Повышение эффективности производственных процессов за счет нейросетевой оптимизации технологических маршрутов

В представленной работе предлагается комплексный подход, который включает использование теории графов для построения модели производственных маршрутов; применение методов искусственного интеллекта для оптимизации построенных графовых моделей, в том числе алгоритмов поиска кратчайшего пути с учетом изменяющихся ограничений и эвристических оптимизационных стратегий; разработку специальной архитектуры рекуррентной нейронной сети типа LSTM для решения поставленной в исследовании задачи и адаптированной для работы с последовательностями данных о маршрутах; внедрение системы оценки рисков на основе нейросетевого анализа, которая может быть интегрирована в общую архитектуру оптимизации производственных маршрутов с выполнением ключевой задачи выявления потенциальных проблем и разработки превентивных мер; применение математического моделирования для формализации процесса оптимизации как задачи минимизации целевой функции при заданных ограничениях. В результате исследования разработана адаптивная модель оптимизации технологических маршрутов, создана специализированная программа для оценки научно-технических рисков при внедрении новых или усовершенствованных технологий на предприятии, построена архитектура LSTM-нейронной сети с учетом специфики исследуемых отраслевых производственных процессов, а также произведена валидация модели на реальных производственных данных. Проведенное исследование показало, что применение разработанного подхода позволяет значительно сократить сроки принятия проектных решений, проводить оптимизацию технологических маршрутов с учетом множества необходимых критериев, при этом учитывать их важность для того или иного варианта оптимизации, повысить точность прогнозирования при внедрении результатов на производстве, адаптировать технологические процессы под изменяющиеся производственные условия, а также возможность интегрировать представленное решение в существующие САМ и MES-системы.

1. Шайхулова А.Ф., Гаврилова О.А. Системотехнические основы методов интеллектуализации инновационной подготовки производства в машиностроении. Автоматизация. Современные технологии. 2022;76(1):30–34. https://doi.org/10.36652/0869-4931-2022-76-1-30-34

2. Пучков А.Ю., Дли М.И., Лобанева Е.И. Применение глубоких нейронных сетей в моделях сложных технологических объектов. Известия СПбГТИ(ТУ). 2020;(52):104–110. https://doi.org/10.36807/1998-9849-2020-52-78-104-110

3. Шайхулова А.Ф., Селиванов С.Г. Постановка задачи цифровой трансформации производства индустрии 4.0. XXI век: итоги прошлого и проблемы настоящего плюс. 2021;10(2):92–95.

4. Городнова Н.В. Применение искусственного интеллекта в бизнес-сфере: современное состояние и перспективы. Вопросы инновационной экономики. 2021;11(4):1473–1492. https://doi.org/10.18334/vinec.11.4.112249

5. Махалина О.М., Махалин В.Н. Искусственный интеллект: драйвер экономического развития или генератор проблем и угроз? BENEFICIUM. 2024;(1):14–21. https://doi.org/10.34680/BENEFICIUM.2024.1(50).14-21

6. Тырышкин С.Ю. Нейросетевая оптимизация в автоматизированных системах управления высокоразмерными технологическими процессами. Доклады ТУСУР. 2025;28(2):153–159.

7. Соловьёв Д.В., Бондаренко И.Б. Параметрическая оптимизация сложных технологических процессов оптического производства с использованием технологий искусственных нейронных сетей. Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики. 2010;(6):121.

8. Климова Т.Ю., Хаймович И.Н., Тарасов В.А., Кураков С.В. Оптимизация процессов технического обслуживания производственного оборудования с помощью нейросети. Известия Тульского государственного университета. Технические науки. 2025;(5):140–149.

9. Анисимов А.А., Сороковнин М.Е., Тарарыкин С.В. Нейросетевая идентификация и настройка мехатронных систем с регуляторами состояния. Мехатроника, автоматизация, управление. 2025;26(2):65–76. https://doi.org/10.17587/mau.26.65-76

10. Хонин К.А., Ермолаев Р.А. Совершенствование технологического процесса в условиях автоматизированного производства. Молодой ученый. 2018;(25):151–155.