Аннотация. В статье рассматриваются причины, последствия и стратегии предотвращения отказов авиационных двигателей. В ней приводится всеобъемлющая классификация распространенных неисправностей двигателя, рассматриваются механический износ, тепловые нагрузки и эксплуатационные факторы, способствующие возникновению отказов. Подробный анализ статистических данных по количеству отказов двигателей позволяет выявить критические тенденции и факторы риска, влияющие на производительность и надежность двигателя. Кроме того, в исследовании рассматриваются различные методы диагностики, призванные выявлять потенциальные неисправности на ранних стадиях, снижая вероятность неожиданных поломок. Современная авиация в значительной степени опирается на передовые стратегии технического обслуживания и новейшие технологические решения для повышения долговечности и эффективности двигателей. В статье рассматриваются подходы к профилактическому обслуживанию, включая предиктивную аналитику, мониторинг состояния и диагностику в реальном времени, которые играют решающую роль в минимизации отказов. Кроме того, рассматривается роль искусственного интеллекта и машинного обучения в обнаружении неисправностей и предиктивном обслуживании как перспективного направления повышения надежности авиационных двигателей. Полученные данные свидетельствуют о том, что большинство неисправностей двигателя связано с механической деградацией, чрезмерными тепловыми нагрузками и человеческими ошибками при эксплуатации и обслуживании. Проведение регулярных проверок, использование современных средств диагностики и интеграция современных инженерных решений могут значительно повысить безопасность и долговечность двигателя. Исследование подчеркивает необходимость постоянного мониторинга, своевременного принятия профилактических мер и внедрения инновационных методов технического обслуживания для повышения безопасности полетов и эффективности эксплуатации.
Ключевые слова: авиационные двигатели, анализ неисправностей, техническое обслуживание самолетов, проверка турбин, неразрушающий контроль, тепловые напряжения, механический износ, предиктивное обслуживание, диагностика двигателей.
Аннотация. В современных условиях беспилотные летательные аппараты (БПЛА) находят широкое применение в таких сферах, как логистика, сельское хозяйство, мониторинг окружающей среды и экстренные службы. Однако их работа существенно зависит от погодных условий, включая скорость ветра, температуру, осадки и атмосферное давление. Непредсказуемость метеорологических факторов создает значительные риски для безопасности и эффективности полетов.
В данной работе предлагается интеллектуальная система прогнозирования погодных условий для планирования полетов БПЛА, основанная на технологиях больших данных и машинного обучения. В рамках исследования рассматриваются современные методы обработки метеорологических данных, включая использование спутниковых снимков, IoT-датчиков и исторических записей. Для прогнозирования ключевых погодных параметров применяются алгоритмы глубокого обучения, такие как Long Short-Term Memory (LSTM) и Convolutional Neural Networks (CNN).
Разработанная система позволяет достигать точности прогнозов до 92%, что способствует сокращению времени планирования полетов на 30% и повышению общей безопасности операций. Интеграция технологии машинного обучения в систему прогнозирования погоды для БПЛА обеспечивает адаптивность и возможность оперативного реагирования на изменения климатических условий. Полученные результаты подчеркивают важность применения технологий искусственного интеллекта и аналитики больших данных в авиации. Работа также предлагает направления для дальнейших исследований, включая учет дополнительных факторов окружающей среды, таких как качество воздуха и солнечная радиация, а также возможную интеграцию с автономными системами управления полетами.
Ключевые слова: большие данные, машинное обучение, прогнозирование погоды, БПЛА, планирование полетов, безопасность полетов, предиктивное моделирование.
Аннотация. Беспилотные летательные аппараты (БПЛА) стали ключевыми инструментами для решения региональных проблем в Казахстане, стране, характеризующейся огромным географическим разнообразием, экстремальными климатическими условиями и инфраструктурными требованиями в отдаленных районах. Однако развертывание БПЛА в уникальных операционных условиях Казахстана, отмеченных экстремальными температурами (-40 °C до +45 °C), непредсказуемыми порывами ветра (15–20 м/с в Алматинской и Костанайской областях) и частым ухудшением сигнала GPS в горной местности, создает значительные технические и логистические проблемы. Физическое тестирование алгоритмов управления БПЛА в этих условиях не только непомерно дорого, но и ограничено правилами безопасности, непредсказуемостью окружающей среды и огромным масштабом операционных зон. Для устранения этих барьеров в данной статье предлагается разработка казахстанской платформы моделирования БПЛА, предназначенной для имитации экологических и операционных реалий страны с высокой точностью. Платформа, созданная на основе операционной системы робота (ROS Noetic) и Gazebo 11, объединяет три новых компонента: (1) физическая динамика БПЛА, откалиброванная с использованием полевых данных, полученных от казахстанских сельскохозяйственных и спасательных БПЛА, включая массу (1,5 кг), тензор инерции и профили тяги ротора; (2) синтетические модели датчиков (LiDAR, IMU, RGB-камеры) с профилями шума, адаптированными к региональным условиям, таким как погрешности дальности LiDAR, вызванные пылью (±0,15 м) и дрейф IMU в зависимости от температуры (0,2°/час при +40°C); и (3) модели возмущений окружающей среды, полученные из метеорологических наборов данных, предоставленных Казгидрометом, национальным метеорологическим агентством Казахстана, включая динамику степного ветра (порывы до 18 м/с) и вероятностную потерю сигнала GPS (коэффициенты потери 25–35% в горах Тянь-Шаня). Модульная архитектура платформы поддерживает тестирование алгоритмов адаптивного управления, включая Model Predictive Control (MPC) для подавления возмущений ветра, стратегии координации роя для поисково-спасательных миссий и системы отказоустойчивости на основе обучения с подкреплением (RL), в сценариях, отражающих реальные проблемы Казахстана. Практические примеры демонстрируют его эффективность: в моделируемых сценариях сильного ветра (порывы 18 м/с) децентрализованный алгоритм координации роя достиг 88% успеха миссии по поддержанию формации над горами Тянь-Шаня, в то время как адаптивный ПИД-регулятор уменьшил ошибки отслеживания траектории на 35% в условиях дрейфа датчика +40 °C. Перекрестная проверка с полевыми данными с БПЛА DJI Matrice 300, развернутого в Туркестанском регионе, подтвердила 94% корреляцию между моделируемой и реальной траекторией RMSE (0,12 м против 0,15 м), при этом прогнозы потребления энергии отклонялись менее чем на 3% от наблюдаемых значений.
Ключевые слова: Моделирование БПЛА, интеграция Gazebo-ROS, алгоритмы адаптивного управления, моделирование окружающей среды Казахстана, роевая робототехника, эмуляция датчиков, цифровые двойники.
Аннотация: Прoведен сравнительный анализ методов неразрушающего контроля для конструкции. В данной статье рассматривается применение методов неразрушающего контроля (НК) для оценки структурной целостности компонентов летательных аппаратов, изготовленных из композиционных материалов на основе полимеров. Композитные материалы широко используются в авиации благодаря высокому соотношению прочности и веса, коррозионной стойкости и долговечности. Однако эти материалы подвержены различным дефектам, вызванным производственными процессами, эксплуатационными нагрузками и факторами окружающей среды, такими как перепады температуры и влажности. Традиционные методы неразрушающего контроля, включая ультразвуковой, радиографический, оптико-визуальный, капиллярный и тепловой, имеют свои преимущества и ограничения. Ультразвуковой контроль, например, не обеспечивает всестороннего объемного анализа, а радиографические методы требуют сложных мер безопасности. Оптико-визуальные методы не позволяют обнаружить внутренние дефекты, а капиллярные методы страдают от низкой производительности. Для решения этих проблем в исследовании предлагается усовершенствовать существующие методы диагностики, разработать новые автоматизированные модели и оптимизировать параметрические показатели. В исследовании также рассматривается интегрированная система «человек-машина-среда» для повышения надежности обнаружения и оценки дефектов. Развитие технологий неразрушающего контроля позволит не только повысить точность и эффективность проверок воздушных судов, но и улучшить безопасность, продлить срок службы и снизить затраты на обслуживание. Результаты данного исследования способствуют разработке современных диагностических комплексов, обеспечивающих повышение эксплуатационной надежности авиационных конструкций.
Ключевые слова: композитные материалы, дефект, методы неразрушающего контроля, нагруженные части, диагностические модели, динамическая корреляция.
Аннотация. Проблема задержек рейсов является одной из ключевых в сфере воздушных перевозок Казахстана, оказывая значительное влияние на пассажирский сервис, операционные процессы авиакомпаний и экономику аэропортов. Учитывая рост пассажиропотока и активное развитие авиарынка, выявление и устранение причин задержек становится важной задачей для повышения конкурентоспособности отрасли. Предметом исследования являются причины задержек рейсов и их влияние на эффективность работы авиакомпаний и аэропортов Казахстана. В ходе исследования были решены такие задачи как анализ текущего состояния пунктуальности рейсов в Казахстане, выявление основных факторов, влияющих на задержки, оценка экономических и социальных последствий нарушений графика полетов, разработка рекомендаций по снижению задержек и повышению пунктуальности.
Целью исследования было изучение причин задержек рейсов на рынке воздушных перевозок Казахстана и разработка эффективных мер по их минимизации. В работе использованы методы статистического анализа, экспертных опросов, анализа нормативных документов, а также сравнительный анализ показателей пунктуальности ведущих авиаперевозчиков. Основными результатами исследования стало определение ключевых причин задержек рейсов, включая погодные условия, технические неисправности, загруженность аэропортов и организационные факторы, анализ статистики задержек рейсов крупнейших авиакомпаний Казахстана, разработка предложений по оптимизации процессов планирования и управления воздушными перевозками. В результате исследования предложены меры по сокращению задержек рейсов, включая улучшение системы оперативного планирования, внедрение цифровых технологий для прогнозирования задержек, модернизацию аэропортовой инфраструктуры и совершенствование нормативной базы. Реализация данных рекомендаций позволит повысить пунктуальность авиаперевозок и улучшить качество обслуживания пассажиров в Казахстане.
Ключевые слова: задержка рейсов, авиатранспортный рынок, регулярность полетов, аэропорты, авиакомпании, качество обслуживания, безопасность полетов.
Аннотация. В современных условиях, несмотря на развитие технологий, компании продолжают сталкиваться с проблемами оптимизации грузоперевозок. Одним из решений является внедрение автоматизированных систем управления логистикой, однако этот процесс сопряжен с рядом вызовов, включая киберугрозы, рыночные риски и необходимость значительных финансовых вложений.
Авиагрузоперевозки остаются одним из наиболее востребованных способов транспортировки, обеспечивая быструю и эффективную доставку на международном уровне. Казахстан, обладая стратегически выгодным географическим положением, имеет высокий транзитный потенциал. Одним из перспективных направлений является развитие аэропорта Алматы как международного грузового хаба, что позволит увеличить грузопоток и укрепить позиции страны в глобальной торговле. Однако высокая стоимость аэропортовых услуг может стать сдерживающим фактором, что требует пересмотра тарифной политики и увеличения доходов за счет неавиационной деятельности.
Модернизация инфраструктуры аэропорта, внедрение инновационных технологий и цифровых решений, таких как SAP Transportation Management, позволят повысить точность и эффективность логистических процессов. Это не только улучшит уровень сервиса, но и усилит конкурентные позиции Казахстана в сфере грузовых авиаперевозок, способствуя устойчивому экономическому развитию и интеграции в мировую транспортную систему.
Ключевые слова: грузовые перевозки, авиацимпания, повышение эффективности, SAP Transportation Management, аэропорт, маркетинг.
Аннотация. В этом исследовании рассматривается использование архитектуры гибридной нейронной сети, сочетающей сверточные нейронные сети (CNN) и долговременную память (LSTM), для эффективной сортировки пластиковых контейнеров. Исследование было сосредоточено на классификации пластиковых отходов на основе химического состава и уровня загрязнения, полученной с помощью спектроскопического устройства ближнего инфракрасного диапазона (NIR). Результаты экспериментов показывают, что гибридная модель CNN+LSTM обеспечивает относительно высокую точность распознавания различных типов и цветов пластика, включая обнаружение загрязняющих веществ в контейнерах. Сравнительная оценка производительности модели проводилась с использованием традиционных методов классификации, таких как логистическая регрессия, частичные наименьшие квадраты (PLS) и линейный дискриминантный анализ (LDA). Результаты показывают, что модель CNN+LSTM работает лучше, чем традиционные подходы, особенно в сценариях с небольшими спектральными различиями между классами. Это исследование демонстрирует потенциал машинного обучения для повышения эффективности процессов сортировки и переработки пластиковых отходов, тем самым способствуя повышению экологической устойчивости.
Ключевые слова. Пластиковые отходы, NIRS (ближняя инфракрасная спектроскопия), Нейронная сеть, Гибридная модель, CNN, LSTM.
Аннотация. Прогнозирование спроса на лекарственные средства играет ключевую роль в обеспечении устойчивого снабжения, эффективного управления запасами и своевременного доступа пациентов к жизненно важным лекарствам. В данной статье представлено исследование методов временных рядов ARIMA и экспоненциального сглаживания для прогнозирования спроса на антигипертензивное лекарственное средство от давления. Исследование направлено на разработку и выявление модели, обеспечивающего высокую точность и эффективность прогнозирования на основе выбранных наборов данных. Анализ включает в себя исследование методов прогнозирования, проведение сбора и обработки данных, определение оптимальных параметров для каждого метода, разработку гибридной модели, оценку точности на основе заданных метрик и анализ результатов. В ходе проведенного исследования установлено, что наиболее эффективными методами прогнозирования являются подходы на основе временных рядов, включая модели ARIMA и методы экспоненциального сглаживания. А разработанная гибридная модель демонстрирует высокую точность прогнозов благодаря комбинированию преимуществ двух подходов. Результаты показывают, что гибридная модель превосходит ARIMA и экспоненциальное сглаживание по всем ключевым метрикам. На основании полученных выводов предложено внедрение гибридной модели для повышения точности прогнозирования спроса в фармацевтической отрасли.
Ключевые слова: прогнозирование, методы прогнозирования, экспоненциальное сглаживание, ARIMA, временные ряды, лекарственное средство, гибридная модель.
Аннотация. Сегментация медицинских изображений является одной из ключевых задач биомедицинской информатики, особенно в контексте диагностики онкологических заболеваний. Особенно актуальной является задача точной сегментации ядер клеток, что необходимо для идентификации морфологических изменений в тканях. Однако, основным вызовом и проблематикой в данной области остаются изменчивость качества изображений, ограниченные объемы доступных данных и необходимость обеспечения высокой точности и устойчивости моделей глубокого обучения. В данном исследовании был проведен анализ влияния десяти техник аугментации данных, включая добавление случайного шума различной интенсивности, на производительность модели сегментации ядер клеток. Также в эксперименте особое внимание уделено техникам, использующим искусственное добавление шума, моделирующее реальные условия, такие как вариации освещения, артефакты и дефекты при подготовке образцов. Для добавления шума использовались два вида: аддитивный гауссов шум и равномерный случайный шум с интенсивностью от минус 0.05 до 0.05 продемонстрировали значительное влияние на обобщающую способность модели, улучшая её устойчивость к гетерогенным данным. Используемая архитектура была основана на модифицированной модели UNet с внедрением модуля CBAM, который акцентирует внимание модели на значимых областях изображения. Модуль был добавлен в декодирующую часть архитектуры модели. Для экспериментов были объединены два эталонных набора данных CryoNuSeg и MoNuSeg с предварительной обработкой, включающей разбиение на патчи и преобразование формата изображений. Примененные техники аугментации включали горизонтальное и вертикальное отражение, случайное вращение, изменение контрастности, эластичную деформацию и добавление шума. Кроме того, в ходе экспериментов были исследованы комбинации аугментации. Результаты исследования показали, что техники аугментации горизонтального и вертикального отражения и случайного вращения достигли минимальных потерь, при этом точность моделей превышала девяносто процентов. Техника изменения контрастности продемонстрировала наиболее сбалансированную производительность, обеспечив средний коэффициент пересечения над объединением 0.928 и точность 92.2 процента. Данные по результатам исследования подчеркивают важность использования искусственного добавления шума как метода повышения устойчивости модели к артефактам и вариативности данных и также использование комбинированных техник аугментации. В перспективе комбинированные техники аугментации могут стать основой для разработки адаптивных алгоритмов, способных эффективно работать с гетерогенными биомедицинскими изображениями.
Ключевые слова. Гистологические изображения, рак, сегментация ядер, сверточные нейронные сети, модуль внимания, расширение данных.
Аннотация. В статье рассматриваются методы интеллектуальной обработки текстов (Text Mining), которые позволяют преобразовывать слабоструктурированные текстовые данные в структурированную и легко анализируемую информацию. С ростом объемов данных в цифровую эпоху Text Mining становится незаменимым инструментом анализа текстов в различных сферах. Эти технологии находят широкое применение в информационной безопасности, где анализ текстов помогает выявлять угрозы и аномалии, в здравоохранении — для обработки медицинских записей и извлечения диагностической информации, в маркетинге — для анализа потребительских предпочтений, а также в юридической практике, где автоматизация анализа документов повышает точность и снижает временные затраты.
В статье подробно рассматриваются как традиционные статистические методы, такие как TF-IDF, Word2Vec, Latent Dirichlet Allocation (LDA), так и современные подходы, включая модели глубокого обучения на основе архитектуры трансформеров, например BERT, GPT и их производные. Современные методы демонстрируют значительные успехи в учёте контекста, анализе семантики и извлечении скрытых смыслов из текстов, что делает их незаменимыми для решения сложных задач.
Особое внимание уделено сравнению эффективности различных методов и их применимости в задачах автоматизации. Описаны возможности интеграции Text Mining для анализа больших объемов данных, выявления закономерностей и автоматизации процессов извлечения знаний. Представленные результаты исследования подчеркивают актуальность использования этих технологий для повышения эффективности работы специалистов, ускорения процессов анализа информации и решения задач в ключевых отраслях, что открывает новые перспективы для внедрения интеллектуальных систем обработки данных.
Ключевые слова: Text Mining, интеллектуальная обработка текстов, машинное обучение, обработка естественного языка, TF-IDF, Word2Vec, BERT, GPT, автоматизация анализа текстов.
Аннотация. Обнаружение болезней растений имеет решающее значение для современного сельского хозяйства, поскольку своевременная диагностика может значительно снизить потери урожая и повысить производительность. В этом обзоре представлены передовые системы обнаружения болезней, основанные на методах машинного обучения и мультимодального анализа данных. Было проведено всестороннее сравнение различных алгоритмов машинного обучения, включая сверточные нейронные сети (CNN), модели трансферного обучения и методы обнаружения объектов, такие как YOLO. Это исследование демонстрирует, что сочетание визуальных данных с анализом летучих органических соединений (ЛОС) повышает точность и надежность диагностики. Это открывает возможности для реальной разработки спутниковых и недорогих систем мониторинга, которые можно использовать в полевых условиях. Теоретически, эта работа способствует разработке стратегий интеграции разнородных данных и оптимизации моделей на основе глубоких нейронных сетей, чтобы сделать их более легкими и эффективными. В обзоре особое внимание уделяется разработке масштабируемых и адаптивных технологий для обнаружения болезней растений в точном земледелии.
Ключевые слова: обнаружение болезней растений, машинное обучение, сверточные нейронные сети, MobileNet, мультимодальные данные, определение в реальном времени, сельскохозяйственные технологии, VOC датчики.
Аннотация: Рекомендательные системы играют важную роль в персонализированной подаче контента, используя предпочтения пользователей и атрибуты контента. В этом исследовании оцениваются три продвинутые модели рекомендаций: Neural Collaborative Filtering (NCF), Graph Neural Network-based Content Model (GNN-based Content Model) и Hybrid Neural Network (HNN). Каждая модель использует методы глубокого обучения для повышения точности прогнозов и улучшения пользовательского опыта.
Модель NCF включает две ветви: Generalized Matrix Factorization (GMF) и Multi-Layer Perceptron (MLP), что позволяет моделировать нелинейные взаимодействия между пользователем и объектом. GNN-based Content Model представляет пользователей и объекты в виде узлов двудольного графа, используя Graph Convolutional Networks (GCN) для распространения информации по связям. Гибридная нейронная сеть (HNN) объединяет эмбеддинги коллаборативной фильтрации с контентными признаками, создавая единое представление данных. Наши эксперименты, основанные на датасете MovieLens, показывают, что гибридная нейронная сеть демонстрирует наивысшую точность (85%), превосходя NCF (80%) и GNN-based Content Model (77.5%). Гибридный подход выигрывает за счёт использования как коллаборативных, так и контентных признаков, обеспечивая более точные рекомендации. GNN-модель, несмотря на возможность обработки структурных связей, испытывает сложности с холодным стартом пользователей.
Полученные результаты подтверждают, что гибридные подходы более эффективны при учёте различных факторов рекомендации. В будущем исследовании возможно внедрение трансформеров и методов обучения с подкреплением для дальнейшего повышения точности рекомендаций.
Ключевые слова: рекомендательные системы, глубокое обучение, коллаборативная фильтрация, графовые нейронные сети, гибридные модели, персонализация.
© 2015-2024 Академия Гражданской Авиации . Все права защищены. АО «Академия Гражданской Авиации». Республика Казахстан,
ЮКО, 050039, г. Алматы , ул. Закарпатская, 44. Тел. 8-747-182-52-41, e-mail: vestnik@agakaz.kz