ОБРАЗОВАНИЕ НАУКА И ИННОВАЦИОННЫЕ ИДЕИ В МИРЕ
https://scientific-jl.org/obr
Выпуск журнала №-70
Часть–6_ июня –2025
393
2181-3187
TEXNOLOGIK JARAYONLARNI BOSHQARISHDA SUN’IY
NEYRON TARMOQLARINING QO‘LLANILISHI
SAMARADORLIGINI TAHLIL QILISH
Ravshanov Farruxjon Axtamovich
Navoiy davlat konchilik
va texnologiyalar universiteti
“MSS” kafedrasi assistenti
Davronova Ruxshona Rustam qizi
NDKTU, 15-23MSM guruh bakalavri
Ushbu maqolada sun’iy neyron tarmoqlari (SNT) yordamida texnologik
jarayonlarni boshqarish samaradorligi o‘rganiladi. SNT asosidagi boshqarishning
aniqligi, moslashuvchanligi va xatoliklarni bashorat qilish imkoniyatlari tahlil qilinadi.
Sanoat ishlab chiqarish sohasida real modellar asosida o‘tkazilgan tajribalar natijalari
keltirilgan [1].
SNT inson miyasi asosida bilimlarni modellashtirish, o‘qitish va qaror qabul
qilishga qodir algoritmik tizimlar hisoblanadi. Har bir sun’iy neyron kiruvchi
signallarni o‘ziga tegishli vaznlar bilan ko‘paytiradi va faollashtirish funksiyasi orqali
chiqish signali hosil qilinadi. Ushbu tizimlar kirish qatlami, yashirin qatlam va chiqish
qatlamidan iborat bo‘lib, chuqur o‘qitishga asoslangan strukturalarda ishlatiladi [2-3].
O‘qitish usullari esa nazorat ostida o‘qitiish va nazoratsiz o‘qitish bo‘lib, real
texnologik jarayonlarda bashorat qilish, tahlil qilish va xatoliklarni kamaytirish
imkonini beradi.
Texnologik jarayonlarni boshqarishda klassik PID (PID - sanoat avtomatik
boshqarish tizimlarida keng qo‘llaniladigan Proportional–Integral–Deferensial
rostlagichlar algoritmiga asoslangan boshqarish usuli) va differensial modellar hali
ham qo‘llanilmoqda [4]. Biroq, noaniqlik sharoitida, tashqi shovqin va parametrlarning
o‘zgaruvchanligi ularning samaradorligini pasaytiradi. Shu sababli SNT asosidagi
modellashtirish quyidagicha amalga oshiriladi:
ОБРАЗОВАНИЕ НАУКА И ИННОВАЦИОННЫЕ ИДЕИ В МИРЕ
https://scientific-jl.org/obr
Выпуск журнала №-70
Часть–6_ июня –2025
394
2181-3187
1.
Ma’lumotlarni yig‘ish va tozalash;
2.
Tarmoq arxitekturasini tanlash;
3.
O‘qitish algoritmini tanlash;
4.
Sinov va umumiy imkoniyatlarini baholash.
Intellektual boshqarish tizimlarida [5-6] ishlatiladigan SNT ning quyidagi turlari
mavjud (1-rasm):
1-rasm. Sun’iy neyron tarmoqlarining turlari
Amaliy tajriba sifatida oziq-ovqat sanoatidagi issiqlik jarayonlarida SNT
qo‘llanildi. 3 ta kirish (T, bosim, tashqi muhit), 2 yashirin qatlam (5 va 3 neyron),
ReLU va sigmoid aktivatsiya funksiyalari bilan 1 chiqish (bashorat qilingan T)
ishlatildi. 1000 ta sinovdan so‘ng RMSE qiymati 0,21°C ga tushirildi. Bu PID
rostlagichi asosidagi boshqarish tizimlariga nisbatan 37 % yuqori aniqlikda rostlashni
ta’minlaydi. Quyidagi jadvalda klassik va SNT asosidagi boshqarish tizimlari
qiyoslangan:
Ko‘p qatlamli
perseptron
(MLP);
Konvolyutsion
neyron tarmoqlar
(CNN);
Takrorlanuvchi
neyron tarmoqlar
(RNN);
Radial asosli
tarmoqlar
(RBF).
Mezoni
Klassik tizim
SNT tizimi
Aniqlik darajasi
O‘rtacha
Yuqori
Moslashuvchanlik
Cheklangan
Yuqori
ОБРАЗОВАНИЕ НАУКА И ИННОВАЦИОННЫЕ ИДЕИ В МИРЕ
https://scientific-jl.org/obr
Выпуск журнала №-70
Часть–6_ июня –2025
395
2181-3187
Xususan, 10–15 % tashqi shovqin ostida SNT model o‘zini qayta moslay oladi.
Haroratdagi ±10°C o‘zgarishda 2 soniya ichida real qiymatlarga yaqinlashdi.
Sun’iy neyron tarmoqlar texnologik jarayonlarni avtomatik boshqarishda yuqori
samaradorlik ko‘rsatmoqda. Ular aniqlik, moslashuvchanlik, o‘z-o‘zini o‘qitish va
xatoliklarni avtomatik tuzatish imkoniyatlari bilan ajralib turadi. Tadqiqotlar shuni
ko‘rsatmoqdaki, SNT yordamida intellektual boshqarish tizimlarining aniqligi 30–40
% ga, shovqinga bardoshliligi esa 2 barobarga oshadi. Ushbu yondashuv, ayniqsa,
energetika, kimyo, metallurgiya, farmatsevtika va oziq-ovqat sanoatida real vaqtli,
ishonchli boshqarishni ta’minlaydi. Kelgusida SNT asosidagi intellektual boshqarish
tizimlarini keng ma’lumotlar bazasi yaratish, GPU asosida o‘rgatish tezligini oshirish,
foydalanuvchiga qulay interfeyslar yaratish, metrologik monitoring bilan
integratsiyalash yo‘nalishlarda takomillashtirish maqsadga muvofiq.
Foydalanilgan asosiy adabiyotlar
1.
Махмудов Г. Б., Саидова А. Х., Мохилова Н. Т. Моделирование нечеткой
логики для управления процессом бактериального окисления концентратов в
реакторах с мешалкой //Современные инновации, системы и технологии. – 2022.
– Т. 2. – №. 2. – С. 0201-0214.
2.
Жумаев О. А., Ковалева И. Л., Махмудов Г. Б. Управление
температурным режимом процесса бактериального окисления на основе
нечеткой логики //Системный анализ и прикладная информатика. – 2023. – №. 2.
– С. 42-47.
3.
Jumaev, O. A., & Ismoilov, M. T. (2023). Filtering Errors in Primary Sensor
Signals.
E3S Web of Conferences
, 417, 05008.
4.
Rakhimov, A., Orziyev, J., & Isabekova, V. (2024). Improving the Quality of
Signals Using an Adaptive Filter.
E3S Web of Conferences
, 525, 05010.
Tashqi shovqinga bardoshlik
Past
Yuqori
Reaksiya tezligi
Sekin
Tez
O‘z-o‘zini o‘qitish
Yo‘q
Bor
ОБРАЗОВАНИЕ НАУКА И ИННОВАЦИОННЫЕ ИДЕИ В МИРЕ
https://scientific-jl.org/obr
Выпуск журнала №-70
Часть–6_ июня –2025
396
2181-3187
5.
Muxriddin T. o‘g‘li I., Rakhimov, A., Orziyev, J. (2024). Texnologik
Jarayonlarda LabView Dasturi Yordamida Haroratni O‘lchash Natijalarini Kuzatish va
Signallash.
Journal of Discoveries in Applied and Natural Science
, 2(2), 7–14.
6.
Mahmudov G. et al. Bioreaktor uchun noravshan rostlagichning qoidalar
bazasini ishlab chiqish //Journal of Advances in Engineering Technology. – 2024. –
№. 2. – С. 27-32.
