Модель и методы управления киберфизической системой на основе анализа данных мониторинга (на примере прудовой аквакультуры) тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Борзин Роман Юрьевич

• Борзин Роман Юрьевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Борзин Роман Юрьевич

Введение

Глава 1 Анализ методов и технологий управления киберфизическими системами на основе анализа данных мониторинга

1.1 Опыт управления киберфизическими системами на основе анализа данных мониторинга в Российской федерации

1.2 Мировой опыт управления киберфизическими системами на основе анализа данных мониторинга

1.3 Систематический обзор литературы

1.3.1 Постановка вопросов исследования

1.3.2 Поиск и отбор литературы

1.3.3 Оценка качества источников

1.3.4 Систематизация и анализ литературы

1.4 Анализ существующих платформ и технологий управления киберфизическими системами

1.4.1 1оТ-платформы

1.4.2 Платформы для машинного обучения и анализа данных (ML/AI)

1.4.3 SCADA-системы

1.4.4 Облачные технологии

1.4.5 Платформы для обеспечения кибербезопасности

1.4.6 Технологии блокчейна

1.4.7 Платформы для робототехники

1.5 Постановка задач исследования

1.6 Выводы по первой главе

Глава 2 Модель и методы управления киберфизической системой на основе

анализа данных мониторинга

2.1 Разработка модели киберфизической системы как объекта управления

2.1.1 Структурно-функциональная модель КФС как объекта управления

2.1.2 Алгоритм функционирования модели

2.2 Разработка метода анализа данных мониторинга для формирования управляющих воздействий

2.2.1 Структурно-функциональное описание метода анализа данных мониторинга для формирования управляющих воздействий

2.2.2 Формализованное описание метода анализа данных мониторинга для формирования управляющих воздействий

2.3 Разработка метода управления КФС на основе анализа данных мониторинга

2.3.1 Структурно-функциональное описание метода управления КФС на основе анализа данных мониторинга

2.3.2 Формализованное описание метода управления КФС на основе анализа данных мониторинга

2.3.3 Адаптация управления

2.4 Выводы по второй главе

Глава 3 Реализация разработанных модели и методов на примере прудовой аквакультуры

3.1 Модель КФС как объекта управления на примере прудовой аквакультуры

3.1.1 Описание входных параметров

3.1.2 Обучение модели ЬБТМ на входных данных

3.2 Формирование управляющих воздействий

3.3 Уведомление оператора об аномальных данных

3.4 Адаптация управления

3.8 Выводы по третьей главе

Глава 4 Реализация рабочего прототипа системы управления КФС прудовой аквакультуры

4.1 Разработка архитектуры рабочего прототипа системы управления КФС прудовой аквакультуры

4.2 Программная реализация системы управления КФС прудовой аквакультуры

4.3 Инженерная методика управления КФС прудовой аквакультуры

4.3.1 Операция 1: Подключение к устройству

4.3.2 Операция 2: Просмотр текущего состояния и управляющих воздействий

4.3.3 Операция 3: Вывод истории показаний

4.3.4 Операция 4: Остановка управления

4.3.5 Операция 5: Возобновление управления

4.3.6 Операция 6: Выгрузка истории

4.4 Апробация в условиях прудовой аквакультуры

4.5 Выводы по четвертой главе

Заключение

Список используемых сокращений и условных обозначений

Список литературы

Приложение 1. Свидетельство о регистрации программы для ЭВМ

Приложение 2. Акт внедрения (использования) результатов исследования

Введение диссертации (часть автореферата) на тему «Модель и методы управления киберфизической системой на основе анализа данных мониторинга (на примере прудовой аквакультуры)»

Введение

Актуальность темы исследования. На сегодняшний день агроинженерия стремительно развивается и адаптируется к концепции Индустрии 5.0, в рамках которой особое внимание уделяется интеграции человеческих компетенций с потенциалом киберфизических систем. Такая интеграция направлена на повышение гибкости, адаптивности и эффективности процессов управления сложной агротехнической системой.

Киберфизические системы (КФС) представляют собой интеграцию вычислительных, сетевых и физических процессов, которые взаимодействуют для достижения сложных задач. Они находят применение в различных областях, таких как «умные» производства, агроинженерия, автономные транспортные системы, энергетика и медицина. Одним из ключевых этапов управления КФС является мониторинг, который обеспечивает сбор, анализ и интерпретацию данных о состояниях системы и внешней среды. Мониторинг в КФС — это процесс непрерывного наблюдения за состоянием системы с использованием датчиков, сенсоров и других устройств, которые собирают данные о физических и вычислительных процессах. Эти данные передаются в системы анализа для принятия решений в реальном времени. Мониторинг позволяет:

- отслеживать текущее состояние КФС;

- выявлять отклонения от нормальной работы;

- прогнозировать возможные сбои и аварии;

- оптимизировать производительность системы.

Особенно актуальной задачей становится мониторинг в условиях открытой внешней среды, характерной для агротехнических систем. Под открытой внешней средой понимается совокупность факторов, находящихся вне пределов непосредственно управляемой физической системы и обладающих свойством динамичности, неопределенности и нестационарности. К таким факторам

относятся изменения окружающей среды, помехи, ошибки измерений и иные воздействия, которые способны повлиять на работоспособность КФС.

В условиях взаимодействия с открытой внешней средой КФС требуют гибких, интеллектуальных методов мониторинга, способных не только фиксировать текущее состояние, но и адаптироваться к внешним воздействиям, обеспечивать устойчивое поведение системы, а также реализовывать предиктивный анализ и самообучение на основе накопленных данных. Это предполагает переход от традиционного мониторинга к интеллектуальному, опирающемуся на методы машинного обучения, предиктивной аналитики, многокритериального анализа и самоадаптации.

Таким образом, разработка модели и методов управления киберфизической системой на основе анализа данных мониторинга, является актуальной задачей.

Степень разработанности темы. Исследуемые проблемы получили развитие в научном сообществе:

- теоретические основы управления, моделирование и математическое обеспечение КФС — Арсеньев Д.Г., Боровков А.И., Васильев В.Н., Куржанский А.Б., Кухтенко А.И., Мещеряков Р.В. и др.;

- безопасность и надёжность киберфизических систем — Ключарёв П.Г., Кофанов Ю.Н., Петров Ю.П., Тынченко В.С. и др.;

- интеллектуальные системы, ИИ и автоматизация — Гасников А.В., Кравец А.Г., Никульчев Е.В., Рудаков К.В., Щербаков М.В. и др.;

- прикладные аспекты, инженерия и внедрение КФС — Большаков А.А., Мещеряков Р.В., Никитин А.В., Преображенский А.П., Пивоваров Н.А., Чистякова Т.Б. и др.

В настоящее время в РФ исследования в области КФС ведутся следующими научными школами:

- лаборатория Интеллектуальной робототехники и киберфизических систем СПбПУ Петра Великого в рамках проекта «Научный центр мирового уровня «Передовые цифровые технологии» и высшая школа киберфизических систем и управления, Институт компьютерных наук и технологий. Исследования

посвящены в основном промышленной автоматизации, роботам -манипуляторам.

- лаборатория № 80 «Киберфизических систем» ИПУ РАН. Направления исследований лаборатории затрагивают как базовые основы создания КФС, так и вопросы управления робототехническими системами и их безопасного функционирования.

- лаборатория технологий больших данных социокиберфизических систем СПб ФИЦ РАН. Исследования посвящены в основном топологии и маршрутизации в сетях передачи данных.

Анализ существующих отечественных и зарубежных работ в области киберфизических систем показал, что требуется их дальнейшее развитие и совершенствование в части разработки методов управления на основе анализа данных мониторинга, способных эффективно работать в режиме реального времени и учитывать изменения внешней среды.

Цель и задачи исследования. Целью исследования является повышение эффективности управления киберфизической системой за счет разработки новых научно обоснованных инструментов анализа данных мониторинга.

Под эффективностью понимается: снижение временных и ресурсных затрат на управление системой, повышение точности и скорости обработки данных мониторинга, а также обеспечение адаптивности управления в изменяющихся условиях эксплуатации КФС.

Для достижения поставленной цели выделены следующие научные задачи:

1. Провести анализ научно-технической литературы, посвящённой методам и моделям управления КФС.

2. Провести анализ существующих платформ и технологий управления

КФС.

3. Разработать модель КФС как объекта управления.

4. Разработать метод анализа данных мониторинга для формирования управляющих воздействий на примере прудовой аквакультуры.

5. Разработать метод управления КФС на основе данных мониторинга на

примере прудовой аквакультуры.

6. Реализовать рабочий прототип системы управления КФС прудовой аквакультуры.

7. Произвести испытания прототипа системы управления КФС прудовой аквакультуры, выполнить анализ эффективности мониторинга киберфизической системы.

Объектом исследования является киберфизическая система, функционирующая в открытой внешней среде.

Предметом исследования являются модели описания и методы анализа данных мониторинга для управления киберфизической системой.

Научная новизна результатов диссертации, выносимых на защиту, заключается в разработке модели и методов управления киберфизической системой на основе анализа данных мониторинга, включая:

1. Новую модель киберфизической системы как объекта управления, отличающуюся от существующих комплексным представлением взаимодействия физических и кибернетических компонентов и алгоритмом управления на основе интеллектуального анализа данных мониторинга. (п. 15)

2. Новый метод анализа данных мониторинга, отличающийся от существующих процедурой прогнозирования аномальных состояний КФС в режиме реального времени и механизмом формирования управляющих воздействий на основе эмпирических правил управления прудовой аквакультурой, что позволяет снизить временные затраты на анализ параметров КФС. (п.11)

3. Новый метод управления киберфизической системой на основе данных мониторинга, отличающийся адаптивным подходом к регулированию параметров управления с учетом прогнозируемых изменений состояния физической подсистемы прудовой аквакультуры, что позволяет повысить точность управления, снизить затраты ресурсов и вероятность критических состояний системы, а также необходимость ручного вмешательства в процесс управления. (пп.4, 15)

Теоретическая значимость проведенных исследований заключается в разработке модели КФС как объекта управления. В ходе исследования разработан метод анализа данных, использующий методы машинного обучения для прогнозирования будущих параметров системы, а также эмпирические правила, полученные в результате анализа управления прудовой аквакультурой, для формирования управляющих сигналов. Усовершенствованы научные подходы к снижению затрат ресурсов в процессе управления КФС за счет применения адаптивного подхода к изменению условий эксплуатации. Содержащиеся в работе анализ, выводы и предложения могут быть использованы для повышения эффективности управления КФС на основе анализа данных мониторинга в условиях открытой внешней среды.

Практическая значимость заключается в том, что полученные практические результаты могут быть использованы для управления КФС, которые функционируют в условиях открытой внешней среды.

Разработанные ^^система мониторинга и метод анализа данных мониторинга позволил в режиме реального времени прогнозировать аномальные состояния КФС прудовой аквакультуры и формировать управляющие воздействия на основе эмпирических правил, что снизило временные затраты на анализ параметров системы на 95%.

Разработанные модель КФС и метод управления КФС на основе данных мониторинга позволили регулировать параметры среды, снизить вероятность критических состояний системы прудовой аквакультуры на 86%, а также сократить потребление ресурсов на 9% за счёт адаптивного подхода к изменению условий эксплуатации.

На основании проведенных исследований был разработан программный продукт «Система мониторинга и анализа состояния воды на прудовом хозяйстве» (Свид. о гос. регистрации программы для ЭВМ № 2024617038 от 27 марта 2024 г.), реализующий предложенные модель и методы.

Методология и методы исследования. Теоретическую и методологическую основу исследования составили методы системного анализа, теории управления,

методы оптимизации, математического моделирования, теории баз данных, нейросетевого моделирования, методы интеллектуального анализа данных, методы проектирования и разработки программного обеспечения.

Основные положения, выносимые на защиту:

1. Модель киберфизической системы как объекта управления позволяет формально описать процессы взаимодействия физической и кибер-подсистем, а также определить механизмы управления в КФС.

2. Метод анализа данных мониторинга позволяет в режиме реального времени прогнозировать аномальные состояния КФС и формировать управляющие воздействия на основе эмпирических правил (на примере прудовой аквакультуры), что снижает временные затраты на анализ параметров системы.

3. Метод управления киберфизической системой на основе данных мониторинга позволяет повысить точность управления, а также сократить потребление ресурсов и вероятность критических состояний системы за счёт адаптивного подхода к изменению условий эксплуатации.

4. Концепция и архитектура прототипа системы управления КФС прудовой аквакультуры, а также его программно-аппаратная реализация позволяют экспериментально доказать эффективность предложенных модели, методов анализа данных и управления.

Достоверность результатов подтверждается теоретическим обоснованием, экспериментальной оценкой эффективности предложенных модели и методов управления киберфизическими системами на основе анализа данных мониторинга и результатами внедрения в практику, а также опирается на их совпадение с опубликованными научными результатами других авторов.

Реализация и внедрение. Реализованы ПО «Система мониторинга и анализа состояния воды на прудовом хозяйстве» и прототип киберфизической системы управления прудовой аквакультурой. Результаты разработки внедрены в прудовое хозяйство Волгоградской области ООО "Прибой" с. Новоникольское Быковского района, о чем получен акт внедрения.

Апробация результатов исследования. Основные положения и результаты диссертации представлялись на конференциях: 26-я Межвузовская научно-практическая конференция студентов и молодых учёных г. Волжского, посвящ. Году науки и технологий в РФ (Волжский, 2021 г.), Фундаментальные, поисковые, прикладные исследования и инновационные проекты (Москва, 2022 г.), 6th International Conference on Intelligent Computing and Optimization 2023 (Hua Hin, Thailand, 2023), Новые информационные технологии и системы (Пенза, 2023 г.), Математические Методы в Технике и Технологиях ММТТ-36 (Нижний Новгород, 2023 г.), 2024 International Russian Smart Industry Conference (Сочи, 2024 г.), XX Всероссийская ежегодная молодежная научная конференция с международным участием «Наука Юга России: достижения и перспективы» (Ростов-на-Дону, 2024 г.), Инновационные, информационные и коммуникационные технологии (Сочи, 2024 г.), Математические Методы в Технике и Технологиях ММТТ-38 (Самара, 2025 г.) и на научных семинарах кафедры САПР и ПК ВолгГТУ.

Публикации. Основные положения диссертации изложены в 13 печатных работах, в том числе 2 статьи в научных журналах, рекомендованных ВАК РФ и 3 работы в зарубежных изданиях, индексируемых в международной базе научного цитирования Scopus. Получено 1 свидетельство о государственной регистрации программы для ЭВМ.

Личный вклад автора. В диссертации представлены результаты исследований, выполненных самим автором. Личный вклад автора состоит в постановке задач исследования, разработке теоретических и прикладных методов их решения, в обработке, анализе, обобщении полученных результатов и формулировке выводов. В работах, опубликованных в соавторстве, соискателю принадлежит определяющая роль в разработке модели и методов управления КФС на основе анализа данных мониторинга. Программная реализация методов и алгоритмов выполнена лично автором.

Соответствие паспорту научной специальности. Основная область исследования соответствует паспорту специальности 2.3.1. - Системный анализ,

управление и обработка информации, статистика, а именно пунктам: 4 -"Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта", 11 - "Методы и алгоритмы прогнозирования и оценки эффективности, качества, надежности функционирования сложных систем управления и их элементов", 15 - "Теоретический анализ и экспериментальное исследование функционирования элементов систем управления в нормальных и специальных условиях с целью улучшения технико-экономических и эксплуатационных характеристик".

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка используемых сокращений и условных обозначений, списка литературы (133 наименований на 12 страницах) и 2 приложений. Основной текст работы (без приложений и списка литературы) занимает 111 страниц машинописного текста, в том числе 44 рисунка и 15 таблиц. Общий объем работы составляет 133 страниц.

Во введении обоснована актуальность работы, сформулированы цели и задачи исследования, представлена научная новизна, показана практическая ценность полученных результатов, представлены выносимые на защиту научные положения, описаны структура и краткое содержание глав диссертации.

В первой главе были рассмотрены методы и технологии управления КФС на основе анализа данных мониторинга. Также был рассмотрен отечественный и мировой опыт использования КФС. В результате, сделан вывод о том, что киберфизические системы применимы во многих сферах и отраслях, а управление КФС на основе анализа данных мониторинга является актуальной задачей. Анализ показал, что внедрение КФС позволяет повысить эффективность работы предприятий, снизить затраты на производство и эксплуатацию, а также улучшить качество продукции и услуг.

Вторая глава посвящена разработке модели КФС как объекта управления, метода анализа данных мониторинга для формирования управляющих воздействий, метода управления КФС на основе анализа данных мониторинга.

В третьей главе рассмотрены предложенные модель и методы на примере КФС прудовой аквакультуры. Особое внимание уделено увеличению точности предсказательной модели на обучающей выборке. Также рассмотрены алгоритмы формирования управляющих сигналов, уведомления оператора и адаптации управления.

В четвертой главе предложена архитектура и реализация прототипа КФС. Приведена инженерная методика развертывания прототипа КФС. Проведена апробация разработанных методов в условиях прудовой аквакультуры.

В заключении сформулированы основные научные и практические результаты диссертационной работы.

В приложениях представлены свидетельство о регистрации программ для ЭВМ и акт внедрения.

Глава 1 Анализ методов и технологий управления киберфизическими системами на основе анализа данных мониторинга

Управление киберфизическими системами на основе анализа данных мониторинга — это область исследований, связанная с автоматизацией и оптимизацией процессов управления КФС с использованием данных мониторинга, полученных с датчиков и других источников.

КФС — это системы, в которых вычислительные и физические компоненты тесно интегрированы и взаимодействуют друг с другом в реальном времени [1]. Примерами КФС могут быть автономные транспортные средства, автоматизированные производственные линии, системы управления питанием и т. д.

Анализ данных мониторинга КФС может включать сбор и обработку данных, визуализацию результатов, выявление системных проблем и аномалий и предложения по их устранению. Важным аспектом является автоматизация этого процесса, позволяющая системе быстро реагировать и эффективно управлять изменениями в окружающей среде.

Различные методы и технологии используются для управления КФС на основе анализа данных мониторинга, включая машинное обучение, искусственный интеллект, системное моделирование и симуляцию. Эти методы могут быть использованы для создания более эффективных и надежных систем управления КФС, которые могут повысить производительность, сэкономить энергию и сократить время простоя системы.

Одним из ключевых аспектов управления КФС является мониторинг, который обеспечивает сбор, анализ и интерпретацию данных о состоянии системы и внешней среде. Мониторинг в КФС — это процесс непрерывного наблюдения за состоянием системы с использованием датчиков, сенсоров и других устройств, которые собирают данные о физических и вычислительных процессах. Эти данные передаются в системы анализа для принятия решений в реальном времени.

Мониторинг позволяет:

- Отслеживать текущее состояние системы.

- Выявлять отклонения от нормальной работы.

- Прогнозировать возможные сбои и аварии.

- Оптимизировать производительность системы.

Схема управления КФС на основе анализа данных мониторинга включает в себя (рисунок 1.1):

- мониторинг;

- обработку и анализ данных;

- принятие решений;

- управление физическими процессами;

- интеграцию и визуализацию.

Рисунок 1.1 - Структура киберфизической системы

В данной схеме мониторинг будет находиться на первом уровне, как основа для функционирования всей системы. Он обеспечивает сбор данных о физических и вычислительных процессах в реальном времени. Компонентами мониторинга являются: датчики и сенсоры, устройства IoT для передачи данных, edge-устройства для предварительной обработки данных. Мониторинг необходим для сбора данных о состоянии системы, обнаружения аномалий и отклонений, а также для обеспечения обратной связи для вышестоящих уровней.

Второй уровень занимает обработка и анализ данных. На этом уровне данные, собранные мониторингом, обрабатываются и анализируются для извлечения полезной информации. Данный уровень включает в себя алгоритмы машинного обучения (обнаружение аномалий, прогнозирование), цифровые двойники для симуляции и анализа и базы данных и облачные платформы для хранения информации. Функциями обработки и анализа данных являются анализ данных в реальном времени, прогнозирование сбоев и оптимизация процессов и подготовка данных для принятия решений.

Принятие решений занимает третье место в данной иерархии. На основе анализа данных система принимает решения, которые влияют на управление физическими процессами. Компонентами этого уровня являются системы правил для автоматических действий, адаптивные контроллеры (PID, MPC) и алгоритмы оптимизации (генетические алгоритмы, Q-learning). Уровень принятия решений отвечает за автоматическое управление системой, коррекцию параметров для повышения эффективности и реакцию на аварийные ситуации.

На четвертом уровне располагается управление физическими процессами. На этом уровне решения, принятые выше, реализуются через управление физическими устройствами. Уровень включает в себя исполнительные устройства (двигатели, клапаны, роботы), промышленные контроллеры (PLC), а также роботизированные системы. Основными задачами управления физическими процессами являются выполнение команд, полученных от уровня принятия решений и обеспечение обратной связи через мониторинг.

И на последнем уровне находится интеграция и визуализация. Верхний уровень пирамиды отвечает за интеграцию КФС с другими системами и внешними сервисами. Компонентами интеграции и визуализации являются API для взаимодействия с облачными платформами, системы управления предприятием (ERP, MES) и внешние сервисы (погодные данные, рыночные аналитики). Данный уровень необходим для обмена данными с внешними системами, адаптации к изменениям внешней среды и обеспечения масштабируемости и гибкости системы.

1.1 Опыт управления киберфизическими системами на основе анализа данных мониторинга в Российской федерации

В России киберфизические системы активно развиваются в ключевых отраслях, включая энергетику, промышленность, сельское хозяйство и транспорт.

В области энергетики можно выделить следующие проекты, которые направлены на развитие отрасли, повышение энергоэффективности и внедрение инновационных технологий [2]:

- проект «Цифровая энергетика» является инициативой Минэнерго РФ, направленной на внедрение технологий управления энергосетями, включая интеллектуальные счётчики и датчики. В данном проекте используются отечественные платформы для анализа данных, такие как «Цифровой двойник энергетической сети» от Росатома;

- системы управления ГЭС (РусГидро), которые включают в себя применение цифровых платформ для мониторинга уровня воды, температуры и состояния оборудования в реальном времени. В результате применения произошло повышение эффективности управления до 15%.

В промышленности особого внимания заслуживают следующие проекты, которые направлены на модернизацию производственных процессов, внедрение новых технологий и повышение эффективности [3]:

- проект «Цифровые заводы» от Ростеха включающий в себя внедрение систем мониторинга оборудования, использующих российские ^^устройства и платформы анализа больших данных. Заводы используют цифровые двойники для оптимизации производства (например, «КамАЗ» и «Севмаш»);

- УГМК (Уральская горно-металлургическая компания) применяет AI-алгоритмы для анализа данных с датчиков вибрации, температуры и нагрузки на шахтное оборудование. Результат: Снижение времени простоев до 20%.

В сельском хозяйстве особого внимания заслуживают следующие проекты, которые направлены на развитие агропромышленного комплекса, внедрение современных технологий и обеспечение продовольственной безопасности [4]:

- системы точного земледелия от «Сколково». Используются дроны и сенсоры для мониторинга состояния почвы и растений. Платформы анализа данных интегрированы с отечественными системами спутникового наблюдения (ГЛОНАСС);

- проект t2 в Приморье, который включает в себя внедрение ^^систем для мониторинга параметров воды (температура и кислород) в рыбных хозяйствах.

В транспортной отрасли особого внимания заслуживают следующие проекты, которые направлены на развитие инфраструктуры, повышение безопасности, а также экологичности перевозок [5]:

- Минстроем РФ разработана программа «Умный город». Она включает мониторинг состояния дорог и управление светофорным движением с использованием российских ^^устройств. Казань и Москва внедрили автоматическое управление транспортным потоком на основе данных с датчиков и камер;

- РЖД применяет системы предиктивной аналитики для мониторинга состояния путей и поездов. Использование датчиков вибрации и температуры повышают качество диагностики рельсового полотна.

В сфере здравоохранения особого внимания заслуживают следующие проекты, которые направлены на развитие медицинской инфраструктуры,

внедрение современных технологий и повышение качества обслуживания пациентов [6]:

- проект Минздрава РФ «Цифровое здравоохранение», включающий мониторинг состояния пациентов через устройства 1оТ. Например, «КиберМед» внедряет носимые устройства для анализа сердечного ритма и давления в режиме реального времени.

- московский научно-практический центр проводит исследования на основе анализа больших данных для выявления заболеваний с использованием А1.

Таким образом, В Российской Федерации активно развиваются киберфизические системы с использованием отечественных технологий и решений. Основное внимание уделяется интеграции 1оТ, анализу больших данных и искусственному интеллекту в ключевых отраслях, включая энергетику, транспорт, промышленность и здравоохранение (рис. 1.2). Такие проекты, как «Цифровая экономика», направлены на дальнейшую цифровизацию и повышение эффективности управления КФС.

Рисунок 1.2 - Схема отраслей применения КФС в РФ

1.2 Мировой опыт управления киберфизическими системами на основе анализа данных мониторинга

Киберфизические системы позволяют не только повысить производительность труда, а также снизить издержки производства. Именно поэтому активно ведутся разработки в этой области во всем мире. Активное применение киберфизических систем, аналогично с применением их в РФ, происходит в энергетике, промышленности, сельском хозяйстве, транспортной сфере и логистике, а также в здравоохранении.

Список литературы диссертационного исследования кандидат наук Борзин Роман Юрьевич, 2025 год

Список литературы

1. Tiwari D.D., Naskar S., Sai A.S., Palleti V.R. Attack Detection Using Unsupervised Learning Algorithms in Cyber-Physical Systems // Computer Aided Chemical Engineering. 2021. Vol. 50. P 1259-1264.

2. Скоков Р.Ю. Киберфизические системы в энергетике и промышленности: состояние и перспективы применения / Р.Ю. Скоков // Промышленная политика, энергетика и цифровизация: теория и практика трансформации: материалы III Международной научно-практической конференции, Волжский, 23 ноября 2023 года. Волгоград: Волжский институт экономики, педагогики и права, 2024. С. 4-7.

3. Чмель О.В., Сагайдак Г.П. Концепция "цифровой фабрики" — современная модель производственных заводов // Актуальные проблемы социально-экономического развития общества: сборник трудов по материалам VI Национальной научно-практической конференции, Феодосия, 15 февраля 2024 года. Керчь: Керченский государственный морской технологический университет, 2024. С. 84-88.

4. Петросян Р.О., Ананичева Е.П. Цифровизация сельского хозяйства с использованием системы точного земледелия // Столыпинский вестник. 2021. Т. 3, № 5.

5. Козина А.С., Туманов М.С. Цифровая трансформация городов Российской Федерации (в контексте реализации федерального проекта «умный город» и «умные регионы») / А.С. Козина, М.С. Туманов // Социально-экономическое развитие региона: инновационные инструменты и цифровые технологии: сборник материалов XXVIII Всероссийской научно-практической конференции с международным участием, посвященной 105-летию Финансового университета, Челябинск, 25 июня 2024 года. Челябинск: Перо, 2024. С. 142-152.

6. Лазарев А.В., Калининская А.А. Цифровое здравоохранение и цифровые двойники как его составляющие (систематический обзор) / А.В. Лазарев, А.А. Калининская // Проблемы социальной гигиены, здравоохранения и истории

медицины. 2024. Т. 32, № 3. С. 318-324. DOI 10.32687/0869-866X-2024-32-3-318-324.

7. Jha A.V., Appasani B., Ghazali A.N. et al. Smart grid cyber-physical systems: communication technologies, standards and challenges // Wireless Netw. 2021. Vol. 27. P. 2595-2613. DOI: 10.1007/s11276-021-02579-1.

8. Andronie M., Lâzâroiu G., Stefânescu R. et al. Sustainable, Smart, and Sensing Technologies for Cyber-Physical Manufacturing Systems: A Systematic Literature Review // Sustainability. 2021. Vol. 13. Article 5495. 23 p. DOI: 10.3390/su13105495.

9. Et-taibi B., Abid M.R., Boumhidi I., Benhaddou D. Smart Agriculture as a Cyber Physical System: A Real-World Deployment // 2020 Fourth International Conference On Intelligent Computing in Data Sciences (ICDS), Fez, Morocco, 2020. P. 1-7. DOI: 10.1109/ICDS50568.2020.9268734.

10. Lu Y., Fang S., Chen G. et al. Cyber-Physical Integration for Future Green Seaports: Challenges, State of the Art and Future Prospects // IEEE Transactions on Industrial Cyber-Physical Systems. 2023. Vol. 1. P. 21-43. DOI: 10.1109/TICPS.2023.3283234.

11. Отчет "Киберфизические системы" [Электронный ресурс]. - Режим доступа: https://technet.spbstu.ru/article/otchet-kiberfizicheskie-sistemy

12. Oztemel E., Gursev S. Literature Review of Industry 4.0 and Related Technologies // J Intell Manuf. 2020. Vol. 31. P. 127-182.

13. Толькачев С.А. Киберфизические компоненты повышения конкурентоспособности обрабатывающих отраслей промышленности // Экономическое возрождение России. 2019. № 3. С. 127-145.

14. Ding D., Han Q.L., Wang Z., Ge X. A Survey on Model-Based Distributed Control and Filtering for Industrial Cyber-Physical Systems // IEEE Trans Industr Inform. 2019. Vol. 15. P. 2483-2499.

15. Suvarna M., Yap K.S., Yang W., Li J., Ng Y.T., Wang X. Cyber-Physical Production Systems for Data-Driven, Decentralized, and Secure Manufacturing — A Perspective // Engineering. 2021. Vol. 7. P. 1212-1223.

16. Stehel V., Bradley C., Suler P., Bilan S. Cyber-Physical System-Based RealTime Monitoring, Industrial Big Data Analytics, and Smart Factory Performance in Sustainable Manufacturing // Internet of Things. Economics, Management, and Financial Markets. 2021. Vol. 16. P. 42-51.

17. Saez M., Maturana F.P., Barton K., Tilbury D.M. Real-Time Manufacturing Machine and System Performance Monitoring Using Internet of Things // IEEE Transactions on Automation Science and Engineering. 2018. Vol. 15. P. 1-14.

18. Andronie M., Lazaroiu G., Iatagan M., Hurloiu I., Dijmarescu I. Sustainable Cyber-Physical Production Systems in Big Data-Driven Smart Urban Economy: A Systematic Literature Review // Sustainability (Switzerland). 2021. Vol. 13. 15 p.

19. Тынченко В.С., Бухтоярова Н.А. Исследование методов автоматизированной обработки диагностических данных для киберфизических производственных систем // Перспективы науки. 2019. № 12. С. 75-77.

20. Любименко Д.А., Вайсман Е.Д. Методический подход к оценке эффективности инжиниринговых проектов внедрения киберфизических систем в деятельность промышленных предприятий // Экономика. Информатика. 2021. № 48. C. 663-678.

21. Борзин Р.Ю., Кравец А.Г. Обзор проблем управления киберфизическими системами на основе анализа мониторинга внешней среды // Фундаментальные, поисковые, прикладные исследования и инновационные проекты. 2022. С. 457-461.

22. Николаев И.С., Воронов В.В., Шиляев С.А. Роль человека в Индустрии 4.0 и ее перспективы // Sciences of Europe. 2021. Т. 62. С. 49-56.

23. Исаенко Д.И., Логвинова Е.А., Никитин А.В. и др. Система сбора и отображения данных сенсоров киберфизической системы с применением дополненной реальности // Инфокоммуникационные технологии. 2022. № 2. С. 3441.

24. Xu L. Da, Duan L. Big Data for Cyber Physical Systems in Industry 4.0: A Survey // Enterp Inf Syst. 2019. Vol. 13. P. 1-22.

25. Caggiano A. Cloud-Based Manufacturing Process Monitoring for Smart Diagnosis Services // Int J Comput Integr Manuf. 2018. Vol. 31. P. 1-12.

26. Cohen S., Macek J. Cyber-Physical Process Monitoring Systems, Real-Time Big Data Analytics, and Industrial Artificial Intelligence in Sustainable Smart Manufacturing // Economics, Management, and Financial Markets. 2021. Vol. 16. P. 5567.

27. Mörth O., Emmanouilidis C., Hafner N., Schadler M. Cyber-Physical Systems for Performance Monitoring in Production Intralogistics // Comput Ind Eng. 2020. Vol. 142. 10 p.

28. Бухтояров В.В., Тынченко В.С., Бухтоярова Н.А. Анализ Диагностической Информации в Киберфизической Производственной Системе // Перспективы науки. 2019. № 12. С. 72-74.

29. Nica E., Janoskova K., Kovacova M. Smart Connected Sensors, Industrial Big Data, and Real-Time Process Monitoring in Cyber-Physical System-Based Manufacturing // Journal of Self-Governance and Management Economics. 2020. Vol. 8. P. 29-38.

30. Jiang Y., Yin S., Kaynak O. Data-Driven Monitoring and Safety Control of Industrial Cyber-Physical Systems: Basics and Beyond // IEEE Access. 2018. Vol. 6. P. 1-11.

31. Kravets A.G., Salnikova N., Dmitrenko K., Lempert M. Industrial Cyber-Physical Systems: Risks Assessment and Attacks Modeling // Studies in Systems, Decision and Control. 2020. Vol. 260. P. 197-210.

32. Semenov V.V. Method for Monitoring the State of Elements of Cyber-Physical Systems Based on Time Series Analysis // Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2022. Vol. 22. P. 1150-1158.

33. Yin S., Rodriguez-Andina J.J., Jiang Y Real-Time Monitoring and Control of Industrial Cyberphysical Systems: With Integrated Plant-Wide Monitoring and Control Framework // IEEE Industrial Electronics Magazine. 2019. Vol. 13. P. 38-47.

34. Бурлов В.Г., Грозмани Е.С., Петров С.В. и др. Индустрия 4.0. Угрозы и Требования к Процессу Управления Обеспечением Информационной

Безопасности Киберфизических Систем // Информационные технологии и системы: управление, экономика, транспорт, право. 2019. № 3. С. 126-129.

35. Полтавцева М.А. Модель активного мониторинга как основа управления безопасностью промышленных киберфизических систем // Вопросы кибербезопасности. 2021. № 2. С. 51-60.

36. Jwo J.S., Lee C.H., Lin C.S. Data Twin-Driven Cyber-Physical Factory for Smart Manufacturing // Sensors. 2022. Vol. 22. 13 p.

37. Круглова Т.Н. Интеллектуальное принятие решения в киберфизической системе диагностирования электродвигателей технологического оборудования // Вестник УГАТУ 2019. № 23. С. 97-103.

38. Башелханов И.В., Демкина Н.И., Володин С.М. и др. Обеспечение информационной безопасности в киберфизических системах в условиях Индустрии 4.0 // Сборник статей Международной научно-практической конференции «Информационная безопасность: вчера, сегодня, завтра». 2019. С. 153-160.

39. Ковалёв С.П. Алгебраические методы проектирования гетерогенных киберфизических систем // Математические методы в технологиях и технике. 2021. № 2. С. 144-147.

40. Львович Я.Е., Преображенский А.П., Преображенский Ю.П. Киберфизические системы — основные направления развития // Вестник Воронежского института высоких технологий. 2022. № 2. С. 90-92.

41. Aqueveque P., Radrigan L., Morales A.S., Willenbrinck E. Development of a Cyber-Physical System to Monitor Early Failures Detection in Vibrating Screens // IEEE Access. 2021. Vol. 9. P. 145866-145885.

42. Khan W.Z., Rehman M.H., Zangoti H.M. и др. Industrial Internet of Things: Recent Advances, Enabling Technologies and Open Challenges // Computers and Electrical Engineering. 2020. Vol. 81. 17 p.

43. Смышляева А.А., Резникова К.М., Савченко Д.В. Современные технологии в Индустрии 4.0 — киберфизические системы // Интернет-журнал «Отходы и ресурсы». 2020. Т. 7, № 3. С. 2.

44. Фрадков А.Л. Киберфизические системы: идеи и перспективы // Сборник трудов XIII Всероссийского совещания по проблемам управления ВСПУ-2019. 2019. С. 39.

45. Ощепков А.М. Кибер-физическая система как результат эволюции организаций // Актуальные вопросы современной экономики. 2019. № 6-2. С. 227234.

46. Пыркин А.А., Бобцов А.А., Ортега Р. Новые методы построения адаптивных наблюдателей для киберфизических систем // Сборник трудов XIII Всероссийского совещания по проблемам управления ВСПУ-2019. 2019. С. 14351436.

47. Сольницев Р.И., Коршунов Г.И. Об инструментарии проектирования и производства киберфизических систем // Наука и бизнес: пути развития. 2020. № 6. С. 102-107.

48. Городецкий В.И., Скобелев П.О. Цифровая платформа киберфизических систем // Сборник трудов XIII Всероссийского совещания по проблемам управления ВСПУ-2019. 2019. С. 2339-2344.

49. Clauberg R. Cyber-Physical Systems and Artificial Intelligence: Chances and Threats to Modern Economies // World Civilizations. 2020. № 3-4. P. 107-115.

50. Ватаманюк И.В., Яковлев Р.Н. Обобщенные теоретические модели киберфизических систем // Известия Юго-Западного государственного университета. 2019. № 23. С. 161-175.

51. Соколов Б.В., Захаров В.В., Назаров Д.И. Совместное оперативное планирование измерительных и вычислительных операций в киберфизических системах // Научное приборостроение. 2020. № 3. С. 49-62.

52. Новосельский Н.К., Гляделов Д.С., Рагозин А.А. Перспективы развития киберфизических систем в Российской Федерации // Актуальные проблемы авиации и космонавтики. 2021. № 2. С. 984-986.

53. Добычина А.В., Акимов С.В. Исследование протоколов передачи данных в киберфизических системах // Альманах научных работ молодых ученых Университета ИТМО. 2018. С. 45-48.

54. Кулагина И.В., Исхакова А.О., Галин Р.Р. Моделирование практик агрессии в социо-киберфизической среде // Вестник Томского государственного университета. 2019. № 52. С. 147-161.

55. Bonci A., Carbonari A., Cucchiarelli A. et al. A Cyber-Physical System Approach for Building Efficiency Monitoring // Autom Constr. 2019. Vol. 102. P. 68-85.

56. Liu G., Yang H., Fu Y et al. Cyber-Physical System-Based Real-Time Monitoring and Visualization of Greenhouse Gas Emissions of Prefabricated Construction // J Clean Prod. 2020. Vol. 246.

57. Loubet G., Takacs A., Gardner E. et al. LoRaWAN Battery-Free Wireless Sensors Network Designed for Structural Health Monitoring in the Construction Domain // Sensors (Switzerland). 2019. Vol. 19. 26 p.

58. Челышков П.Д. Распределенное моделирование строительных систем посредством киберфизической интеграции // Промышленное и гражданское строительство. 2019. № 9. С. 12-17.

59. Насонов Е.И., Макиша Е.В. Киберфизические системы в строительной отрасли // Инженерный вестник Дона. 2019. № 1. C. 87.

60. Yohanandhan R.V., Elavarasan R.M., Manoharan P., Mihet-Popa L. Cyber-Physical Power System (CPPS): A Review on Modeling, Simulation, and Analysis with Cyber Security Applications // IEEE Access. 2020. Vol. 8. P. 151019-151064

61. Li Q., Meng S., Zhang S. et al. Safety Risk Monitoring of Cyber-Physical Power Systems Based on Ensemble Learning Algorithm // IEEE Access. 2019. Vol. 7. P. 24788-24805.

62. Elsisi M., Mahmoud K., Lehtonen M., Darwish M.M.F. Reliable Industry 4.0 Based on Machine Learning and IoT for Analyzing, Monitoring, and Securing Smart Meters // Sensors (Switzerland). 2021. Vol. 21. 16 p.

63. Мокрова Н.В. Концептуальный подход к проблематике умных городов // Промышленное и гражданское строительство. 2020. № 7. С. 32-40.

64. Нашивочников Н.В., Большаков А.А., Николашин Ю.А., Лукашин А.А. Проблемные вопросы применения аналитических средств безопасности

киберфизических систем предприятий ТЭК // Вопросы кибербезопасности. 2019. № 5. С. 26-33.

65. Arafsha F., Laamarti F., El Saddik A. Cyber-Physical System Framework for Measurement and Analysis of Physical Activities // Electronics (Switzerland). 2019. Vol. 8. 17 p.

66. Chen F., Tang Y., Wang C. et al. Medical Cyber-Physical Systems: A Solution to Smart Health and the State of the Art // IEEE Trans Comput Soc Syst. 2022. Vol. 9. P 1-28.

67. Никольский Е.А., Петрунина Е.В. Киберфизическое моделирование с использованием brain-computer interface в задачах нейрореабилитационной медицины // Математические методы в технике и технологиях: сб. тр. междунар. науч. конф. 2019. С. 115-120.

68. Изотова В.Ф. Проблемы правового регулирования искусственного интеллекта киберфизических систем и робототехники // Проблемы и вызовы цифрового общества: тенденции развития правового регулирования цифровых трансформаций. 2019. С. 125-127.

69. Громаков Е.И., Зарницын А.Ю., Цавнин А.В., Леонов С.В. Киберфизическое управление сортировкой фрагментов рисунка картины // Известия Тульского государственного университета. Технические науки. 2019. № 12. С. 575-582.

70. Гордиенко В.В., Глаголев Р.В. Проблемы внедрения искусственного интеллекта цифровых технологий в современную правовую систему // Auditorium. Электронный научный журнал Курского государственного университета. 2020. № 1. C. 32-38.

71. Семенов В.В., Салахутдинова К.И., Лебедев И.С., Сухопаров М.Е. Выявление аномальных отклонений при функционировании устройств киберфизических систем // Прикладная информатика. 2019. № 14. С. 114-122.

72. Пустохина И.В., Жигалов А.М. Массовое производство на основе автономных (киберфизических) производственных систем // Система менеджмента качества: опыт и перспективы. 2020. № 9. С. 304-307.

73. Monedero Í., Barbancho J., Márquez R., Beltrán J.F. Cyber-Physical System for Environmental Monitoring Based on Deep Learning // Sensors. 2021. Vol. 21. 19 p.

74. Курбанов А.Х., Соболев А.В. Экономические аспекты создания и функционирования киберфизических производственно-логистических систем // Теория и практика экономики и предпринимательства: XVI Всероссийская с международным участием научно-практическая конференция. 2019. С. 33-35.

75. Puliafito A., Tricomi G., Zafeiropoulos A., Papavassiliou S. Smart Cities of the Future as Cyber Physical Systems: Challenges and Enabling Technologies // Sensors. 2021. Vol. 21. 25 p.

76. Koch J., Garth C., Middelkoop-Bieniusa A., Grimm C., Palensky P. Modeling and Simulation of Internet of Things Infrastructures for Cyber-Physical Energy Systems // Computer systems and network. 2024. Vol. 6. P. 44-53. DOI: 10.23939/csn2024.01.044

77. Johnphill O. et al. Self-Healing in Cyber-Physical Systems Using Machine Learning: A Critical Analysis of Theories and Tools // Future Internet. 2023. Vol 15. 42 p. DOI: 10.3390/fi15070244.

78. Soori M., Arezoo B., Dastres R. Virtual Manufacturing in Industry 4.0: A Review // Data Science and Management. 2024. Vol. 7. P. 47-63. DOI: 10.1016/j.dsm.2023.10.006.

79. Soori M., Arezoo B., Dastres R. Digital Twin for Smart Manufacturing: A Review // Sustainable Manufacturing and Service Economics. 2023. Vol. 2. 15 p. DOI: 10.1016/j.smse.2023.100017.

80. Malka L., Bidaj F., Kuriqi A. et al. Energy System Analysis with a Focus on Future Energy Demand Projections: The Case of Norway // Energy. 2023. Vol. 272. 28 p. DOI: 10.1016/j.energy.2023.127107.

81. Ntentos E., Amiri A., Warnett S., Zdun U. Decision-Making Support for Data Integration in Cyber-Physical-System Architectures // Lecture Notes in Computer Science. 2023. P. 137-152. DOI: 10.1007/978-3-031-48421-6 10.

82. Lampropoulos G., Siakas K. Enhancing and Securing Cyber-Physical Systems and Industry 4.0 through Digital Twins: A Critical Review // Journal of Software: Evolution and Process. 2023. Vol. 35, No. 7. 12 p. DOI: 10.1002/smr.2494.

83. Abidi M.H., Alkhalefah H., Moiduddin K., Al-Ahmari A. Novel Improved Chaotic Elephant Herding Optimization Algorithm-Based Optimal Defense Resource Allocation in Cyber-Physical Systems // Soft Computing. 2023. Vol. 27, No. 6. P. 1-16. DOI: 10.1007/s00500-022-07455-4.

84. He R., Liang H., Wu J. et al. Reliability Assessment of Cyber-Physical Distribution System Using Multi-Dimensional Information Network Model // IEEE Transactions on Smart Grid. 2023. Vol. 14, No. 6. P. 4683-4692. DOI: 10.1109/TSG.2023.3246955.

85. Masudin I., Tsamarah N., Restuputri D.P. et al. The Impact of Safety Climate on Human-Technology Interaction and Sustainable Development: Evidence from Indonesian Oil and Gas Industry // Journal of Cleaner Production. 2024. Vol. 434. 20 p. DOI: 10.1016/j.jclepro.2023.140211.

86. Ren M., Zheng P. Towards Smart Product-Service Systems 2.0: A Retrospect and Prospect // Advanced Engineering Informatics. 2024. Vol. 61. DOI: 10.1016/j.aei.2024.102466.

87. Maddikunta P.K.R. et al. Industry 5.0: A Survey on Enabling Technologies and Potential Applications // Journal of Industrial Information Integration. 2022. Vol. 26. 31 p. DOI: 10.1016/j.jii.2021.100257.

88. da Silva J.P.D., Alexandre O., Markus K. et al. Application of Embedded Digital Twin to Increase the Fault-Tolerance of Electric Subsea Valve Actuators // Offshore Technology Conference Brasil (OTCB). 2023. DOI: 10.4043/32685-MS.

89. Ruttle Z.A., Liu C.-C., Jin M. et al. Simulation and Analysis of Cyber Attacks on Power and Energy Systems // Proceedings - 2024 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT). 2024. P. 1-6. DOI: 10.1109/ISGT59692.2024.10454166

90. Geihs K. User Intervention in Disaster Management Systems for Resilient Smart Cities // Proceedings - 2023 IEEE 8th International Conference on Information

and Communication Technologies for Disaster Management (ICT-DM 2023). 2023. P. 1-7. DOI: 10.1109/ICT-DM58371.2023.10286939.

91. Bumanis N., Kviesis A., Tjukova A. et al. Smart Poultry Management Platform with Egg Production Forecast Capabilities // Procedía Computer Science. 2022. Vol. 217. P. 339-347. DOI: 10.1016/j.procs.2022.12.229.

92. Bibri S.E. The IoT for Smart Sustainable Cities of the Future: An Analytical Framework for Sensor-Based Big Data Applications for Environmental Sustainability // Sustainable Cities and Society. 2018. Vol. 38. P. 230-253. DOI: 10.1016/j.scs.2017.12.034.

93. Farooq M.S. et al. A Survey on the Role of Industrial IoT in Manufacturing for Implementation of Smart Industry // Sensors. 2023. Vol. 23. 38 p. DOI: 10.3390/s23218958.

94. Pooyandeh M., Sohn I. Smart Lithium-Ion Battery Monitoring in Electric Vehicles: An AI-Empowered Digital Twin Approach // Mathematics. 2023. Vol. 11, No. 23. 37 p. DOI: 10.3390/math11234865.

95. Yin Y., Zheng P., Li C., Wang L. A State-of-the-Art Survey on Augmented Reality-Assisted Digital Twin for Futuristic Human-Centric Industry Transformation // Robotics and Computer-Integrated Manufacturing. 2023. Vol. 81. P. 1-21. DOI: 10.1016/j.rcim.2022.102515.

96. Soori M., Arezoo B., Dastres R. Internet of Things for Smart Factories in Industry 4.0: A Review // Internet of Things and Cyber-Physical Systems. 2023. Vol. 3. P. 192-204. DOI: 10.1016/j.iotcps.2023.04.006.

97. Кишуева И.А. Цифровой суверенитет и цифровая дезинтеграция России / И.А. Кишуева // Вопросы политологии. 2022. Т. 12, № 9(85). С. 30033013. DOI 10.35775/PSI.2022.85.9.016.

98. Peter G., Stonier A.A., Gupta P. et al. Smart Fault Monitoring and Normalizing of a Power Distribution System Using IoT // Energies. 2022. Vol. 15, No. 21. P. 8206. DOI 10.3390/en15218206.

99. Gowda V.H.K.M. A peer-to-peer air quality monitoring system using IoT sensors and cloud platforms / V.H.K.M. Gowda // TMP Universal Journal of Research and Review Archives. 2022. Vol. 1, No. 2. P. 49-57. DOI 10.69557/ujrra.v1i2.110.

100. Hu J., Zhang B. Application Research of Automatic Garbage Sorting Based on TensorFlow and OpenCV // Journal of Physics: Conference Series. 2021. Vol. 1883, No. 1. 5 p.. DOI 10.1088/1742-6596/1883/1/012169.

101. Akgun D. PyTorch Operations Based Approach for Computing Local Binary Patterns // U.Porto Journal of Engineering. 2021. Vol. 7, No. 4. P. 61-69. DOI 10.24840/2183-6493_007.004_0005.

102. Нестеренков С.Н., Басак Д.В., Куц В.В. Применение Apache Spark для обработки больших данных в мобильных системах // BIG DATA и анализ высокого уровня: сборник научных статей IX международной научно-практической конференции, Минск, 17-18 мая 2023 г. Минск: Белорусский государственный университет информатики и радиоэлектроники, 2023. С. 379381.

103. Luo J. Design of automatic control system for pickling line based on Siemens PLC // ITAIC 2020 - IEEE 9th Joint International Information Technology and Artificial Intelligence Conference, Chongqing, 11 -13 декабря 2020 г. Chongqing, 2020. P. 327-330. DOI 10.1109/ITAIC49862.2020.9338922.

104. Чернобровцев А. Интернет вещей в центрах обработки данных // Журнал сетевых решений LAN. 2018. № 3. С. 20.

105. Panwar A., Bhatnagar V., Khari M. et al. A Blockchain Framework to Secure Personal Health Record (PHR) in IBM Cloud-Based Data Lake // Computational Intelligence and Neuroscience. 2022. Vol. 2022. 19 p. DOI 10.1155/2022/3045107.

106. Ахметьянова Р.А. Возможности Big Data в исследовании самозанятости (на примере сбераналитики) // Качество занятости наемных работников и самозанятых в России: материалы Всероссийской научно-практической конференции, Уфа, 14 декабря 2022 года. Москва: Федеральный научно-исследовательский социологический центр Российской академии наук, 2023. С. 25-28.

107. Fazal Kh., Syed A.M. Blockchain Authentication Mechanism for Securing Internet of Things // Pakistan Journal of Engineering and Technology. 2020. Vol. 3, No. 2. P. 51-58. DOI 10.51846/vol3 iss2pp51 -58.

108. Koval T.R., Smyrnov D.S. Ensuring cybersecurity of enterprise information system endpoints based on Microsoft Defender Advanced Threat Protection // Modern Information Security. 2021. Vol. 47, No. 3. P. 36-41 DOI 10.31673/24097292.2021.033641.

109. Krstic M.S., Krstic L.J. Hyperledger frameworks with a special focus On Hyperledger Fabric // Military Technical Courier. 2020. Vol. 68, No. 3. P. 639-663. DOI 10.5937/vojtehg68-26206.

110. Елецкий Е.Н. Обеспечение информационной безопасности смарт-контрактов в сети // Скиф. Вопросы студенческой науки. 2021. № 9(61). С. 81-85.

111. Panda S.K. et al. Distributed ledger technology in the construction industry using Corda // The New Advanced Society: Artificial Intelligence and Industrial Internet of Things Paradigm. 2022. P. 15-41.

112. Burdges J. et al. Overview of Polkadot and its design considerations // SETSCI Conference Proceedings. 2025. Vol. 23, P. 67-74,

113. Копытов Д.В., Климов К.В. Использование Robot Operating System (ROS) при создании робототехнических систем // Тезисы докладов Второй молодёжной конференции "Инновационная деятельность в науке и технике. Электромеханика, автоматика и робототехника", Истра, 26 апреля 2018 года. Истра: Научно-исследовательский институт электромеханики, 2018. С. 57-60.

114. Xue H., Hein B., Bakr M. et al. Using Deep Reinforcement Learning with Automatic Curriculum Learning for Mapless Navigation in Intralogistics // Applied Sciences (Switzerland). 2022. Vol. 12, No. 6. 30 p. DOI 10.3390/app12063153.

115. Засыпкин Д.С., Белов Ю.С. Обзор алгоритмов распознавания лица человека в библиотеке OpenCV // E-Scio. 2021. № 7(58). С. 80-89.

116. Zhu K., Zhang T. Deep reinforcement learning based mobile robot navigation: A review // Tsinghua Science and Technology. 2021. Т. 26. № 5. P. 674-691.

117. Ahsan Md., Mahmud M., Saha P. et al. Effect of Data Scaling Methods on Machine Learning Algorithms and Model Performance // Technologies. 2021. Vol. 9, No. 3. P. 52. DOI 10.3390/technologies9030052.

118. Yu Y., Si X., Hu C., Zhang J. A review of recurrent neural networks: Lstm cells and network architectures // Neural Computation. 2019. Vol. 31, No. 7. P. 12351270. DOI 10.1162/neco_a_01199.

119. Генов А. А., Русаков К. Д., Хиль С. Ш. Методика решения задачи антиспуфинга по ограниченному количеству фотографий // Программные продукты и системы, 2020. № 1. С. 54-60.

120. Апарнев А.Н., Бартеньев О.В. Анализ функций потерь при обучении сверточных нейронных сетей с оптимизатором Adam для классификации изображений // Вестник Московского энергетического института. Вестник МЭИ. 2020. № 2. С. 90-105. DOI 10.24160/1993-6982-2020-2-90-105.

121. Khullar S., Singh N. Water quality assessment of a river using deep learning Bi-LSTM methodology: forecasting and validation // Environmental Science and Pollution Research. 2022. Vol. 29, No. 9. P. 12875-12889. DOI 10.1007/s11356-021-13875-w.

122. Каширина И.Л., Демченко М.В. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2018. № 4. С. 123-132

123. Kravets, A.G., Borzin, R.Y., Rogozhnikov, E.D. Industrial Cyber-Physical Systems: Control Problems and Solutions. A Bibliometric Analysis Approach // Cyber-Physical Systems. Data Science, Modelling and Software Optimization / eds.: A.G. Kravets, A.A. Bolshakov. Cham (Switzerland): Springer Nature Switzerland AG, 2024. P. 3-40. DOI: https://doi.org/10.1007/978-3-031-67685-7_1.

124. Kostin V.E., Silaev A.A., Kravets, A.G., Borzin, R.Y Cyber-Physical Systems in Pond Aquaculture // 2024 International Russian Smart Industry Conference (SmartIndustryCon), Sochi, 25-29 March 2024: Proceedings. IEEE, 2024. P. 114-120. DOI: 10.1109/SmartIndustryCon61328.2024.10515802.

125. Борзин Р.Ю., Кравец А.Г. Киберфизический подход к реинжинирингу процесса мониторинга прудовой аквакультуры // Инновационные, информационные и коммуникационные технологии (ИНФО-2024): сб. тр. XXI Междунар. науч.-практ. конф., Сочи, 1-10 октября 2024 г. Москва, 2024. С. 194196.

126. Свидетельство о гос. регистрации программы для ЭВМ № 2024617038 от 27 марта 2024 г. Российская Федерация. Система мониторинга и анализа состояния воды на прудовом хозяйстве / Р.Ю. Борзин, А.Г. Кравец; ФГБОУ ВО ВолгГТУ 2024.

127. Борзин Р.Ю., Кравец А.Г. Управление киберфизическими системами на основе анализа данных мониторинга: отрасли применения, проблемы и методы их решения // Прикаспийский журнал: управление и высокие технологии. 2024. № 1(65). С. 62-77.

128. Борзин Р.Ю. Управление кормлением рыбы при помощи киберфизической системы анализа мониторинга // XX Всероссийская ежегодная молодежная научная конференция с международным участием «Наука Юга России: достижения и перспективы», Ростов-на-Дону, 15-26 апреля 2024 г.: тез. докл. / редкол.: Г.Г. Матишов (гл. ред.), С.В. Бердников (отв. ред.) и др. Ростов-на-Дону, 2024. С. 273.

129. Kostin V.E., Sokolova N.A., Kochetkov V.G., Yudaev I.V., Silaev A.A. Borzin R.Y Digitization of Feeding Processes in Pond Aquaculture Using a Cyber-Physical System for Analyzing Monitoring Data and Transmitting Information Using LoRaWAN Technology // Intelligent Computing and Optimization: Proceedings of the 6th International Conference on Intelligent Computing and Optimization 2023 (ICO2023), Hua Hin, Thailand, April 27-28, 2023. Cham (Switzerland): Springer Nature Switzerland AG, 2023. Vol. 1. P. 17-26. DOI: https://doi.org/10.1007/978-3-031-36246-0_2.

130. Борзин Р.Ю., Рогожников Е.Д., Кравец А.Г. Разработка концептуальной модели системы сбора и анализа данных для киберфизической системы //

Математические методы в технологиях и технике. 2023. № 9. С. 106-109. DOI: 10.52348/2712-8873_MMTT_2023_9_106.

131. Борзин Р.Ю. Разработка моделей и методов управления киберфизическими системами на основе анализа данных мониторинга // Новые информационные технологии и системы (НИТиС-2023): сб. науч. ст. по материалам XX Междунар. науч.-техн. конф., Пенза, 16-17 ноября 2023 г. Пенза, 2023.С. 144-146.

132. Костин В.Е., Хлобжева И.Н., Соколова Н.А. и др. Разработка и возможности применения робототехнического устройства для мониторинга экологической обстановки на водных объектах // АгроЭкоИнфо: электронный научно-производственный журнал. 2022. № 6. 12 с. URL: http ://agroecoinfo .ru/STATYI/2022/6/st_624.pdf. DOI: https://doi.org/10.51419/202126624.

133. Борзин Р.Ю., Силаев А.А. Реализация беспроводной передачи данных с помощью технологии LoRaWAN // Промышленные АСУ и контроллеры. 2022. № 2. С. 20-24. DOI: 10.25791/asu.2.2022.1346.

Приложение 1. Свидетельство о регистрации программы для ЭВМ

Приложение 2. Акт внедрения (использования) результатов исследования

АКТ

о внедрении (использовании) результатов диссертационной работы

Борзина Романа Юрьевича

Результаты научной работы Борзина Р.Ю., полученные в рамках диссертационного исследования на соискание ученой степени кандидата технических наук, используются в ООО «Прибой»

Разработанные алгоритмы и методы использованы для реализации прототипа киберфизической системы управления прудовым хозяйством на основе анализа данных мониторинга.

Научно-техническая и практическая ценность полученных результатов, достигнутые технико-экономические показатели, степень новизны и оригинальность разработки — высокие. Полученные результаты готовы для практического использования.

Использование указанных результатов позволило снизить временные затраты на анализ параметров системы на 96%, регулировать параметры среды, снизить вероятность критических состояний системы на 84%, а также сократить потребление ресурсов на 8%.

Директор ООО «Прибой» /¿о/6чуЛш^^У