Г.В. Рыбина¹, В.А. Тайлаков², Я.С. Нападайло³

¹⁻³Национальный исследовательский ядерный университет «МИФИ» (Москва, Россия)

¹gvrybina@yandex.ru, ²vic7519@mail.ru, ³napadailo@skynapp.com

Постановка проблемы. Предлагается композиционная гибридная нечетко-нейросетевая когнитивная модель для интеллектуальной поддержки принятия решений в двух проблемных областях: диагностика неисправностей узлов ветроэлектрической установки и управление оперативными переключениями оборудования подстанций электросети. Рассматривается архитектура модели, алгоритмы обучения и применение модели в задачах технической диагностики и управления.

Цель. Исследовать возможность применения композиционной модели как компонента архитектуры прототипа проблемно-ориентированной интеллектуальной системы поддержки принятия решений (ИСППР), функционирующей в реальном времени.

Результаты. Проведено экспериментальное исследование предложенной композиционной модели и выполнен сравнительный анализ с другими моделями.

Практическая значимость. Результаты данного исследования актуальны и востребованы при использовании интеллектуальных систем класса ИСППР в условиях цифровизации и интеллектуализации современного индустриального общества.

1. Рыбина Г.В. Интеллектуальные системы: от А до Я. Серия монографий в трех книгах. Книга 2. Интеллектуальные диалоговые системы. Динамические интеллектуальные системы. М.: Научтехлитиздат. 2015. 163 с.
2. Рыбина Г.В. Интеллектуальные системы от А до Я. Серия монографий в трех книгах. Книга 1. Системы, основанные на знаниях. Интегрированные экспертные системы. М.: Научтехлитиздат. 2014. 224 с.
3. Башлыков А.А., Еремеев А.П. Основы конструирования интеллектуальных систем поддержки принятия решений в атомной энергетике: Учебник. М.: ИНФРА-М. 2025. 351 с.
4. Лохин В.М., Романов М.П. Интеллектуальные системы управления – перспективная платформа для создания техники нового поколения // Вестник МГТУ МИРЭА. 2014. № 1(2). С. 1−24.
5. Осипов Г.С. Методы искусственного интеллекта. М.: ФИЗМАТЛИТ. 2011. 296 с.
6. Рыбина Г.В. Основы построения интеллектуальных систем: учебное пособие. М: Финансы и статистика; ИНФРА-М. 2010. 2014. 2021. 432 c.
7. Рыбина Г.В., Степаньков В.Ю., Григорьев А.А. Интеграция моделей, методов и программных средств, совместно определяющих логику принятия решений в динамических интеллектуальных системах // Нейрокомпьютеры, разработка, применение. 2024. Т. 26. № 5. С. 57−71.
8. Нападайло Я.С., Тайлаков В.А., Рыбина Г.В. Интерпретируемый многослойный классификатор на основе нечетко-нейросетевой когнитивной модели в задачах технической диагностики // Двадцать вторая Национальная конф. по искусственному интеллекту с Междунар. участием КИИ-2025 (Санкт-Петербург, 06-10.10.2025 г.). Труды конф. В 3‑х томах. Т. 2. СПб: Изд-во ФИЦ РАН. 2925. С. 86−96.
9. Захарова А.А., Подвесовский А.Г., Исаев Р.А. Нечеткие когнитивные модели в управлении слабоструктурированными социально-экономическими системами // Информационные и математические технологии в науке и управлении. 2020. № 4 (20). С. 5−23.
10. Заграновская А.В. Системный анализ на основе нечетких когнитивных карт // Вестник Российского экономического университета имени Г.В. Плеханова. 2018. № 4. С. 152−160.
11. Борисов В.В. Нечеткие когнитивные модели как основа для исследования сложных систем и процессов // Речевые технологии. 2020. № 1−2. С. 48−62.
12. Wang W., Wang Y., Han X. A dynamic failure mode and effect analysis for train systems failures risk assessment using FCM and prospect theory. Management System Engineering. 2022. V. 1. Article 8. doi: 10.1007/s44176-022-00008-x.
13. Karatzinis G.D., Apostolikas N.A., Boutalis Y.S., Papakostas G.A. Fuzzy Cognitive Networks in Diverse Applications Using Hybrid Representative Structures. International Journal of Fuzzy Systems. 2023. V. 25. P. 2534−2554. doi: 10.1007/s40815-023-01564-4.
14. Борисов В.В. Систематизация нечетких и гибридных нечетких моделей // Мягкие измерения и вычисления. 2020. Т. 29. № 4. С. 98−120.
15. Кулинич А.А. Классификация когнитивных карт и методы их анализа // Шестая Междунар. научно-технич. конф. «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2011 г.). Труды конф. Т. 1. М.: Физматлит. 2011. С. 124−135.
16. Boutalis Y., Theodoridis D., Kottas T., Christodoulou M.A. Theory and Applications of the Neurofuzzy and Fuzzy Cognitive Network Models. System Identification and Adaptive Control. Springer International Publishing. 2014. doi: 10.1007/978-3-319-06364-5.
17. Kosko B. Fuzzy Cognitive Maps. International Journal of Man-Machine Studies. 1986. V. 24 (1). P. 65−75. doi: 10.1016/S0020-7373(86)80040-2.
18. University of Washington. Power Systems Test Case Archive. [Online]. Available: https://labs.ece.uw.edu/pstca/.