ӨНЕРКӘСІПТІК ЖАБДЫҚТЫ ИНТЕЛЛЕКТУАЛДЫ ДИАГНОСТИКАЛАУҒА АРНАЛҒАН МУЛЬТИАГЕНТТІК ЖҮЙЕНІ ӘЗІРЛЕУ

Қазіргі заманғы өнеркәсіптік автоматтандыру жүйелері пайдалану үдерісінде өндірістік деректердің үлкен көлемін қалыптастырады. Бұл деректерді заманауи жасанды интеллект әдістері арқылы өңдеу – қымбат жабдықтардың жағдайын уақытылы диагностикалауға және тозуын болжауға мүмкіндік береді. Мақалада өнеркәсіптік жабдықтарды диагностикалауға арналған нейро-иммунды-эндокриндік өзара әрекеттестік негізіндегі инновациялық мультиагенттік жүйе ұсынылады. Жүйе деректерді редукциялауға мамандандырылған агенттерден тұрады. Олар жасанды нейрондық желі (ЖНЖ), жасанды эндокриндік алгоритм (ЖЭА) және жасанды иммундық жүйе (ЖИЖ) негізінде құрылған. Бұл агенттердің мақсаты – деректер базасының өлшемін азайту, бірақ оның ақпараттылығын жоғалтпай сақтау. Сонымен қатар, ЖИЖ және ЖЭА негізінде жабдықтың күйін деректер редукциясынан кейінгі ақпарат бойынша жіктеу мен тозуын болжау мәселесін шешетін предиктивті агенттер жасалды. Эксперименттер «ТеңізШевройл» ЖШС мұнай өңдеу кәсіпорнының нақты өндірістік деректерінде жүргізілді. Модельдеу нәтижелері бұл тәсілдің болашағы зор екенін көрсетті. AUC (ROC қисығы астындағы аудан) метрикасының мәні 0.86–0.90 аралығында, мультиагенттік жүйенің өткізу қабілеті – секундына 1000 тапсырма, болжау уақыты – 1 мс, ал жүйенің сенімділігі – 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.