В работе рассматривается использование известной модели «Дом качества» (House of Quality – HoQ) как шаблона для структурного моделирования каскадных отказов, возникающих во взаимодействующих сетях. Использование HoQ делает возможным моделировать не только внезапные, но и постепенные отказы в системе сетей. Отличительной особенностью модели HoQ является то, что её использование позволяет не только формализовать процедуру построения каскада отказов, но и выделить динамически возникающие и исчезающие контуры, в состав которых могут входить компоненты как одной и той же, так и разных сетей.

В статье рассматривается работа манипуляционных роботизированных комплексов для наиболее популярных задач в индустрии. В статье приводится реализация классических методов захвата объектов с использованием CAD-модели объекта, отмечены их преимущества и недостатки. В качестве нового решения предложено использовать систему, основанную на применении нейросети архитектуры Action Chunking with Transformers (ACT). Статья детализирует применение нейросетей архитектуры ACT, алгоритм обучения нейросетей и их запуска в рамках технологических операций реальных производств. В работе приводится описание аппаратной части системы, в состав которой входит Коллаборативный манипулятор ARM95, камера глубины RealSense Depth Camera D405 и трекер положения HTC VIVE. В качестве экспериментальной части работы были рассмотрены следующие технологические операции: захват объекта “коробка”, захват объекта “карандаш”, покраска детали и шлифовка поверхности. Разработанная система показывает, что современные технологии, в том числе методов машинного обучения, помогают решать сложные технологические операции с высоким уровнем производительности.

В статье исследуется применение ансамблевых методов машинного обучения для диагностики и прогнозирования состояний технических и технологических объектов в условиях зашумленных данных, нелинейных зависимостей и высокой размерности признакового пространства. Актуальность работы обусловлена необходимостью повышения надежности промышленных систем за счет минимизации аварийных рисков и оптимизации эксплуатационных процессов. Традиционные подходы демонстрируют недостаточную точность в сложных сценариях, что мотивирует использование ансамблевых технологий, объединяющих прогнозы множества моделей для достижения устойчивых результатов. Основное внимание уделено методам Бэггинг, Бустинг и Стекинг, их математическому обоснованию и практической реализации. Проведен эксперимент с ансамблем на основе сверточных нейронных сетей (CNN) для классификации дефектов микроструктуры металла. Результаты показали рост точности прогнозирования при увеличении числа классов по сравнению с одиночной моделью, что подтверждает эффективность ансамблей в снижении дисперсии ошибок и коррекции смещения моделей. Предложенный подход демонстрирует потенциал для внедрения в промышленные системы, повышая надежность диагностики и безопасность эксплуатации сложных технических систем.