Комплексная модель оценки вероятностно-временных характеристик процессов доставки и обработки данных в системах акустического распознавания

Актуальность. Цифровизация промышленного производства и переход к концепции предиктивного технического обслуживания ставят перед разработчиками систем мониторинга задачу обеспечения высокой точности и своевременности диагностики состояния автономно работающего оборудования. Анализ акустических сигналов, издаваемых оборудованием в процессе функционирования, становится эффективным инструментом неинвазивного контроля. Однако практическое внедрение подобных систем в условиях ограниченных вычислительных и сетевых ресурсов сопряжено с проблемами оценки вероятностно-временны́х характеристик доставки акустических данных и выбора оптимальных режимов функционирования.

Цель исследования состоит в разработке формализованной модели, позволяющей оценивать задержки и вероятность своевременной доставки пакетов акустических данных для выявления аномалий в работе оборудования при различных параметрах архитектуры системы.

Методы. Для описания процесса передачи данных предложена двухфазная модель системы массового обслуживания с регулируемым доступом. В работе использованы аналитические методы, включая теорию массового обслуживания, преобразования Лапласа ‒ Стилтьеса, модели пуассоновских потоков.

Результаты. Получены выражения для расчета среднего времени доставки и обработки пакетов акустических данных, а также вероятности их своевременной доставки и анализа. Проведена оценка влияния параметров системы на вероятностно-временны́е характеристики процесса.

Новизна заключается во введении параметризованного механизма приоритизации трафика и комплексном моделировании архитектуры системы обработки акустических данных в стохастических условиях. Предложенная модель учитывает специфику промышленного применения и дает возможность прогнозирования поведения системы.

Теоретическая значимость определяется расширением математического аппарата анализа процессов передачи и обработки данных на базе теории массового обслуживания и стохастического моделирования.

Практическая значимость заключается в возможности применения модели для проектирования и настройки систем мониторинга под конкретные требования объектов критической инфраструктуры.

1. Верзун Н. А, Колбанев М. О., Салиева А. Р. Многоагентный ансамблевый алгоритм акустического распознавания нарушений работоспособности автономного технологического оборудования // Информационно-управляющие системы. 2025. Т. 3. С. 14–24. DOI:10.31799/1684-8853-2025-3-14-24. EDN:VHOSZZ

2. Салиева А.Р., Колбанёв М.О., Верзун Н.А. Многоагентная ансамблевая программа акустического распознавания нарушений работоспособности автономного технологического оборудования (МААР). Свидетельство о регистрации программы для ЭВМ № RU 2025662662 от 13.05.2025. Опубл. 22.05.2025. EDN:CQDGCH

3. Салиева А.Р., Верзун Н.А., Колбанев М.О. Оптимизация стратегии в алгоритмах обучения с подкреплением в логистических системах принятия решений // Известия СПбГЭТУ ЛЭТИ. 2025. Т. 17. № 3. С. 65–77. DOI:10.32603/2071-8985-2025-18-3-65-77. EDN:BSRJMX

4. Nasir W., Banaras F. Real-Time IoT-Based Monitoring of Mechanical Systems Using Acoustic and Vibration Data. 2025. DOI:10.13140/RG.2.2.26261.64487

5. Liu T., Mao Y., Dou H., Zhang W., Yang J., Wu P., et al. Emerging Wearable Acoustic Sensing Technologies // Advanced Science. 2025. Vol. 12. Iss. 6. DOI:10.1002/advs.202408653

6. Orel D., Varol A. Noise-Robust Automatic Speech Recognition for Industrial and Urban Environments // Proceedings of the 49th Annual Conference of the IEEE Industrial Electronics Society (IECON, Singapore, Singapore, 16‒19 October 2023). IEEE, 2023. DOI:10.1109/IECON51785.2023.10312708

7. Bauer W., Baranowski J. Comparison of Deep Recurrent Neural Networks and Bayesian Neural Networks for Detecting Electric Motor Damage Through Sound Signal Analysis // arXiv:2502.10224. 2025. DOI:10.48550/arXiv.2502.10224

8. Shi S., Zong Q. Benchmarking Machine Learning Methods for Distributed Acoustic Sensing // arXiv:2503.20681v1. 2025. DOI:10.48550/arXiv.2503.20681

9. ГОСТ Р 55263-2012. Вибрация. Контроль состояния машин по результатам измерений вибрации на вращающихся валах. М.: Стандартинформ, 2014.

10. ГОСТ ИСО 10816-3-2002. Вибрация. Контроль состояния машин по результатам измерений вибрации на невращающихся частях. М.: Стандартинформ, 2007.

11. ГОСТ Р 57154-2016. Техническая диагностика. Мониторинг тепломеханического оборудования АЭС. Расчетно-экспериментальный метод. М.: Стандартинформ, 2016.

12. ГОСТ Р ИСО 13379-1-2015. Контроль состояния и диагностика машин. Методы интерпретации данных и диагностирования. М.: Стандартинформ, 2019.

13. ГОСТ Р 53564-2009. Контроль состояния и диагностика машин. Мониторинг состояния оборудования опасных производств. М.: Стандартинформ, 2019.

14. Вишневский В.М. Теоретические основы проектирования компьютерных сетей. М.: Техносфера, 2003. 512 с.

15. Верзун Н.А., Колбанев М.О., Коршунов И.Л., Микадзе С.Ю. Основы моделирования информационных систем множественного доступа. СПб.: Санкт-Петербургский государственный экономический университет. 2015. 138 с. EDN:XWWFYN

16. Клейнрок Л. Теория массового обслуживания. М.: Машиностроение, 1979. 432 с.

17. Заяц О.И., Кореневская М.М., Ильяшенко А.С., Мулюха В.А. Система массового обслуживания с абсолютным приоритетом, вероятностным выталкивающим механизмом и повторными заявками // Информатика и автоматизация. 2024. Т. 23. № 2. С. 325–351. DOI:10.15622/ia.23.2.1. EDN:KXQKLM

18. Lin Y.-B., Liu T.-H., Tsai Y.-C., Chang F.-M. Waiting Time Control Chart for M/G/1 Retrial Queue // Computation. 2024. Vol. 12. Iss. 9. P. 191. DOI:10.3390/computation12090191. EDN:TSVIHT

19. Kim K. Delay cycle analysis of finite-buffer M/G/1 queues and its application to the analysis of M/G/1 priority queues with finite and infinite buffers // Performance Evaluation. 2020. Vol. 143. P. 102133. DOI:10.1016/j.peva.2020.102133. EDN:HHSEXX

20. Захарикова Е.Б. Математические модели сетей массового обслуживания в виде «Вход-состояние-выход» // Экономика, статистика и информатика. Вестник УМО. 2012. № 6. C. 188–192. EDN:PJBLBR

21. Фунг В.К., Богатырев В.А., Кармановский Н.С., Лэ В.Х. Оценка вероятностно-временных характеристик компьютерной системы с контейнерной виртуализацией // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24. № 2. С. 249–255. DOI:10.17586/2226-1494-2024-24-2-249-255. EDN:NSGEMF

22. Петров М.Н., Поддубецкий М.А. Вероятностно-временные характеристики однолинейных систем массового обслуживания при экспоненциальном распределении времени обслуживания и входном потоке с бета-распределением // Успехи современного естествознания. 2007. № 12. С. 104–105. EDN:IJLYNJ

23. Verzun N.A., Kolbanev M.O., Salieva A.R., Egorov K.N. Changes in the Technological Process of Equipment Condition Monitoring with the Implementation of Acoustic Recognition System // Proceedings of the VIth International Scientific Conference on Neural Networks and Neurotechnologies (NeuroNT, St. Petersburg, Russian Federation, 20‒20 June 2025). IEEE, 2025. DOI:10.1109/NeuroNT66873.2025.11049965

24. Михайличенко А.А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения // Вестник Адыгейского государственного университета. Серия: Естественно-математические и технические науки. 2022. № 4(311). С. 52–59. DOI:10.53598/2410-3225-2022-4-311-52-59. EDN:FVSMBM