АНАЛІЗ ВПЛИВУ ВХІДНИХ ПАРАМЕТРІВ НА ТОЧНІСТЬ ПРОГНОЗУВАННЯ ТЕМПЕРАТУРИ ЗЕРНА ЗА ДОПОМОГОЮ НЕЙРО-НЕЧІТКИХ СИСТЕМ

Анотація

У статті проведено аналіз впливу вхідних параметрів на точність прогнозування температури зерна у сховищах за допомогою адаптивної нейро-нечіткої системи логічного висновку (ANFIS). Основна увага приділена визначенню найважливіших параметрів, які забезпечують високу ефективність моделі, зокрема включенню поточної температури зерна як інтегрального показника, що відображає енергетичний стан зернової маси. Додавання цього параметра дозволило моделі враховувати початкові умови та значно покращити прогнозування теплових процесів.

Окрім числових параметрів, таких як температура повітря, відносна вологість та швидкість вітру, модель враховує часові ряди, сформовані на основі попередніх значень температури зерна та екологічних умов. Для цього було використано ковзне вікно(sliding window) з шириною 8 інтервалів (2 години), що дозволило моделі аналізувати короткострокові зміни температури та динаміку зовнішніх умов. Такий підхід сприяє підвищенню точності прогнозування за рахунок врахування залежностей між поточними та попередніми станами зернової маси.

Окрему увагу приділено інтеграції якісних параметрів, таких як вид та сорт зерна, представлених у вигляді лінгвістичних змінних за допомогою нечіткої логіки. Використання експертних даних дозволило створити систему правил, яка адаптується до специфіки різних зернових культур і забезпечує високу гнучкість моделі у різноманітних умовах зберігання.

Результати моделювання показали, що розроблена модель ANFIS із оптимальним набором параметрів демонструє значно нижчі значення RMSE у порівнянні з базовими моделями ARIMA та LSTM. Зокрема, модель підтвердила свою перевагу у точності прогнозування для різних зон зерносховища, забезпечуючи стабільність температурних умов та своєчасне виявлення ризиків теплового самозігрівання. Отримані результати підкреслюють важливість урахування як числових, так і якісних параметрів для підвищення ефективності автоматизованих систем моніторингу температури у зерносховищах.