МНОГОКРИТЕРИАЛЬНАЯ МОДЕЛЬ ОПТИМИЗАЦИИ ПОВЫШЕНИЯ ЭНЕРГОЭФФЕКТИВНОСТИ И ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ

Боковая панель статьи

Acceptance Certificate PDF (Online First)
Опубликован: 06.11.2026
DOI: https://doi.org/10.70769/3030-3214.SRT.4.4.2026.1
Ключевые слова:
энергоэффективность, промышленная безопасность, многокритериальная оптимизация, Парето-оптимальность, NSGA-II, математическое моделирование, IDEF0, мониторинг в реальном времени, искусственный интеллект, принятие решений

Основное содержимое статьи

Тухтамишова, М.Ш.
Навоийское отделение Академии наук Республики Узбекистан

Аннотация

В исследовании разработана многокритериальная модель оптимизации промышленно-энергетических систем, объединяющая показатели энергопотребления, производственного риска и эксплуатационных затрат. Безопасность рассматривается не как фиксированное ограничение, а как самостоятельный оптимизируемый критерий наряду с энергопотреблением и эксплуатационными затратами. Функциональная структура системы формализована с использованием методологии IDEF0 и математического моделирования. Для формирования множества Парето-оптимальных решений применён алгоритм NSGA-II, итоговое решение выбирается методом нормированной взвешенной суммы. Вычислительный эксперимент на синтетических данных (10 независимых запусков) показал снижение энергопотребления на 25,2 ± 4,3% и уровня риска на 38,9 ± 9,4% по сравнению с традиционным режимом при росте эксплуатационных затрат на 8,0%. Однокритериальная оптимизация обеспечила более значительную экономию энергии, однако уровень риска приблизился к допустимому порогу. Научная новизна заключается в интеграции критериев энергоэффективности и безопасности в едином адаптивном оптимизационном контуре с обратной связью.

Downloads

Download data is not yet available.

Информация о статье

Выпуск

Том 4 № 4 (2026)

Раздел

Экология, охрана труда и техника безопасности
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Условия массовой лицензии
(Для Open Journal Systems (OJS))

  1. Авторское право:
    Авторское право на опубликованную статью остается за автором(ами). В то же время после публикации статья распространяется на платформе OJS под лицензией Creative Commons (CC BY).

  2. Тип лицензии:
    Данная статья распространяется под лицензией Creative Commons Attribution 4.0 International (CC BY 4.0). Это означает, что пользователи могут использовать статью на следующих условиях:

    • Копирование и распространение: Текст статьи или его части могут свободно распространяться.
    • Цитирование и анализ: Части статьи могут использоваться для цитирования.
    • Свободное использование: Статья может быть свободно использована для научных и образовательных целей.
    • Указание авторства: Пользователи обязаны правильно указывать авторство и ссылаться на оригинальный источник.

  3. Коммерческое использование:
    Использование статьи в коммерческих целях разрешено, однако необходимо указание авторства и ссылки на источник.

  4. Изменение документа:
    Текст или содержание статьи могут быть изменены или переработаны, при условии, что это не наносит вреда авторству.

  5. Ограничение ответственности:
    Автор(ы) несут ответственность за точность информации, содержащейся в статье. Редакция платформы не несет ответственности за любой ущерб, возникший в результате использования данной информации.

  6. Обязательства при публичном использовании:
    Содержание статьи должно использоваться только в соответствии с законодательными и этическими нормами. Незаконное использование строго запрещено.

Примечание:
Данные условия лицензии направлены на обеспечение прозрачности и открытости использования материалов. Принимая эти условия, вы соглашаетесь на переработку и распространение содержания статьи в соответствии с условиями лицензии Creative Commons.

Ссылка: Creative Commons Attribution 4.0 International (CC BY 4.0)

Биография автора

Тухтамишова, М.Ш., Навоийское отделение Академии наук Республики Узбекистан

Навоийское отделение Академии наук Республики Узбекистан, Навои, Узбекистан

Как цитировать

Тухтамишова, М. Ш. (2026). МНОГОКРИТЕРИАЛЬНАЯ МОДЕЛЬ ОПТИМИЗАЦИИ ПОВЫШЕНИЯ ЭНЕРГОЭФФЕКТИВНОСТИ И ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ. Цифровые технологии в промышленности, 4(4). https://doi.org/10.70769/3030-3214.SRT.4.4.2026.1

Библиографические ссылки

[1] Boyd, S., & Vandenberghe, L. (2004). Convex optimization. Cambridge University Press. https://doi.org/10.1017/CBO9780511804441 DOI: https://doi.org/10.1017/CBO9780511804441

[2] Camacho, E. F., & Bordons, C. (2007). Model predictive control (2nd ed.). Springer. https://doi.org/10.1007/978-0-85729-398-5 DOI: https://doi.org/10.1007/978-0-85729-398-5_9

[3] Coello Coello, C. A., Lamont, G. B., & Van Veldhuizen, D. A. (2007). Evolutionary algorithms for solving multi-objective problems (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-36797-2 DOI: https://doi.org/10.1007/978-0-387-36797-2

[4] Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. https://doi.org/10.1109/4235.996017 DOI: https://doi.org/10.1109/4235.996017

[5] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org/

[6] Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735 DOI: https://doi.org/10.1162/neco.1997.9.8.1735

[7] International Electrotechnical Commission. (2010). Functional safety of electrical/electronic/programmable electronic safety-related systems—Parts 1–7 (IEC 61508:2010). https://webstore.iec.ch/en/publication/22273

[8] International Organization for Standardization. (2018). Energy management systems—Requirements with guidance for use (ISO 50001:2018). https://www.iso.org/standard/69426.html

[9] Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN'95—International Conference on Neural Networks (Vol. 4, pp. 1942–1948). IEEE. https://doi.org/10.1109/ICNN.1995.488968 DOI: https://doi.org/10.1109/ICNN.1995.488968

[10] Marler, R. T., & Arora, J. S. (2004). Survey of multi-objective optimization methods for engineering. Structural and Multidisciplinary Optimization, 26(6), 369–395. https://doi.org/10.1007/s00158-003-0368-6 DOI: https://doi.org/10.1007/s00158-003-0368-6

[11] Miettinen, K. (1999). Nonlinear multiobjective optimization. Kluwer Academic Publishers. https://doi.org/10.1007/978-1-4615-5563-6 DOI: https://doi.org/10.1007/978-1-4615-5563-6

[12] National Institute of Standards and Technology. (1993). Integration definition for function modeling (IDEF0) (Federal Information Processing Standards Publication 183). https://nvlpubs.nist.gov/nistpubs/Legacy/FIPS/fipspub183.pdf

[13] Rausand, M. (2011). Risk assessment: Theory, methods, and applications. John Wiley & Sons. https://doi.org/10.1002/9781118281116 DOI: https://doi.org/10.1002/9781118281116

[14] Zhang, Q., & Li, H. (2007). MOEA/D: A multiobjective evolutionary algorithm based on decomposition. IEEE Transactions on Evolutionary Computation, 11(6), 712–731. https://doi.org/10.1109/TEVC.2007.892759 DOI: https://doi.org/10.1109/TEVC.2007.892759

[15] Zhou, A., Qu, B.-Y., Li, H., Zhao, S.-Z., Suganthan, P. N., & Zhang, Q. (2011). Multiobjective evolutionary algorithms: A survey of the state of the art. Swarm and Evolutionary Computation, 1(1), 32–49. https://doi.org/10.1016/j.swevo.2011.03.001 DOI: https://doi.org/10.1016/j.swevo.2011.03.001