ОСОБЛИВОСТІ ВИКОРИСТАННЯ НЕЙРОМЕРЕЖНИХ ТЕХНОЛОГІЙ ДЛЯ КЕРУВАННЯ РОБОЧИМИ ПРОЦЕСАМИ БУЛЬДОЗЕРІВ ІЗ GNSS-ІНТЕНСИФІКАТОРОМ
DOI:
https://doi.org/10.30977/BUL.2219-5548.2023.101.2.159-167Ключові слова:
GNSS-інтенсифікатор, GPS, непромережені технології, мови машинного навчання, алгоритми, програмні коди, Python, TensorFlowАнотація
Застосування GNSS і систем інтелектуального керування робочими процесами землерийних машин дає змогу більш точно визначити місце розташування й висоту робочого органа, що сприяє більш ефективній роботі бульдозера. GNSS може забезпечити високу точність вимірювань розташування бульдозера, що допомагає оптимізувати процес роботи й мінімізувати витрати часу на профілювання та вирівнювання поверхні. За допомогою машинного навчання бульдозер може автоматично аналізувати дані GNSS і приймати рішення про оптимальну траєкторію руху для досягнення потрібної точності та швидкості роботи, це підвищує ефективність дії машини, завдяки чому скорочуються терміни і вартість будівельних робіт. У статті розглянуто алгоритми й програмні коди, що можуть бути застосовані для автоматизованого керування робочими процесами землерийних машин із використанням штучного інтелекту. Запропоновано конкретну реалізацію мовами програмування Python та TensorFlow, проаналізовано основні алгоритми й показано необхідність врахування параметрів робочого процесу на машинне навчання.
Посилання
Korotkov, A., Potapenko, A. (2019) The use of neural networks for controlling construction machines. Scientific Bulletin of the National Technical University of Ukraine, no. 29.5, pp. 113–119.
Korotkov, A., Potapenko, A. (2019) Analysis of methods for controlling construction machines using neural networks. Proceedings of the XXIII International Scientific and Technical Conference "Scientific Achievements of the Present", pp. 72–73.
Shymko, R., Potapenko, A. (2021) The use of neural networks to improve the efficiency of construction machine control. Control, navigation and communication systems, no. 1 (57), pp. 30–35.
Shymko, R. (2020) The use of neural networks to control the movement of construction machines. Energy, electrical engineering, energy saving, no. 3 (54), pp. 32–36.
Dudnyk, V., Sinenko, Yu., Matsyk, M., Demchenko, Ye., Zhyvotovskyi, R., Repilo, Iu., Zabolotnyi, O., Simonenko, A., Pozdniakov, P., Shyshatskyi, A. (2020) Development of a method for training artificial neural networks for intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, no. 2 (105), pp. 37–47.
Pievtsov, H., Turinskyi, O., Zhyvotovskyi, R., Sova, O., Zvieriev, O., Lanetskii, B., Shysh-?tskyi A. (2020) Development of an advanced method of finding solutions for neuro-fuzzy expert systems of analysis of the radioelectronic situation. EUREKA: Physics and Engineering, no. 4, pp. 78-89.
Zuiev, P., Zhyvotovskyi, R., Zvieriev, O., Hatsenko, S., Kuprii, V., Nakonechnyi, O., Adamenko, M., Shyshatskyi, A., Neroznak, Y., Velychko, V. (2020) Development of complex methodology of processing heterogeneous data in intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, no. 9 (106), pp. 14‒23.
Shyshatskyi, A., Zvieriev, O., Salnikova, O., Demchenko, Ye., Trotsko, O., Neroznak, Ye. (2020) Complex Methods of Processing Different Data in Intellectual Systems for Decision Support System. International Journal of Advanced Trends in Computer Science and Engineering, no. 4, pp. 5583‒5590.
Çavdar, A. B., Ferhatosmanoğlu, N. (2018) Airline customer lifetime value estimation using data analytics supported by social network information. Journal of Air Transport Management, no. 67, pp. 19–33.
Ramaji, I. J., Memari, A. M. (2018) Interpretation of structural analytical models from the coord-?nation view in building information models. Automation in Construction, no. 90, pp. 117–133.
Koshlan, A., Salnikova, O., Chekhovska, M., Zhyvotovskyi, R., Prokopenko, Y., Hurskyi, T., Yefymenko, A., Kalashnikov, Y., Petruk, S., Shyshatskyi, A. (2019) Development of an algorithm for complex processing of geospatial data in the special-purpose geoinformation system in conditions of diversity and uncertainty of data. Eastern-European Journal of Enterprise Technologies, no. 9 (101), pp. 16–27.
Kuchuk, N., Mohammed, A. S., Shyshatskyi, A., Nalapko, O. (2019) The method of improving the efficiency of routes selection in networks of connection with the possibility of self-organization. International Journal of Advanced Trends in Computer Science and Engineering, no. 1 (8), pp. 1–6.
Zhdanov, V. V. (2016) Experimental method to predict avalanches based on neural networks. Lëd i Sneg, no. 4 (56), pp. 502–510.
Sreeshakthy, M., Preethi, J. (2016) Classification of human emotion from deap EEG signal using hybrid improved neural networks with Сuckoo search. Brain: Broad Research in Artificial Intelligence and Neuroscience, no. 3–4, pp. 60–73.
Abaci, K., Yamacli, V. (2019) Hybrid artificial neural network by using differential search algorithm for solving power flow problem. Advances in Electrical and Computer Engin-?ering, no 4 (19), pp. 57–64.
Mishchuk, O. S., Vitynskyi, P. B. (2018) Neural network with combined approximation of the surface of the response. Research Bulletin of the National Technical University of Ukraine "Kyiv Polytechnic Institute", no. 2, pp. 18–24.
Kazemi, M., M. Faezirad, M. (2018) Efficiency estimation using nonlinear influences of time lags in DEA Using Artificial Neural Networks. Industrial Management Journal, no. 1 (10), ?-p. 17–34.
