Food Processing: Techniques and Technology Food Processing: Techniques and Technology Техника и технология пищевых производств 2074-9414 2313-1748 73065 10.21603/2074-9414-2023-4-2481 ОРИГИНАЛЬНАЯ СТАТЬЯ ORIGINAL ARTICLE ОРИГИНАЛЬНАЯ СТАТЬЯ Neural Network Technologies in Predicting the Operating Status of Agricultural Enterprises Применение нейросетевых технологий для прогнозирования состояния работы объектов предприятий АПК Грачев Александр Викторович Grachev Aleksandr V. grachev_av@list.ru Сибирский государственный индустриальный университет Новокузнецк Россия Siberian State Industrial University Novokuznetsk Russian Federation 30 12 2023 30 12 2023 53 4 816 823 07 06 2023 04 07 2023 https://fptt.ru/en/issues/22269/22259/

Сегодня активно ведется цифровизация объектов и производственных процессов АПК. Актуальным является поиск унифицированных подходов для применения цифровых технологий в АПК. Популярность нейросетевых методов обусловлена их результативностью в различных областях IT. Цель работы – исследовать с помощью нейросетей реализацию подхода к использованию оценки состояния объекта инфраструктуры АПК на основе анализа статистики его работы. Объектами являлись данные технических устройств из производственного цикла предприятия АПК. Исследование провели на примере объектов фасовочного оборудования как единого объекта и теплицы как объекта с набором характеристик. Использовали искусственные нейронные сети. Задача состоит в выделении факторов, описывающих объект АПК или часть его свойств, которые соответствуют определенной задаче, для прогнозирования его состояния с целью принятия управленческих решений. Выделили пять факторов, которые описывают состояние объекта. Сформировали модель, элементы которой используются в качестве выходных данных для нейросети. Данная модель рассчитывает прогнозное состояние объекта. Провели пробные исследования на ограниченном наборе данных на многослойном персептроне. В рамках работы с малым набором данных нейросеть показала хорошие результаты при оценке определенного объекта. Средняя квадратическая ошибка обученной нейросети составила 0,1216, среднемодульное отклонение – 0,0911. Исследования показали возможность применения оценивающих нейросетей в системах поддержки принятия управленческих решений. Результаты могут быть использованы как вариант применения современных нейросетевых технологий в АПК в работе контрольно-управленческих и диспетчерских задач. Дальнейшие исследования направлены на изучение паттернов работы отдельных устройств.

All agricultural facilities in Russia are currently going through digital transformation. However, the process needs a unified approach for the entire agricultural sector. Neural network methods have already proved extremely effective in various areas of IT. The authors used neural networks to analyze statistic data and assess the performance of agricultural infrastructure. This study involved technical data from the production cycle of agro-industrial enterprises, namely packaging and greenhouses. The data obtained were analyzed using artificial neural networks. The procedure included identifying a set of factors that described an agro-industrial complex or some of its properties that corresponded to a specific task. These data were used in planning and making managerial decisions. The program identified five factors that described the state of an agricultural enterprise. These factors were used to build a model while its elements served as output data for the neural network. The model calculated the future state of the object. Trials were run on a limited data set on a multilayer perceptron. The neural network showed reliable results for a small data set. The root mean square error of was 0.1216; the mean modulus deviation was 0.0911. In this research, modern neural network technologies demonstrated good prospects for the domestic agro-industrial complex as a method of control, management, and dispatching. However, specific operational patterns require further studies.

 Нейронные сети машинное обучение многослойный персептрон статистика прогнозирование модели сельское хозяйство оборудование Neural networks machine learning multilayer perceptron statistics forecasting models agriculture equipment

Шутьков А. А., Анищенко А. Н. Будущее искусственного интеллекта, нейросетей и цифровых технологий в АПК // Экономика и социум: современные модели развития. 2019. Т. 9.№ 4. С. 508-522. https://www.elibrary.ru/RVWTTQ Shutkov AA, Anishchenko AN. The future of artificial intelligence, neural networks and digital technologies in agriculture. Economics and Society: Contemporary Models of Development. 2019;9(4):508-522. (In Russ.). https://www.elibrary.ru/RVWTTQ Pogonyshev VA, Pogonysheva DA, Torikov VE. Neural networks in digital agriculture. Vestnik of the Bryansk State Agricultural Academy. 2021;87(5):68-71. (In Russ.). https://doi.org/10.52691/2500-2651-2021-87-5-68-71 Pogonyshev VA, Pogonysheva DA, Torikov VE. Neural networks in digital agriculture. Vestnik of the Bryansk State Agricultural Academy. 2021;87(5):68-71. (In Russ.). https://doi.org/10.52691/2500-2651-2021-87-5-68-71 Рогов М. А., ДубовицкийА. А. Перспектива использования нейронных сетей на рынке АПК // Наука и Образование. 2022.Т. 5. № 2. https://www.elibrary.ru/BTXLPN Rogov MA, Dubovickiy AA. The prospect of using neural networks in the agro-indusrial complex market. Science and Education. 2022;5(2). (In Russ.). https://www.elibrary.ru/BTXLPN Галанина О. В., Золотарева Ю. П. Нейронная сеть прямого распространения в исследовании экономики сельского хозяйства // Известия Международной академии аграрного образования. 2021. № 56. С. 61-64. https://www.elibrary.ru/HPXPMD Galanina OV, Zolotaryova YuP. Feedforward neural network in the study of agricultural economics. Izvestia MAAO. 2021;(56):61-64. (In Russ.). https://www.elibrary.ru/HPXPMD Yurchenko IF. Digital systems integration into agriculture within the reclaimed lands. International Technical and Economic Journal. 2020;(4):73-80. (In Russ.). https://doi.org/10.34286/1995-4646-2020-73-4-73-80 Yurchenko IF. Digital systems integration into agriculture within the reclaimed lands. International Technical and Economic Journal. 2020;(4):73-80. (In Russ.). https://doi.org/10.34286/1995-4646-2020-73-4-73-80 Polenov DYu. Artificial intelligence in regulating the productivity of agricultural objects. Vestnik of Voronezh State Agrarian University. 2021;14(1):46-51. (In Russ.). https://doi.org/10.53914/issn2071-2243_2021_1_46 Polenov DYu. Artificial intelligence in regulating the productivity of agricultural objects. Vestnik of Voronezh State Agrarian University. 2021;14(1):46-51. (In Russ.). https://doi.org/10.53914/issn2071-2243_2021_1_46 Ивашкин Ю. А., Никитина М. А. Агентные и нейросетевые технологии в ситуационном моделировании технологических систем // Математические методы в технике и технологиях - ММТТ. 2021. Т. 1. С. 123-128. https://www.elibrary.ru/XWERDN Ivashkin YuA, Nikitina MA. Agent and neural network technologies in situational modeling of technological systems. Mathematical Methods in Technique and Technologies - MMTT. 2018;1:123-128. (In Russ.). https://www.elibrary.ru/XWERDN Vahrameev RA, Tolmachev MN, Afanasiev VN. Using a neural network to forecast prospects for the development of the agro-industrial complex of the Russian Federation. Vestnik of Samara State University of Economics. 2020;187(5):52-58. (In Russ.).https://doi.org/10.46554/1993-0453-2020-5-187-52-58 Vahrameev RA, Tolmachev MN, Afanasiev VN. Using a neural network to forecast prospects for the development of the agro-industrial complex of the Russian Federation. Vestnik of Samara State University of Economics. 2020;187(5):52-58. (In Russ.). https://doi.org/10.46554/1993-0453-2020-5-187-52-58 Digitalization of agricultural production in Russia in 2018-2025 [Internet]. [cited 2023 Aug 05]. Available from: https://agrardialog.ru/files/prints/apd_studie_2018_russisch_fertig_formatiert.pdf Digitalization of agricultural production in Russia in 2018-2025 [Internet]. [cited 2023 Aug 05]. Available from: https://agrardialog.ru/files/prints/apd_studie_2018_russisch_fertig_formatiert.pdf Мак-Каллок У. С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Автоматы / под ред. К. Э. Шеннона и Дж. Маккарти. М.: Издательство иностранной литературы, 1956. С. 363-384. Mak-Kallok US, Pitts V. Logical calculus of ideas relating to nervous activity. In: Shennon KEh, Makkarti Dzh, editors. Automatic machines. Moscow: Izdatelʹstvo inostrannoy literatury; 1956. pp. 363-384. (In Russ.). Лекун Я. Как учится машина. Революция в области нейронных сетей и глубокого обучения. М.: Альпина PRO, 2021. 335 с. Lekun Ya. How a machine learns. Revolution in neural networks and deep learning. Moscow: Alʹpina PRO; 2021. 335 p. (In Russ.). Виды нейронных сетей и их применение / Н. В. Картечина [и др.] // Наука и Образование. 2021.Т. 4. № 3. https://www.elibrary.ru/HMFMXV Kartechina NV, Dorokhova AM, Abaluev RN, Shatskiy VA, Gushchina AA, Chirkin SO.Types of neural networks and their application. Science and Education. 2021;4(3). (In Russ.). https://www.elibrary.ru/HMFMXV Тимофеев М. Г., Бабайцев А. В., Никонорова Л. И. Искусственный интеллект в сельском хозяйстве // Наука и Образование. 2020.Т. 3. № 4. https://www.elibrary.ru/HGGVDR Timofeev MG, Babaytsev AV, Nikonorova LI. Artificial intelligence in agriculture. Science and Education. 2020;3(4). (In Russ.). https://www.elibrary.ru/HGGVDR Yurchenko IF. The development prospects for automatic control systems of agricultural production on reclaimed lands. Scientific Journal of Russian Scientific Research Institute of Land Improvement Problems. 2019;36(4):164-177. (In Russ.). https://doi.org/10.31774/2222-1816-2019-4-164-177 Yurchenko IF. The development prospects for automatic control systems of agricultural production on reclaimed lands. Scientific Journal of Russian Scientific Research Institute of Land Improvement Problems. 2019;36(4):164-177. (In Russ.). https://doi.org/10.31774/2222-1816-2019-4-164-177 Илышев А. П., Толмачев О. М. Искусственный интеллект и нейросетевые технологии в цифровой платформе прорывного развития российского АПК // Экономика и социум: современные модели развития. 2019. Т. 9.№ 4. С. 492-507. https://www.elibrary.ru/CUUFOV Ilishev AP, Tolmachev OM.Artificial intelligence and neural network technologies in a digital platform for the breakthrough development of the Russian agricultural sector. Economics and Society: Contemporary Models of Development. 2019;9(4):492-507. (In Russ.). https://www.elibrary.ru/CUUFOV Состояние цифровой трансформации сельского хозяйства / В. Е. Ториков [и др.] // Вестник Курской государственной сельскохозяйственной академии. 2020. № 9. С. 6-13. https://www.elibrary.ru/CONNGK Torikov VE, Pogonyshev VA, Pogonysheva DA, Dornyh GE. State of digital transformation of agriculture. Bulletin of the Kursk State Agricultural Academy. 2020;(9):6-13. (In Russ.). https://www.elibrary.ru/CONNGK Windsor FM, Armenteras D, Assis APA, Astegiano Ju, Santana PC, Cagnolo L, et al.Network science: Applications for sustainable agroecosystems and food. Perspectives in Ecology and Conservation. 2022;20(2):79-90. https://doi.org/10.1016/j.pecon.2022.03.001 Windsor FM, Armenteras D, Assis APA, AstegianoJu, Santana PC, CagnoloL, et al.Network science: Applications for sustainable agroecosystems and food. Perspectives in Ecology and Conservation. 2022;20(2):79-90. https://doi.org/10.1016/j.pecon.2022.03.001 Petrescu I-E, Ignat R, Constantin M, Istudor M. Risk management of agri-food value chains - Exploring research trends from the web of science. In: Dima AM, Kelemen M, editors. Digitalization and big data for resilience and economic intelligence. Cham: Springer; 2022. pp. 55-66. https://doi.org/10.1007/978-3-030-93286-2_4 Petrescu I-E, Ignat R, Constantin M, Istudor M. Risk management of agri-food value chains - Exploring research trends from the web of science. In: Dima AM, Kelemen M, editors. Digitalization and big data for resilience and economic intelligence. Cham: Springer; 2022. pp. 55-66. https://doi.org/10.1007/978-3-030-93286-2_4 О методе оценивания промежуточных узлов передачи данных для маршрутизации в иерархических сетях разной топологии / А. В. Грачев [и др.] // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2015. № 1. С. 32-38. https://www.elibrary.ru/TSZJPX Grachev AV, Kiseleva TV, Koynov RS, Dobrynin AS. Method of estimation of intermediate nodes of data transmission for routing hierarchical networks with different topologies. Proceedings of Voronezh State University. Series: Systems Analysis and Information Technologies. 2015;(1):32-38. (In Russ.). https://www.elibrary.ru/TSZJPX Tokarev KE, Rudenko AYu, Kuzmin VA, Chernyavsky AN. Theory and digital technologies of intellectual support for decision-making to increase the bio-productivity of agroekosystems based on neural network models. Proceedings of Lower Volga Agro-University Complex: Science and Higher Education. 2021;64(4):421-440. (In Russ.). https://doi.org/10.32786/2071-9485-2021-04-42 Tokarev KE, Rudenko AYu, Kuzmin VA, Chernyavsky AN. Theory and digital technologies of intellectual support for decision-making to increase the bio-productivity of agroekosystems based on neural network models. Proceedings of Lower Volga Agro-University Complex: Science and Higher Education. 2021;64(4):421-440. (In Russ.). https://doi.org/10.32786/2071-9485-2021-04-42