Применение искусственного интеллекта для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах прогнозируемого обслуживания

Для цитирования:

• Чесалов А.Ю. Применение искусственного интеллекта для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах прогнозируемого обслуживания // Открытое образование . 2025; 29 (3): 11-21. https://doi.org/10.21686/1818-4243-2025-3-11-21
• Свидетельство о государственной регистрации программ для ЭВМ № 2025683341 Российская Федерация. Программа машинного обучения, реализующая алгоритм потенциала негативности рассогласования для систем прогнозируемого обслуживания / А.Ю. Чесалов (RU); правообладатель ООО «Программные системы Атлансис» (RU). – № 2025663098/69  : заявлено 26.05.2025: опубликовано 03.09.2025. Бюл. № 9. – 1 с. http://www1.fips.ru/fips_servl/fips_servlet?DB=EVM&DocNumber=2025683341

***

Постановка проблемы. Одна из актуальных проблем промышленной автоматизации заключается в том, что работа немногих имеющихся на Российском рынке систем прогнозируемого обслуживания, как правило, основывается на сборе и анализе данных оборудования без учета совместного воздействия внутренних и внешних факторов. В текущих экономических условиях необходим обоснованный выбор и  применение новых технологий искусственного интеллекта для исследования и реализации базовых принципов потенциала негативности рассогласования, которые откроют новые горизонты для повышения эффективности и надежности промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания многостадийных технологических процессов. Моделирование автоматических реакций на изменения окружающей среды и прогнозирование отказов позволит создать адаптивные системы, которые существенно  снизят риски возникновения сбоев и аварий, а также будут способствовать оптимизации производственных ресурсов и снижению эксплуатационных затрат.

Цель. Исследовать возможность применения технологий искусственного интеллекта для реализации алгоритмов, созданных на основе потенциала негативности рассогласования (англ. mismatch negativity, MMN) и возможности их применения в промышленных автоматизированных системах прогнозируемого или предписывающего обслуживания, а также разработать базовый MMN-алгоритм и реализовать его на языке программирования Python.

Результаты. Разработан алгоритм, реализующий базовые принципы потенциала негативности рассогласования. Определена практическая необходимость применения  данного вида алгоритма, основанных на нейрофизиологических механизмах обработки сенсорной информации в мозге человека, для обнаружения аномалий в работе промышленного оборудования, вызванных внешними факторами, такими как температура, влажность, вибрации и электромагнитные помехи, что позволяет решить следующие задачи промышленной автоматизации: обнаружение аномалий; моделирование воздействия окружающей среды; оптимизация эксплуатационных процессов; прогнозирование отказов; адаптация к изменяющимся условиям. Предложена базовая архитектура автоматизированной системы, учитывающая необходимость использования программных алгоритмов потенциала негативности рассогласования, которая состоит из модулей верификации данных, обучения модели, обнаружения аномалий, прогнозной модели, визуализации и модуля интеграции с другими производственными информационными и автоматизированными системами. В работе также представлен программный код реализации базового MMN-алгоритма на языке Python.

Практическая значимость. Результаты исследования могут быть использованы  для проектирования промышленных автоматизированных систем прогнозируемого или предписывающего обслуживания, в которых точность и время принятия решения играют важную роль.

***

Введение

Промышленные системы, производственные линии и оборудование  подвержены влиянию множества факторов окружающей среды, таких как температура, влажность, вибрации и электромагнитные помехи. Эти факторы могут приводить к постепенному ухудшению состояния оборудования, что влечет за собой риски аварий и простоев. Традиционные методы мониторинга и диагностики часто оказываются недостаточно эффективными для своевременного выявления аномалий, особенно в условиях динамически изменяющейся среды.

Одна из проблем современной автоматизации заключается в том, что работа немногих имеющихся на Российском рынке автоматизированных систем прогнозируемого или предписывающего обслуживания основывается, чаще всего, на сборе, анализе и построении прогнозной аналитики конкретного оборудования или комплекса взаимосвязанного оборудования (например, производственной линии) без учета воздействия внешних факторов, влияние которых, порой, не очевидно, но в рамках промышленных кластеров или экосистем огромно.

Пример из личной практики. Промышленное предприятие производит проволоку. При ее производстве возникает брак и, естественно у предприятия проблемы с заказчиками и убытки. Анализ информации, предоставленной системой прогнозируемого обслуживания, полученной с датчиков производственной линии не дал никаких результатов. Тогда, было принято решение установить дополнительные датчики (регистрирующих вибрацию, температуру, влажность и давление) в цеху и прилегающих к нему помещениях. Результат всех удивил. К цеху, где производится проволока прилегал цех выплавки, а к цеху выплавки прилегало большое складское помещение, где осуществлялась погрузка и разгрузка медных слитков. Так вот, оказалось, что на качестве выплавляемой продукции сказываются отрытые долгое время ворота складского цеха зимой, когда осуществляется погрузка и разгрузка слитков. А на качество проволоки в свою очередь влияет температурные условия цеха выплавки и качество исходного сырья для нее. Таким образом, за счет установки дополнительных датчиков удалось определить причину брака проволоки, а установкой воздушных шлюзов между помещениями удалось устранить причину брака и повысить качество выпускаемой продукции.

Всего этого можно было бы избежать, если бы системой прогнозируемого обслуживания собиралась и анализировалась информация не только с конкретного оборудования, но и с внешних датчиков.

 

Анализ технологий проектирования автоматизированных систем прогнозируемого в промышленности

Несомненно, существует множество научно-исследовательских работ, посвященных кибер-физическим системам, автоматизации производства и прогнозируемому обслуживанию. Так, например, в работах [[1], [2], [3], [4], [5]] произведен анализ современных тенденций и достижений в области развития интеллектуальных систем и систем прогнозируемого обслуживания в условиях использования больших данных, собираемых с устройств промышленного Интернета вещей. Интеллектуальное производство на основе данных (англ. Data-driven smart manufacturing (DDSC)) — это подход, при котором данные становятся ключевым ресурсом для принятия решений и управления производственными процессами. Основной акцент в публикациях делается на объединении больших данных и аналитических подходов для повышения эффективности производственных процессов, сокращения издержек и улучшения качества выпускаемой продукции. В исследованиях отмечается важность создания современных инструментов прогнозирования, которые позволят обеспечить стабильную работу и высокую производительность промышленных объектов. Это достигается за счет внедрения технологий машинного обучения, анализа больших объемов данных, облачных платформ и промышленного Интернета вещей. Особое внимание уделяется тому, что ключевым элементом современного производства является система прогнозируемого технического обслуживания, которая позволяет своевременно определять вероятность возникновения поломки и предотвращать сбои промышленного оборудования.

Работы [[6], [7], [8], [9], [10]] посвящены разработке архитектур киберфизических систем (англ. Cyber-Physical Systems, CPS) для производственных систем (с учетом анализа внешних факторов воздействия на них), соответствующих концепции Индустрии 4.0. Авторы предлагают интегрированную структуру, которая объединяет физические и кибернетические компоненты для создания умных (интеллектуальных), автономных (самоуправляемых) и гибких производственных систем. Авторы подчеркивают необходимость создания интеллектуальных систем прогнозированного обслуживания производственных активов, а также использования искусственного интеллекта и машинного обучения для создания систем поддержки — принятия решений.

В работах [[11], [12], [13]] рассмотрены методы машинного обучения для решения задач прогнозирующего обслуживания в промышленных системах (с учетом внешних факторов, воздействующих на работу промышленного оборудования). Авторы предлагают подход, основанный на использовании нескольких классификаторов, который позволяет повысить точность прогнозирования отказов оборудования. В статьях рассматриваются различные алгоритмы машинного обучения, такие как метод опорных векторов, случайные леса и нейронные сети, и доказывается их эффективность использования на реальных промышленных данных. Основной вывод заключается в том, что комбинирование нескольких классификаторов позволяет достичь более высокой точности и надежности прогнозов. Такой подход способствует снижению затрат на техническое обслуживание, уменьшению простоев оборудования и повышению общей эффективности производственных процессов.

Тем не менее найти работы, которые бы объединили в себе использование новых технологий, созданных на основе исследования вопросов применения потенциала негативности рассогласования и искусственного интеллекта в автоматизированных системах, представляется затруднительным, в силу сложности реализации данной задачи и определенной специфики исследований данного направления работ.

Цель работы. Исследовать возможность применения технологий искусственного интеллекта для реализации алгоритмов (MMN-алгоритмов), созданных на основе потенциала негативности рассогласования (Mismatch Negativity, MMN) и возможности их применения в промышленных автоматизированных системах прогнозируемого и предписывающего обслуживания.

 

Анализ возможности применения технологий искусственного интеллекта для реализации алгоритмов (MMN-алгоритмов)

Современная нейрофизиология активно изучает процессы обработки сенсорной информации в мозге человека, которые происходят без участия сознательных усилий и фокусировки внимания. Одним из ключевых феноменов в этой области является так называемый потенциал негативности рассогласования  — это автоматическая реакция мозга на отклонение от ожидаемого паттерна стимулов. Этот процесс происходит на уровне подсознания и не требует активного внимания. Тем не менее, этот механизм позволяет мозгу практически мгновенно (регистрируется через 100-250 мс после изменения стимула) и эффективно обнаруживать изменения в окружающей среде и принимать быстрые решения в экстремальных ситуациях, что имеет важнейшее значение для адаптации и выживания человека в окружающей его среде.

 Что касается вопроса «мгновенной» передачи информации из окружающего нас мира в наше подсознание, то согласно исследованию, которое было проведено в Цзеюй Чжэн и Маркусом Майстером из Калифорнийского технологического института (работа опубликована в журнале Neuron),  сенсорные системы человеческого тела собирают данные об окружающей среде со скоростью триллион бит в секунду (10⁹ бит/с), что в 100 миллиардов раз быстрее, чем наши мыслительные процессы. По мнению ученых, человеческий мозг, работает в двух различных режимах: «внешний», когда мозг обрабатывает быстрые многомерные сенсорные и моторные сигналы, и «внутренний», когда мозг обрабатывает сокращенные до десятков бит/с сигналы, необходимые для управления поведением человека [[14]].

Гипотеза автора заключается в том, что основные принципы, которые лежат в основе реализации сознанием человека потенциала негативности рассогласования, могут быть адаптированы для создания интеллектуальных систем, способных выявлять отклонения в работе оборудования на ранних стадиях. Исследование механизмов сбора и анализа информации, а также реализация MMN-подобных алгоритмов должно осуществляться с применением современных технологий искусственного интеллекта (ИИ), что открывает новые возможности для автоматизации прогнозируемого и предписывающего обслуживания промышленного оборудования и повышения устойчивости промышленных систем к внешним воздействиям.

Применение MMN-подобных алгоритмов в промышленных автоматизированных системах для мониторинга и управления оборудованием в обычных и экстремальных условиях функционирования позволит решить следующие задачи прогнозируемого и предписывающего обслуживания:

1. Обнаружение аномалий. Современные алгоритмы ИИ (например, основанные на рекуррентных нейронных сетях или трансформерах) могут быть обучены на больших объемах данных, собранных с промышленного оборудования и датчиков окружающей среды, чтобы выявлять аномалии в работе оборудования, вызванных изменением внешних факторов, таких как температура, влажность, вибрации или электромагнитные помехи. Что позволяет своевременно обнаруживать потенциальные сбои или неисправности, вызванные изменением внешних условий.
2. Моделирование воздействия окружающей среды. С использованием данных о рассогласованиях, ИИ может создавать точные модели воздействия окружающей среды на оборудование. Эти модели могут учитывать различные сценарии и прогнозировать потенциальные негативные последствия.
3. Оптимизация эксплуатационных процессов. На основе выявленных рассогласований, ИИ может предлагать оптимальные стратегии эксплуатации оборудования, которые минимизируют негативное воздействие окружающей среды и повышают надежность и долговечность оборудования.
4. Прогнозирование отказов. Используя методы прогнозной аналитики, ИИ может предсказывать возможные сбои в работе оборудования на основе анализа внешних факторов. Это позволяет перейти от прогнозируемого к предписывающему обслуживанию, что снижает затраты и повышает надежность систем.
5. Адаптация к изменяющимся условиям. Подобно тому, как мозг адаптируется к новым стимулам, промышленные системы могут использовать ИИ для автоматической настройки параметров работы оборудования в ответ на изменения окружающей среды. Например, при повышении температуры система может автоматически снизить нагрузку на оборудование или включить дополнительные охлаждающие механизмы.

Возвращаясь к вопросам изучению и пониманию когнитивных функций человека (внимание, ориентация, память, гнозис, исполнительные функции, праксис, язык, социальное познание и зрительно-пространственные навыки), и понимаю основных принципов работы MMN-алгоритмов, инженерам — программистам, которые будут работать в этой области, необходимо обратить свое внимание на когнитивную психологию и нейрофизиологию, которая занимается исследованием функций нервной системы, включая процессы кодирования, передачи и обработки информации в нейронных сетях человеческого мозга, а также механизмов, лежащих в основе системных функций, которые определяют поведение и реакции человека  [[15]].

Когнитивная психология имеет важное значение в исследовании того, как мозг человека обрабатывает сенсорную информацию (схема представлена на рисунке 1). В современной науке она часто опирается на параллели между познавательными процессами у людей и принципами обработки данных в компьютерных системах.

Рис. 1. Система сбора и обработки информации человеческим сознанием

 

В процессе формирования когнитивной психологии как самостоятельной научной дисциплины [[16]], отмечается, что одним из ключевых исследователей, заложивших ее основы, стал Дж. А. Миллер. В 1956 году он совместно с Дж. С. Брунером организовал научный центр при Гарвардском университете, посвященный изучению когнитивных процессов. Основной задачей когнитивной психологии стало исследование механизмов обработки информации, которую человек получает из окружающей среды. Еще одним значимым ученым в этой области считается У. Г. Найссер. В 1976 году он предложил концепцию восприятия, где познание рассматривалось как активный процесс, включающий взаимодействие человека с внешним миром.

В исследовании [[17]] отмечается, что в современной когнитивной психологии компьютер рассматривается в качестве инструмента для моделирования процессов человеческого мышления и разработки систем искусственного интеллекта. Такие системы способны превосходить человека по ряду параметров, включая скорость и точность обработки информации, а также объем данных, которые могут быть сохранены и проанализированы.

В области нейрофизиологии в настоящее время выделяются три ключевые группы методов, которые используются для исследования структурной и функциональной организации нервной системы человека: морфологические, клинические и экспериментальные подходы.

Клиническая нейрофизиология, наряду с методами нейровизуализации, такими как позитронно-эмиссионная томография (ПЭТ), функциональная магнитно-резонансная томография (фМРТ) и однофотонно-эмиссионная компьютерная томография (ОФЭКТ), располагает широким спектром инструментов для анализа когнитивных функций. Среди них выделяются высокоплотная электроэнцефалография (ЭЭГ), магнитоэнцефалография (МЭГ), навигационная транскраниальная магнитная стимуляция (нТМС), а также вызванные потенциалы (ВП) различных модальностей.

Прежде чем перейти к исследованию потенциала негативности рассогласования, необходимо обратить внимание на такой метод исследования нервной системы, который называется «вызванные потенциалы».

В исследовании [[18]] вызванные потенциалы (или вызванный ответ, от англ. evoked potential, evoked response) описываются как электрические сигналы, регистрируемые в головном мозге человека в ответ на внешние стимулы различной модальности. Изучение вызванных потенциалов активно ведется с 1960-х годов.

Вызванные потенциалы, связанные с событиями (от англ. event-related potentials), представляют собой один из наиболее широко используемых типов когнитивных вызванных потенциалов. Они отражают электрическую активность мозга, возникающую в ответ на конкретные сенсорные или когнитивные стимулы из внешней среды. Эти потенциалы применяются для отслеживания активности мозга на различных уровнях — от базового сенсорного восприятия до сложных когнитивных процессов.

Нейрофизиологи фиксируют следующие виды вызванных потенциалов, используемых в клинической практике: слуховые вызванные потенциалы, зрительные вызванные потенциалы и соматосенсорные вызванные потенциалы.

К основным характеристикам вызванных потенциалов относятся латентный период (время задержки реакции), амплитуда (или площадь сигнала), полярность (отрицательная или положительная) и форма волны.

Вызванные потенциалы (представленные на рисунке 2), связанные с событиями, обладают стабильной и повторяемой формой сигнала, которая визуализируется в виде последовательности пиков. Положительные компоненты обозначаются буквой Р (например, Р100, Р200, Р300), а отрицательные — буквой N (например, N100, N200). Цифры в обозначениях указывают на латентный период (ЛП) пика, выраженный в миллисекундах.

Рис. 2. Схематическое представление пиков положительных и отрицательных компонентов вызванного потенциала и потенциал негативности рассогласования

 

Как указано в исследовании [[19]], анализ таких компонентов, как Р300 и MMN, дает возможность выявить принципы функционирования мозга, которые лежат в основе обработки информации как в обычных, так и в экстремальных условиях, под влиянием внешних факторов. Эти компоненты позволяют изучить механизмы реакции, внимания, распознавания стимулов, принятия решений, прогнозирования событий, а также извлечения данных из памяти и другие когнитивные процессы.

 

Архитектура автоматизированной системы прогнозируемого обслуживания на основе MMN-алгоритмов

Основная задача создания MMN-подобных алгоритмов заключается в том, чтобы максимально точно зафиксировать механизмы обработки сенсорной информации из окружающей среды нервной системой человека, которые реализуются в экстремальных жизненных условиях. Эти алгоритмы необходимо перенести в новую архитектуру автоматизированной системы прогнозируемого или предписывающего обслуживания (которая представлена на рисунке 3), которая бы реализовывала (условно говоря) функциональные возможности человеческого тела по сбору и возможности человеческого сознания по обработке информации. В некотором смысле, архитектура автоматизированной системы была бы схожа с сенсорной (нервной) системой, которая с большой скоростью собирает огромное количество данных из окружающей среды, обрабатывает их и принимает своевременное решение. Это позволило бы в разы повысить точность прогнозов интеллектуальных аналитических систем, ускорить обнаружение неисправностей и сократить время принятия своевременных решений.

Рис. 3. Концептуальная архитектура автоматизированной системы прогнозируемого или предписывающего обслуживания с реализованными MMN-алгоритмами

 

Таким образом автоматизированная система прогнозируемого или предписывающего обслуживания, включающая MMN-алгоритмы, должна поддерживать реализацию следующих модулей (функциональных подсистем) и основных функций:

1. Верификация данных

• Нормализация данных. Входные сигналы нормализуются для приведения к единому масштабу. Это может быть выполнено с помощью методов, таких как Min-Max нормализация или Z-нормализация.
• Фильтрация шумов. Для устранения шумов применяются фильтры, такие как фильтр низких частот (Low-pass filter) или вейвлет-преобразование. Это помогает выделить полезные сигналы и устранить высокочастотные шумы.
• Разделение данных. Данную процедуру необходимо производить для обучения основной модели, с целью ее дальнейшего тестирования.

2. Обучение модели

• Архитектура модели. В зависимости от типа данных, используется глубокая нейронная сеть, например, авторегрессионная модель (ARIMA), рекуррентная нейронная сеть долгая краткосрочная память (англ. Long short-term memory, LSTM) или CNN (сверточная нейронная сеть). Модель обучается на нормализованных данных для предсказания следующих значений временного ряда.
• Функция потерь. В качестве функции потерь используется среднеквадратичная ошибка (MSE) или средняя абсолютная ошибка (MAE), чтобы минимизировать разницу между предсказанными и реальными значениями.
• Обучение с учителем: Модель обучается на данных, где аномалии отсутствуют, чтобы научиться предсказывать нормальное поведение системы.

3. Обнаружение аномалий

• Предсказание значений. Модель предсказывает значения временного ряда на основе предыдущих данных.
• Вычисление потенциала негативности рассогласования. Рассогласование вычисляется, как разница между реальными и предсказанными значениями.
• Пороговое значение. Устанавливается пороговое значение для рассогласования. Если MMN превышает порог, это свидетельствует о наличии аномалии. Порог может быть определен статистически.

4. Прогнозная модель для оценки вероятности отказа оборудования [[20]]

• Классификация аномалий. Выявленные аномалии классифицируются по степени их серьезности. Например, аномалии могут быть разделены на «незначительные», «средние» и «критические».
• Прогнозная модель. На основе исторических данных о выявленных аномалиях строится прогнозная модель, которая оценивает вероятность отказа оборудования. Для этого может быть использован метод логистической регрессии или градиентный бустинг.
• Оценка вероятности отказа. Модель оценивает вероятность отказа оборудования на основе частоты и классификации аномалий.

5. Визуализация и отчетность

• Визуализация аномалий. Результаты обнаружения аномалий визуализируются с помощью графиков временных рядов, где аномалии выделяются цветом или маркерами.
• Отчетность. Формируется отчет, содержащий информацию о выявленных аномалиях, их серьезности и вероятности отказа оборудования.

 

Для имитации механизмов обработки сенсорной информации, как в мозге человека, в автоматизированную систему прогнозируемого или предписывающего обслуживания, включающую MMN-алгоритмы, должны быть встроены следующие элементы:

• Механизмы внимания. Внедрение механизмов внимания в нейронные сети для фокусировки на наиболее важных сигналах. Это позволяет системе выделять ключевые показатели, которые могут указывать на аномалии.
• Адаптивное обучение. Модель должна адаптироваться к изменениям в данных (например, износ оборудования, изменение внешних условий). Это достигается за счет непрерывного обновления модели на основе новых данных.
• Быстрая реакция на рассогласование. Алгоритм должен быстро реагировать на рассогласование между ожидаемыми и фактическими значениями. Это достигается за счет использования легковесных моделей и оптимизированных алгоритмов.

К преимуществам предложенной архитектуры автоматизированной системы прогнозируемого или предписывающего обслуживания  можно отнести: высокую точность обнаружения аномалий, за счет использования MMN-алгоритма, механизмов внимания, быстрой реакции на рассогласование и имеющиеся адаптивные механизмы переобучения моделей, а также возможности оценки вероятности выхода из строя оборудования.

Представленный MMN-алгоритм, позволяет не только обнаруживать аномалии, но и оценивать вероятность отказа оборудования на основе выявленных аномалий. Это делает автоматизированную систему более эффективной в части прогнозируемого обслуживания, так как она предоставляет инженерам информацию о потенциальных рисках и помогает принимать своевременные решения. Также к преимуществам такого алгоритма можно отнести то, что он может быть доработан и адаптирован под конкретные задачи и типы данных (временные ряды, изображения, звук и т.д.).

 

Заключение

Применение автоматизированных систем, реализующих MMN-алгоритмы, особенно актуально для промышленных предприятий атомной, космической, металлургической,  топливно-энергетической и химической отраслей экономики. Кроме того, это направление исследований очень важно, как для медицины, так и для робототехники. Например, объединение технологий искусственного интеллекта и данных мониторинга электроэнцефалограммы, с помощью которой производят оценку работы функций головного мозга, позволит создавать новые нейроинтерфейсы, биоэлектрические и миоэлектрические протезы, коллаборативных роботов (коботов) и многое другое [[21]].

Как мы с вами видим, перспективы применения ИИ для реализации MMN-подобных алгоритмов в промышленных системах открывает новые горизонты для повышения их надежности и эффективности работы. Однако остаются вызовы, связанные с необходимостью: разработки новых подходов для сбора больших объемов данных с большого числа внутренних и внешних датчиков, и их эффективного анализа; научных исследований и совершенствования MMN-алгоритмов; разработки новых алгоритмов, реализующих механизмы внимания для фокусировки на наиболее важных сигналах; совершенствования механизмов адаптивного обучения.

Дальнейшие исследования в этой области могут быть направлены на разработку более сложных ИИ-моделей, способных учитывать множественные внутренние и внешние факторы и их взаимосвязи, что позволит создавать еще более надежные и интеллектуальные промышленные системы. А в последствии на разработку более компактных и энергоэффективных моделей для промышленных автоматизированных систем реального времени.

Применение современных технологий искусственного интеллекта для реализации базовых принципов потенциала негативности рассогласования, открывает новые горизонты для повышения эффективности и надежности промышленных экосистем систем. Моделирование автоматических реакций на изменения окружающей среды позволяет создавать адаптивные системы, способные быстро и эффективно реагировать на внешние воздействия. Это не только снижает риски сбоев и аварий, но и способствует оптимизации производственных ресурсов и снижению эксплуатационных затрат, что позитивно сказывается на себестоимости продукции и капитализации промышленных предприятий.

Результаты исследования могут быть использованы  при проектировании промышленных автоматизированных систем прогнозируемого и предписывающего обслуживания.

 

Список литературы

[1] . Jay Lee, Edzel Lapira, Behrad Bagheri, Hung-an Kao. Recent advances and trends in predictive manufacturing systems in big data environment. Manufacturing Letters,Volume 1, Issue 1, 2013, Pages 38-41, ISSN 2213-8463, https://doi.org/10.1016/j.mfglet.2013.09.005. [Электронный ресурс].  2013.  — URL: https://www.sciencedirect.com/science/article/pii/S2213846313000114 (дата обращения: 18.03.2025)

[2] . Fei Tao, Qinglin Qi, Ang Liu, Andrew Kusiak. Data-driven smart manufacturing. Journal of Manufacturing Systems, Volume 48, Part C, 2018, Pages 157-169, ISSN 0278-6125, https://doi.org/10.1016/j.jmsy.2018.01.006. [Электронный ресурс].  2018. — URL: https://www.sciencedirect.com/science/article/pii/S0278612518300062 (дата обращения: 18.03.2025)

[3] . Zhang, Y., Huang, T. & Bompard, E.F. Big data analytics in smart grids: a review. Energy Inform 1, 8 (2018). https://doi.org/10.1186/s42162-018-0007-5. [Электронный ресурс].  2018. — URL: https://www.researchgate.net/publication/326996236_Big_data_analytics_in_smart_grids_a_review (дата обращения: 18.03.2025)

[4] . Kusiak, A. Smart manufacturing must embrace big data. Nature, 544(7648), 23-25. DOI: 10.1038/544023a [Электронный ресурс].  2018. — URL: https://www.researchgate.net/publication/315792168_Smart_Manufacturing_Must_Embrace_Big_Data (дата обращения: 18.03.2025)

[5] . Jayavardhana Gubbi, Rajkumar Buyya, Slaven Marusic, Marimuthu Palaniswami. Internet of Things (IoT): A vision, architectural elements, and future directions.  Future Generation Computer Systems, Volume 29, Issue 7, 2013, Pages 1645-1660, ISSN 0167-739X, https://doi.org/10.1016/j.future.2013.01.010. [Электронный ресурс].  2013. — URL: https://www.sciencedirect.com/science/article/abs/pii/S0167739X13000241 (дата обращения: 18.03.2025)

[6] . Jay Lee, Behrad Bagheri, Hung-An Kao. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters,Volume 3, 2015, Pages 18-23, ISSN 2213-8463, https://doi.org/10.1016/j.mfglet.2014.12.001. [Электронный ресурс].  2015. — URL: https://www.sciencedirect.com/science/article/pii/S221384631400025X (дата обращения: 18.03.2025)

[7] . Lihui Wang, Martin Törngren, Mauro Onori. Current status and advancement of cyber-physical systems in manufacturing. Journal of Manufacturing Systems, Volume 37, Part 2, 2015, Pages 517-527, ISSN 0278-6125, https://doi.org/10.1016/j.jmsy.2015.04.008. [Электронный ресурс].  2015. — URL: https://www.sciencedirect.com/science/article/pii/S0278612515000400 (дата обращения: 18.03.2025)

[8] . Yuqian Lu, Xun Xu, Lihui Wang. Smart manufacturing process and system automation – A critical review of the standards and envisioned scenarios. Journal of Manufacturing Systems, Volume 56, 2020, Pages 312-325, ISSN 0278-6125, https://doi.org/10.1016/j.jmsy.2020.06.010. [Электронный ресурс].  2020. — URL: https://www.sciencedirect.com/science/article/pii/S027861252030100X (дата обращения: 18.03.2025)

[9] . Zhou, K., Liu, T., & Zhou, L. Industry 4.0: Towards future industrial opportunities and challenges. In 2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), 2147-2152. DOI: 10.1109/FSKD.2015.7382284 [Электронный ресурс].  2015. — URL: https://ieeexplore.ieee.org/document/7382284 (дата обращения: 18.03.2025)

[10] . Xu, L. D., Xu, E. L., & Li, L. Industry 4.0: state of the art and future trends. International Journal of Production Research, 56(8), 2941-2962. DOI: 10.1080/00207543.2018.1444806 [Электронный ресурс].  2018. — URL: https://www.tandfonline.com/doi/full/10.1080/00207543.2018.1444806 (дата обращения: 18.03.2025)

[11] . Susto, G. A., Schirru, A., Pampuri, S., McLoone, S., & Beghi, A. (2015) Machine learning for predictive maintenance: A multiple classifier approach. IEEE Transactions on Industrial Informatics, 11(3), 812-820. DOI: 10.1109/TII.2014.2349359. [Электронный ресурс].  2015. — URL: https://www.researchgate.net/publication/277723565_Machine_Learning_for_Predictive_Maintenance_A_Multiple_Classifier_Approach (дата обращения: 18.03.2025)

[12] . Panagiotis Mallioris, Eirini Aivazidou, Dimitrios Bechtsis. Predictive maintenance in Industry 4.0: A systematic multi-sector mapping. CIRP Journal of Manufacturing Science and Technology, Volume 50, 2024, Pages 80-103, ISSN 1755-5817, https://doi.org/10.1016/j.cirpj.2024.02.003. [Электронный ресурс].  2024. — URL: https://www.sciencedirect.com/science/article/pii/S1755581724000221 (дата обращения: 18.03.2025)

[13] . Andrew K.S. Jardine, Daming Lin, Dragan Banjevic. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, Volume 20, Issue 7, 2006, Pages 1483-1510, ISSN 0888-3270, https://doi.org/10.1016/j.ymssp.2005.09.012. [Электронный ресурс].  2006. — URL: https://www.sciencedirect.com/science/article/pii/S0888327005001512 (дата обращения: 18.03.2025)

[14] . Zheng J, Meister M. The unbearable slowness of being: Why do we live at 10 bits/s? Neuron. 2025 Jan 22;113(2):192-204. doi: 10.1016/j.neuron.2024.11.008. Epub 2024 Dec 17. PMID: 39694032; PMCID: PMC11758279. [Электронный ресурс].  2025. — URL: https://arxiv.org/html/2408.10234v2 (дата обращения: 18.03.2025)

[15] . Дорогина О.И. Нейрофизиология : учеб. пособие / О. И. Дорогина ; М-во науки и высш. образования Рос. Федерации, Урал. федер. ун-т. — Екатеринбург : Изд-во Урал. ун-та, 2019. — 100 с. — URL: https://elar.urfu.ru/bitstream/10995/77151/1/978-5-7996-2619-8_2019.pdf (дата обращения: 18.03.2025)

[16] . Манцулич Валерия Валерьевна. История становления когнитивной психологии и развития взглядов на проблему когнитивных и метакогнитивных способностей личности. Московский городской педагогический университет, Москва, Россия, 2022. Электронный ресурс] cyberleninka.ru — URL: https://cyberleninka.ru/article/n/istoriya-stanovleniya-kognitivnoy-psihologii-i-razvitiya-vzglyadov-na-problemu-kognitivnyh-i-metakognitivnyh-sposobnostey-lichnosti (дата обращения: 17.03.2025)

[17] . Когнитивная психология. Учебник для вузов / Под ред. В.Н.Дружинина, Д.В. Ушакова. — М.: ПЕР СЭ, 2002. — 479 с.

[18] . Вызванные потенциалы мозга (ВП). [Электронный ресурс].  cmi.to — URL: https://cmi.to/ вызванные-потенциалы/ (дата обращения: 17.03.2025)

[19] . Березина И.Ю., Михайлов А.Ю., Горецкая Т.А. и др. Применение вызванных потенциалов, связанных с событием (Р300), у лиц, злоупотребляющих психоактивными веществами // Вопросы наркологии. 2020. № 12. С. 19–43. DOI: https://doi.org/10.47877/0234-0623_2020_12_19

[20] . Guansong Pang, Chunhua Shen, Longbing Cao, and Anton van den Hengel. 2020. Deep Learning for Anomaly Detection: A Review. ACM Comput. Surv. 1, 1, Article 1 (January 2020), 36 pages. https://doi.org/10.1145/3439950

[21] . Шустов Д.И., Федотов И.А., Кряжкова Д.Ю. Использование потенциала негативности рассогласования при диагностике психозов: систематический обзор метаанализов. ФГБУ «НМИЦ ПН им. В.П. Сербского» Минздрава России, 2024. [Электронный ресурс].  psychiatr.ru — URL: https://psychiatr.ru/files/magazines/2024_08_scp_2423.pdf (дата обращения: 17.03.2025)