РАЗРАБОТКА МУЛЬТИАГЕНТНОЙ СИСТЕМЫ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ ДИАГНОСТИКИ ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ

Современные системы промышленной автоматизации в процессе эксплуатации генерируют большой объем производственных данных, обработка которых современными методами искусственного интеллекта позволяет своевременно осуществлять диагностику состояния и прогнозировать износ дорогостоящего оборудования. В статье разработана инновационная мультиагентная система на основе нейроиммунноэндокринного взаимодействия для диагностики промышленного оборудования. Система состоит из агентов, специализирующихся на редукции данных, на основе искусственной нейронной сети (ИНС), искусственного эндокринного алгоритма (ИЭА) и искусственной иммунной системы (ИИС). Задача данных агентов снизить размерность базы данных, при этом не потеряв ее информативность. Также разработаны предиктивные агенты на основе ИИС и ИЭА, которые решают задачу классификации состояния оборудования на основе информации, полученной после редукции данных и осуществляют прогноз износа оборудования. Эксперименты осуществлены на реальных промышленных данных нефтеперерабатывающего предприятия ТОО «ТенгизШевройл». Результаты моделирования показали перспективность использования данного подхода. Получены следующие значения метрики AUC (Area Under ROC Curve) от 0.86 до 0.90, пропускная способность мультиагентной системы составляет 1000 задач в секунду, время предсказания – 1 мс, отказоустойчивость – 100%.

1. Cheng, C., Yang, B., Xiao, Q. Hierarchical Coordinated Predictive Control of Multiagent Systems for Process Industries. Applied Sciences, 14 (14), 6025 (2024). https://doi.org/10.3390/app14146025.

2. Wang, Y., Yang, Y.H., Wu, L.B. Fuzzy Adaptive Event-triggered Control of Multi-agent Systems With Command Filter. International Journal of Control, Automation and Systems, 23 (1), 175–186 (2025). https://doi.org/10.1007/S12555-024-0634-5.

3. Liu, Y., Wu, X., Long, J., Wang, W. Event-Triggered Distributed Adaptive Leaderless Consensus of Uncertain Heterogenous Nonlinear Multi-Agent Systems. IEEE Transactions on Circuits and Systems II: Express Briefs, 71 (5), 2694–2698 (2024). https://doi.org/10.1109/TCSII.2023.3348763.

4. Xing, X., Hu, G. Distributed Fault-Tolerant Control of Uncertain Multi-Agent Systems with Connectivity Maintenance. Journal of Systems Science and Complexity, 37 (1), 40–62 (2024). https://doi.org/10.1007/S11424-024-3436-1.

5. Kossek, M., Stefanovic, M. Survey of Recent Results in Privacy-Preserving Mechanisms for MultiAgent Systems. Journal of Intelligent and Robotic Systems, 110 (3), 1–27 (2024). https://doi.org/10.1007/S10846-024-02161-9.

6. Vinogradova, E. Software of the “Alice” Type for the Multi-Agent System of Monitoring the Problems of the Development of the Car Service Industry. Proceedings of MLSD 2023. https://doi.org/10.1109/MLSD58227.2023.10303859.

7. Wang, J., Su, X., Huang, Y., Lai, H., Qian, W., Zhang, S. CLinear: An Interpretable Deep Time-Series Forecasting Model for Periodic Time Series. IEEE Internet of Things Journal, 12 (11), 17364–17376 (2025). https://doi.org/ 10.1109/JIOT.2025.3536460.

8. Hinson, J.P., Raven, P., Chew, S.L., Hughes, S.H. The Endocrine System. 3rd ed. Oxford: Elsevier, 2022 (Systems of the Body Series).

9. Sompayrac, L.M. How the Immune System Works. 7th ed. Hoboken: Wiley-Blackwell, 2022. 176 p. ISBN 978-1-119-89068-3.

10. Dettmer, P. Immune. New York: Penguin Random House, 2021. 341 p.

11. Paradise, C.J., Campbell, A.M. Organismal Homeostasis, 2016. 100 p.

12. Abdelhadi, A., Kadri, O.A New Operator that Combines Artificial Immune Systems and Multi-Agent Systems for Addressing Flow Shop Scheduling Problems. Brazilian Journal of Technology, 7 (4) (2024). https://doi.org/10.38152/bjtv7n4-048.

13. Pulikottil, T., Martinez-Arellano, G., Barata, J. Immune System Inspired Smart Maintenance Framework: Tool Wear Monitoring Use Case. The International Journal of Advanced Manufacturing Technology, 132 (9–10), 1–23 (2024). https://doi.org/10.1007/s00170-024-13472-4.

14. Wang Chia-Nan, Nguyen Tram Thi Mai. Integrated artificial immune system and Taguchi approach for production scheduling in the garment industry. Production Planning and Control, 31 (2), 97–107 (2024). https://doi.org/10.23055/ijietap.2024.31.2.9747.

15. Pinto Rui, Gonçalves Gil. Application of artificial immune systems in advanced manufacturing. Array, 16, art. 100238 (2022). https://doi.org/10.1016/j.array.2022.100238.

16. Terziyan Vagan, Vitko Oleksandra. Taxonomy-informed neural networks for smart manufacturing. Procedia Computer Science, 232, 1388–1399 (2024). https://doi.org/10.1016/j.procs.2024.01.137.

17. Sharma Priynka, Gounder Maanvik, Kumar Kaushik. Mastering feature engineering: unlocking the art of data transformation for enhanced predictive modeling with neural networks. Data Science and Applications, pp. 451–464 (June 2025). https://doi.org/10.1007/978-981-96-1188-1_33.

18. Haomachai, W., Teerakittikul, P. An Artificial Hormone System for Adaptable Locomotion in a Sea Turtle-Inspired Robot. Proceedings of the 4th International Conference on Control and Robotics Engineering (ICCRE). IEEE, 2019, pp. 136–141. https://doi.org/10.1109/ICCRE.2019.8724369.

19. Samigulina, G.A., Samigulina, Z.I. Development of intelligent technology for complex objects control based on a unified artificial immune system and principles of immunological homeostasis for industrial automation using modern microprocessor equipment: monograph. Yelm, WA, USA: Science Book Publishing House, 2023. 196 p. ISBN 978-1-62174-150-3. SAN 920-3230.

20. Samigulina, G., Samigulina, Z. Diagnostics of industrial equipment and faults prediction based on modified algorithms of artificial immune systems. Journal of Intelligent Manufacturing, 33 (1), 1–18 (2022). https://doi.org/10.1007/s10845-020-01732-5.

21. Liu, H., Liu, X., Huang, K., Huang, K., Guo, D. Embodied Multi-agent System. Embodied MultiAgent Systems (2025). https://doi.org/10.1007/978-981-96-5871-8_2.

22. Qian, W., Wan, L., Shu, W. Semisupervised feature selection based on discernibility matrix and mutual information. Applied Intelligence, 54 (13–14), 7278–7295 (2024). https://doi.org/10.1007/s10489-024-05481-3. sciencedirect.com+8.

23. SalmerónGómez, R., GarcíaGarcía, C. B., GarcíaPérez, J. A Redefined Variance Inflation Factor: Overcoming the Limitations of the Variance Inflation Factor. Computational Economics, 65 (1), 337–363 (2024). https://doi.org/10.1007/s10614-024-10575-8. arxiv.org+9

24. A.S. №56573. INTELLECTUAL MULTI-AGENT SYSTEM FOR SMART MANUFACTURING – MASBio. G.A. Samigulina, Z.I. Samigulina, D.D. Bekeshev; opubl.05.04.2025. https://qazpatent.kz/ru.