Leoshchenko, S. D.Oliinyk, A. O.Subbotin, S. A.Morklyanyk, B. V.Леощенко, Сергій ДмитровичОлійник, Андрій ОлександровичСубботін, Сергій Олександрович2025-12-192025-12-192025https://eir.zp.edu.ua/handle/123456789/25591Leoshchenko S. D. Synthesis of neural network models for technical diagnostics of nonlinear systems / S. D. Leoshchenko, A. O. Oliinyk, S. A. Subbotin, B. V. Morklyanyk // Радіоелектроніка, інформатика, управління. – 2025. – № 2 (73). – C. 126-132.EN: Context. The problem of synthesizing a diagnostic model of complex technical processes in nonlinear systems, which should be characterized by a high level of accuracy, is considered. The object of research is the process of synthesizing a neural network model for technical diagnostics of nonlinear systems. Objective of the work is to synthesize a high-precision neural network model based on previously accumulated historical data about the system. Method. It is proposed to use artificial neural networks for modeling nonlinear technical systems. First, you need to perform an overall assessment of the complexity of the task. Based on the assessment, a decision can be made on the best approach to organizing neuromodel synthesis. So, for the task, the level of ‘random complexity’ was chosen, because despite the relative structure of the data, their total array is quite large in volume and requires careful study in order to ensure high quality of the solution. Therefore, in the future, it was proposed to use a neuromodel based on recurrent networks of the GRU topology and use swarm intelligence methods for neurosynthesis, in particular the A3C method. The results obtained showed a high level of solution obtained, but due to the high level of resource intensity, the proposed approach requires further modifications. Results. A diagnostic model of complex technical processes in nonlinear systems of optimal topology, characterized by a high level of accuracy, is obtained. The built neuromodel reduces the risks associated with ensuring human safety. Conclusions. The conducted experiments confirmed the operability of the proposed approach and allow us to recommend it for further refinement in order to implement technical, industrial and operational process control systems in practice in automation systems. Prospects for further research may lie in optimizing the resource intensity of synthesis processes. UK: Актуальність. Розглянуто задачу синтезу діагностичної моделі складних технічних процесів у нелінійних системах, що має відрізнятися високим рівнем точності. Об’єктом дослідження є процес синтезу нейромережевої моделі для технічного діагностування нелінійних систем. Мета роботи полягає у синтезі нейромережевої моделі високої точності, на основі попередньо накопичених історичних даних про систему. Метод. Запропоновано використовувати штучні нейронні мережі для моделювання нелінійних технічних систем. По-перше, необхідно виконати загальну оцінку складності задачі. На основі оцінки можна прийняти рішення про подальший підхід до організації синтезу нейромоделі. Від так, для поставленої задачі було обрано рівень складності безладна складність, адже не зважаючи на відносну структурованість даних, їх загальний масив є досить великим за об’ємом та вимагає ретельного опрацювання з метою забезпечення високої якості рішення. Тому в подальшому було запропоновано використовувати нейромодель на основі рекурентних мереж топології GRU та використати для нейросинтезу методи ройового інтелекту, зокрема метод A3C. Отримані результати засвідчили високий рівень отриманого рішення, проте через високий рівень ресурсоємності запропонований підхід вимагає подальших модифікацій. Результати. Отримано діагностичну модель складних технічних процесів у нелінійних системах оптимальної топології, що відрізняється високим рівнем точності. Побудована нейромодель знижує ризики пов’язані зі забезпеченням людської безпеки. Висновки. Проведені експерименти підтвердили працездатність запропонованого підходу і дозволяють рекомендувати його для подальшого допрацювання з метою імплементації на практиці в системи автоматизації систем контролю технічних, промислових та експлуатаційних процесів. Перспективи подальших досліджень можуть полягати в оптимізації ресурсоємності процесів синтезу.entechnical diagnostics, nonlinear systems, machine learning, neural network synthesis, indicator system, neuro-model, sampling, learning, errorтехнічне діагностування, нелінійні системи, машинне навчання, синтез нейронних мереж, система індикаторів, нейромодель, вибірка, навчання, помилкаArticle