Использование методик регуляризации для повышения стабильности прогнозов в условиях шумных данных в промышленной автоматизации

Устройства и системы передачи, приема и обработки сигналов
Авторы:
Лудищев Я.В.
Аннотация:

В статье рассматриваются современные подходы к применению методов регуляризации — гребневого (Ridge) и лассо (LASSO) — в задачах прогнозирования параметров технологических процессов в условиях промышленной автоматизации. Особое внимание уделяется решению проблем, связанных с высокой размерностью признакового пространства и наличием шумов в исходных данных, характерных для производственной среды. Представлены теоретические основы указанных методов, их особенности и механизмы, позволяющие снижать переобучение моделей и обеспечивать их устойчивость при варьирующихся входных данных. Проведено экспериментальное сравнение эффективности регрессионных моделей с регуляризацией на основе реальных производственных выборок, включая временные ряды с пропущенными и искаженными значениями. Полученные результаты демонстрируют повышение точности прогнозов, устойчивости моделей и, как следствие, надежности работы автоматизированных систем мониторинга и управления. Эти методы помогают справляться с шумом в данных, избегать переобучения и выделять ключевые параметры, что особенно важно в условиях ограниченных вычислительных ресурсов и сложных производственных систем.

Ключевые слова:
регуляризацияпромышленная автоматизациягребневый метод регуляризацииLASSOалгоритмы оптимизациирегрессионные модели
  • Список литературы

    1. Kolmogorova S.S., Golubyatnikova N.O. On the application of big data structure regularization in a distributed evaluation system for emergency parameters. The Bulletin of Voronezh State Technical University, 2022, Vol. 18, No. 5, Pp. 91–99. DOI: 10.36622/VSTU.2022.18.5.012

    2. Kostychev V.I., Fedin V.D. The using of L2 regularization to improve the accuracy of data forecasting in industrial factories. Chelovek, obshchestvo, tekhnologii: aktual'nye voprosy vzaimodeistviia: sbornik statei IV Mezhdunarodnoi nauchno-prakticheskoi konferentsii [Man, society, technology: current issues of interaction: Proceedings of the IV International scientific and practical conference], 2024. Pp. 82–88.

    3. Tazhikova G.D., Alimova A.A., Kuanyshbaeva L.D. Algoritmy obucheniia pri rabote s zadannymi naborami dannykh [Training algorithms for working with given data sets]. Proceedings of the 15th International Scientific and Practical Conference “Scientific Horizon in the Context of Social Crises”, 2024, Vol. 198, Pp. 128–132.

    4. Nazarenko I.V., Nikolaichuk N.Ya., Kozovik N.I. Modelirovanie rezhimov raboty gazoperekachivaiushchikh agregatov na osnovanii metoda gruppovogo ucheta argumentov [Modeling of operating modes of gas pumping units based on the method of group accounting of arguments], Young Scientist, 2014, Vol. 66, No. 7, Pp. 162–171.

    5. Melkumova L.E., Shatskikh S.Ya. Comparing Ridge and LASSO estimators for data analysis. Pro-cedia Engineering, 2017, Vol. 201, Pp. 746–755. DOI: 10.1016/j.proeng.2017.09.615

    6. Alekseev A.P., Efremov V.A. Tsifrovoi dvoinik v kiberfizicheskikh sistemakh: analiticheskie prediktivnye prilozheniia [Digital twin in cyber-physical systems: analytical predictive applications.]. Tekhnologicheskaia perspektiva v ramkakh evraziiskogo prostranstva: novye rynki i tochki ekonomicheskogo rosta [Technological perspectives within the Eurasian space: new markets and points of economic growth], 2019, Pp. 171–178.

    7. Potekhin V.V., Liadskii D.D., Bolotov S.V. Ispol'zovanie metodov mashinnogo obucheniia dlia prediktivnogo analiza pri ekspluatatsii proizvodstvennykh system [Using Machine Learning Methods for Predictive Analysis in the Operation of Production Systems]. Voprosy sistemnogo tekhnologicheskogo perekhoda [Issues of systemic technological transition], 2023, Pp. 90–100.

    8. Gordievskaya K.Y., Khalimov D.N., Gorbenko O.N., Rozhkova A.A. The analysis of methods for forecasting the state of technical equipment. Modeling, Optimization and Information Technology, 2014, Vol. 2, No. 4.

    9. Mikhailov S.A., Petrova E.V. Regularization in Machine Learning: Application in Industrial Automation. Management systems and information technologies, 2021, No 2, Pp. 45–53.

    10. Ibragimov B.L., Gusev G.G. Optimizing stochastic gradient boosting with out-of-sample evaluation metrics. Proceedings of MIPT, 2024, Vol. 16, No. 3, Pp. 49–56.

    11. Voronina V.V., Mikheev A.V., Iarushkina N.G., Sviatov K.V. Teoriia i praktika mashinnogo obucheniia [Theory and practice of machine learning]. Ulyanovsk: UlGTU, 2017.

    12. Nguyen T.V., Kravets A.G. Forecasting technological trends based on the heterogeneous data analy-sis. Software and Systems, 2022, Vol. 35, No. 3, Pp. 396–412. DOI: 10.15827/0236-235X.139.396-412

    13. Vrabie I., Spesivtsev P., Kaipov E., Syresin D., Lomukhin A., Romashkin S., Kulyatin O. Digital Twin for Downhole Pressure Gauges: Model and Field Case Study. SPE Russian Petroleum Technology Conference, 2020. DOI: 10.2118/201926-MS

    14. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. NY: Springer, 2009. DOI: 10.1007/978-0-387-84858-7

    15. Novikov A.A., Budzinskaya E.O., Kaneva O.N. Analysis of time series forecasting methods. Informatsionnyi biulleten' Omskogo nauchno-obrazovatel'nogo tsentra OmGTU i IM SO RAN v oblasti matematiki i informatiki [Information bulletin of the Omsk Scientific and Educational Center of OmskSTU and the Institute of Mathematics of the Siberian Branch of the Russian Academy of Sciences in the field of mathematics and computer science], 2020, Pp. 37–43.

    16. Sabitov B.R., Almasbekova Z., Karagulov Sh.K. The use of machine learning in applied tasks. Bulletin of the Kyrgyz National University named after J. Balasagyn, 2019, No. S1, Pp. 154–157.

    17. Deulin N.V. Regularization in machine learning: Control over retraining. Science and technologies – 2025, 2025, Pp. 83–92.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Предыдущая статьяСледующая статья