. В ходе анализа графиков аппроксимации выявился факт лучшего приближения монотонных функций нейронной сетью рассматриваемой архитектуры. Тем самым можно сформулировать теоретически интересный вопрос: как объяснить то, что монотонные функции аппроксимируются лучше, чем функции, которые имеют немонотонный характер?

Ответ на данный вопрос имеет большое значение по тем причинам, что с каждым днем все больше и больше нейросетевых технологий приходит в нашу жизнь. Большее понимание теоретических аспектов нейронных сетей может открыть новые, неожиданные области применения.

УДК 004.42