WEDD-RST: інтерпретовний підхід до виявлення дефектів фотоелектричних панелей у кіберфізичних системах

Автор(и)

  • Павло Радюк Хмельницький національний університет
  • Анатолій Саченко Західноукраїнський національний університет
  • Олександр Мельниченко Хмельницький національний університет
  • Руслан Бруханський Західноукраїнський національний університет
  • Антоніна Каштальян Хмельницький національний університет

Ключові слова:

виробнича база знань; теорія наближених множин; дискретизація; грануляція інформації; редукт; класифікація; кіберфізичні системи; фотоелектричний моніторинг; SCADA

Анотація

Предметом дослідження є інтерпретованість механізмів виявлення дефектів фотоелектричних панелей у кіберфізичних системах. Поширення інфраструктури відновлюваної енергетики генерує значні обсяги безперервних сенсорних даних, що вимагає розширеного моніторингу для зниження ризиків безпеки, як-от пожежі на фотоелектричних станціях. Однак поширені підходи глибокого навчання працюють як непрозорі "чорні ящики", яким бракує прозорості логічних висновків для ухвалення критично важливих рішень. Метою цієї роботи є покращення інтерпретованості систем виявлення дефектів у кіберфізичних середовищах способом побудови виробничої бази знань на основі правил безпосередньо за результатами безперервних вимірювань датчиків. Завдання дослідження: розроблення методу адаптивної дискретизації, ідентифікація мінімальних підмножин ознак та вирішення суперечливих шаблонів за допомогою інтегральної оцінки підтримки класу. Методи передбачають інтеграцію теорії наближених множин (RST) з новим алгоритмом зваженої ентропійно-щільнісної дискретизації (WEDD). Метод оптимізує пороги на основі подвійного критерію інформаційної ентропії та локальної щільності ймовірності, використовуючи оцінку ядра щільності для розміщення точок зрізу в природних западинах даних. Детерміновані правила вилучаються з нижнього наближення, а ймовірнісні правила синтезуються з граничної ділянки. Результати обчислювальних експериментів демонструють високу ефективність запропонованого методу. Перевірена на змодельованому наборі даних SCADA для виявлення пожежної небезпеки, система досягає загальної точності 96,2% і макро-F1-оцінки 0,960. Зокрема, вона дає 100% точність для детермінованих правил і забезпечує повноту 98,0% для критичного класу пожежної небезпеки, сприяючи високій надійності в аварійних сценаріях. Отримана база знань є самодостатнім і легким артефактом у форматі JSON, придатним для розгортання на периферійних пристроях з обмеженими ресурсами. Висновки: дослідження утверджує підхід WEDD-RST як строгу структуру для перетворення необроблених даних датчиків на повністю перевірювані правила IF-THEN із явними оцінками впевненості, пропонуючи високонадійне та інтерпретоване рішення для автоматизованого моніторингу безпеки в кіберфізичних середовищах.

Завантаження

Дані завантаження ще не доступні.

Біографії авторів

Павло Радюк, Хмельницький національний університет

доктор філософії,  доцент кафедри комп’ютерних наук

Анатолій Саченко, Західноукраїнський національний університет

доктор технічних наук, професор, Західноукраїнський національний університет, директор Науково-дослідного інституту інтелектуальних комп’ютерних систем, Тернопіль, Україна; Радомський університет імені Казімежа Пуласького, Радом, Польща

Олександр Мельниченко, Хмельницький національний університет

доктор філософії, старший викладач кафедри комп’ютерної інженерії та інформаційних систем

Руслан Бруханський, Західноукраїнський національний університет

доктор економічних наук, професор, завідувач кафедри енергетичних систем та бізнес-аналітики

Антоніна Каштальян, Хмельницький національний університет

доктор технічних наук, доцент, професор кафедри комп’ютерної інженерії та інформаційних систем

Посилання

References

Carnì, D. L., Grimaldi, D., Lamonaca, F., Nigro, L., and Sciammarella, F. (2017), "From distributed measurement systems to cyber-physical systems: A design approach", International Journal of Computing, Vol. 16, No. 2, pp. 66–73. DOI: https://doi.org/10.47839/ijc.16.2.882

Osadchy, S., Demska, N., Oleksandrov, Y., and Nevliudova, V. (2021), "Research of DIKW and 5C architectural models for creation of cyber-physical production systems within the concept of industry 4.0", Innovative Technologies and Scientific Solutions for Industries, No. 1(15), pp. 132–140. DOI: https://doi.org/10.30837/itssi.2021.15.132

Xie, H., Yuan, B., Hu, C., Gao, Y., Wang, F., Wang, C., Wang, Y., and Chu, P. (2024), "ST-YOLO: A defect detection method for photovoltaic modules based on infrared thermal imaging and machine vision technology", PLOS ONE, Vol. 19, No. 12, Article e0310742. DOI: https://doi.org/10.1371/journal.pone.0310742

Lysyi, A., Sachenko, A., Radiuk, P., Lysyi, M., Melnychenko, O., Ishchuk, O., and Savenko, O. (2025), "Enhanced fire hazard detection in solar power plants: An integrated UAV, AI, and SCADA-based approach", Radioelectronic and Computer Systems, Vol. 2025, No. 2, pp. 99–117. DOI: https://doi.org/10.32620/reks.2025.2.06

Thakfan, A., and Bin Salamah, Y. (2024), "Artificial-intelligence-based detection of defects and faults in photovoltaic systems: A survey", Energies, Vol. 17, No. 19, Article 4807. DOI: https://doi.org/10.3390/en17194807

Svystun, S., Melnychenko, O., Radiuk, P., Savenko, O., Sachenko, A., and Lysyi, A. (2024), "Thermal and RGB images work better together in wind turbine damage detection", International Journal of Computing, Vol. 23, No. 4, pp. 526–535. DOI: https://doi.org/10.47839/ijc.23.4.3752

Donida Labati, R., Genovese, A., Muñoz, E., Piuri, V., Scotti, F., and Sforza, G. (2016), "Computational intelligence for biometric applications: A survey", International Journal of Computing, Vol. 15, No. 1, pp. 42–53. DOI: https://doi.org/10.47839/ijc.15.1.829

Terven, J., Córdova-Esparza, D.-M., and Romero-González, J.-A. (2023), "A comprehensive review of YOLO architectures in computer vision: From YOLOv1 to YOLOv8 and YOLO-NAS", Machine Learning and Knowledge Extraction, Vol. 5, No. 4, pp. 1680–1716. DOI: https://doi.org/10.3390/make5040083

Svystun, S., Scislo, L., Pawlik, M., Melnychenko, O., Radiuk, P., Savenko, O., and Sachenko, A. (2025), "DyTAM: Accelerating wind turbine inspections with dynamic UAV trajectory adaptation", Energies, Vol. 18, No. 7, Article 1823. DOI: https://doi.org/10.3390/en18071823

Denysiuk, D., Geidarova, O., Kapustian, M., Lysenko, S., and Sachenko, A. (2023), "Blockchain-based deep learning algorithm for detecting malware", In: Proceedings of the 4th International Workshop on Intelligent Information Technologies & Systems of Information Security, 22–24 March 2023, Khmelnytskyi, Ukraine, Aachen: CEUR-WS.org. pp. 529–538, available at: https://ceur-ws.org/Vol-3373/paper36.pdf (last accessed 26.02.2026).

Morozov, A., Fabarisov, T., Vock, S., Siedel, G., Bolbot, V., and Voß, S. (2026), "Risk and reliability evaluation of future industrial automation systems: a systematic literature review and research agenda", ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part B: Mechanical Engineering, Vol. 12, No. 2, Article 020801. DOI: https://doi.org/10.1115/1.4070764

Mochurad, L., and Hladun, Y. (2021), "Modeling of psychomotor reactions of a person based on modification of the tapping test", International Journal of Computing, Vol. 20, No. 2, pp. 190–200. DOI: https://doi.org/10.47839/ijc.20.2.2166

Pięta, P., and Szmuc, T. (2021), "Applications of rough sets in big data analysis: An overview", International Journal of Applied Mathematics and Computer Science, Vol. 31, No. 4, pp. 659–683. DOI: https://doi.org/10.34768/amcs-2021-0046

Costa, V. G., and Pedreira, C. E. (2022), "Recent advances in decision trees: An updated survey", Artificial Intelligence Review, Vol. 56, No. 5, pp. 4765–4800. DOI: https://doi.org/10.1007/s10462-022-10275-5

Javed Mehedi Shamrat, F.M., Ranjan, R., Hasib, K.M., Yadav, A., and Siddique, A.H. (2022), "Performance evaluation among ID3, C4.5, and CART decision tree algorithm", In: Pervasive Computing and Social Networking, Singapore: Springer Singapore, Lecture Notes in Networks and Systems, Vol. 317, pp. 127–142. DOI: https://doi.org/10.1007/978-981-16-5640-8_11

Li, H. (2024), "Decision Tree", In: Machine Learning Methods, Singapore: Springer, pp. 77–102. DOI: https://doi.org/10.1007/978-981-99-3917-6_5

Xu, W., Yan, Y., and Li, X. (2025), "Sequential rough set: a conservative extension of Pawlak’s classical rough set", Artificial Intelligence Review, Vol. 58, No. 1, Article 9. DOI: https://doi.org/10.1007/s10462-024-10976-z

Tetteh, E. T., and Zielosko, B. (2025), "Greedy algorithm for deriving decision rules from decision tree ensembles", Entropy, Vol. 27, No. 1, Article 35. DOI: https://doi.org/10.3390/e27010035

Słowiński, R., Greco, S., and Matarazzo, B. (2023), "Rough Sets in Decision-Making", In: T.-Y. Lin, C.-J. Liau and J. Kacprzyk, eds., Granular, Fuzzy, and Soft Computing, Encyclopedia of Complexity and Systems Science Series, Springer, New York, NY. pp. 419–468. DOI: https://doi.org/10.1007/978-1-0716-2628-3_460

Benbrahim, M., Hamaidi, B., Haouassi, H., Mahdaoui, R., and Mouss, L.-H. (2025), "Explainable fault detection and diagnosis based on an IDEOA as applied to an industrial process", Diagnostyka, Vol. 26, No. 2, Article 2025203. DOI: https://doi.org/10.29354/diag/203246

Badanyuk, I., Nevliudov, I., and Nikitin, D. (2023), "Topological image processing for comprehensive defect and deviation analysis using adaptive binarisation", Innovative Technologies and Scientific Solutions for Industries, No. 1(23), pp. 164–173. DOI: https://doi.org/10.30837/itssi.2023.23.164

Ma, J., Hu, X., Chu, T., Zhao, H., and Ma, D. (2026), "IPIGN: An interpretable physics-informed graph network multitask cascading failure diagnosis method for distributed energy systems", IEEE Transactions on Industrial Electronics, Vol. 73, No. 5, pp. 7960–7971. DOI: https://doi.org/10.1109/tie.2025.3645397

Luo, S., Shi, L., Chen, L., and Cao, X. (2025), "Accelerated feature selection via discernibility hashing: A rough set approach", Entropy, Vol. 27, No. 12, Article 1222. DOI: https://doi.org/10.3390/e27121222

Alves Júnior, J.G.V., Leite, N.F., Guimarães, J.B., Marques, J.A.L., Ribeiro, S.S., and Alexandria, A.R.d. (2025), "Rough Set Theory Applied to Feature Selection", In: Zhang, Q. et al., eds., Rough Sets (IJCRS 2025), Lecture Notes in Computer Science, Vol. 15709, Cham: Springer Nature Switzerland, pp. 91–107. DOI: https://doi.org/10.1007/978-3-031-92744-7_7

Błaszczyński, J., Greco, S., Matarazzo, B., and Szeląg, M. (2022), "Dominance-Based Rough Set Approach: Basic Ideas and Main Trends", In: Intelligent decision support systems, Cham: Springer International Publishing. pp. 353–382. DOI: DOI: https://doi.org/10.1007/978-3-030-96318-7_18

Zhang, P., Li, T., Wang, G., Luo, C., Chen, H., Zhang, J., Wang, D., and Yu, Z. (2021), "Multi-source information fusion based on rough set theory: a review", Information Fusion, Vol. 68, pp. 85–117. DOI: https://doi.org/10.1016/j.inffus.2020.11.004

Grzymala-Busse, J.W. (2023), "Rule induction", In: Machine Learning for Data Science Handbook, Cham: Springer International Publishing, pp. 55–74. DOI: https://doi.org/10.1007/978-3-031-24628-9_4

García, S., Luengo, J., Sáez, J. A., López, V., and Herrera, F. (2013), "A survey of discretization techniques: taxonomy and empirical analysis in supervised learning", IEEE Transactions on Knowledge and Data Engineering, Vol. 25, No. 4, pp. 734–750. DOI: https://doi.org/10.1109/TKDE.2012.35

Toulabinejad, E., Mirsafaei, M., and Basiri, A. (2024), "Supervised discretization of continuous-valued attributes for classification using RACER algorithm", Expert Systems with Applications, Vol. 244, Article 121203. DOI: https://doi.org/10.1016/j.eswa.2023.121203

Huang, M.-W., Tsai, C.-F., Tsui, S.-C., and Lin, W.-C. (2023), "Combining data discretization and missing value imputation for incomplete medical datasets", PLOS ONE, Vol. 18, No. 11, Article e0295032. DOI: https://doi.org/10.1371/journal.pone.0295032

Xun, Y., Yin, Q., Zhang, J., Yang, H., and Cui, X. (2021), "A novel discretization algorithm based on multi-scale and information entropy", Applied Intelligence, Vol. 51, No. 2, pp. 991–1009. DOI: https://doi.org/10.1007/s10489-020-01850-w

Fauzi, R. R., and Maesono, Y. (2023), "Kernel Density Function Estimator", In: Statistical Inference Based on Kernel Distribution Function Estimators, Singapore: Springer Nature Singapore, pp. 1–16. DOI: https://doi.org/10.1007/978-981-99-1862-1_1

Pelz, M.-T., Schartau, M., Somes, C. J., Lampe, V., and Slawig, T. (2023), "A diffusion-based kernel density estimator (diffKDE, version 1) with optimal bandwidth approximation for the analysis of data in geoscience and ecological research", Geoscientific Model Development, Vol. 16, No. 22, pp. 6609–6634. DOI: https://doi.org/10.5194/gmd-16-6609-2023

Francisco-Fernández, M., Barreiro-Ures, D., and Cao, R. (2026), "Subagging for bandwidth selection: A computationally efficient approach to kernel density estimation", Computational Statistics, Vol. 41, No. 1, Article 29. DOI: https://doi.org/10.1007/s00180-025-01712-4

Lysyi, A., Sachenko, A., Radiuk, P., Lysyi, M., Melnychenko, O., and Zahorodnia, D. (2025), "Method of UAV-based inspection of photovoltaic modules using thermal and RGB data fusion", Radioelectronic and Computer Systems, Vol. 2025, No. 4, pp. 186–205. DOI: https://doi.org/10.32620/reks.2025.4.13

Shannon, C. E. (1948), "A mathematical theory of communication", The Bell System Technical Journal, Vol. 27, No. 3, pp. 379–423. DOI: https://doi.org/10.1002/j.1538-7305.1948.tb01338.x

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B. et al. (2011), "Scikit-learn: Machine Learning in Python", Journal of Machine Learning Research, Vol. 12, pp. 2825–2830. https://jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf (last accessed 26.02.2026)

Fisher, R. A. (1936), "The use of multiple measurements in taxonomic problems", Annals of Eugenics, Vol. 7, No. 2, pp. 179–188. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x

Aeberhard, S., Coomans, D., and de Vel, O. (1994), "Comparative analysis of statistical pattern recognition methods in high dimensional settings", Pattern Recognition, Vol. 27, No. 8, pp. 1065–1077. DOI: https://doi.org/10.1016/0031-3203(94)90145-7

Kohavi, R. (1995), "A study of cross-validation and bootstrap for accuracy estimation and model selection", Proceedings of the 14th International Joint Conference on Artificial Intelligence, Vol. 2, San Francisco, CA, USA: Morgan Kaufmann Publishers Inc. pp. 1137–1143. DOI: https://doi.org/10.5555/1643031.1643047

##submission.downloads##

Опубліковано

2026-06-27

Як цитувати

Radiuk, P., Sachenko, A., Melnychenko, O., Brukhanskyi, R. і Kashtalian, A. (2026) «WEDD-RST: інтерпретовний підхід до виявлення дефектів фотоелектричних панелей у кіберфізичних системах», СУЧАСНИЙ СТАН НАУКОВИХ ДОСЛІДЖЕНЬ ТА ТЕХНОЛОГІЙ В ПРОМИСЛОВОСТІ, (2(36), с. 153–172. доступний у: https://itssi-journal.com/index.php/ittsi/article/view/676 (дата звернення: 12Липень2026).

Номер

№ 2(36) (2026): Сучасний стан наукових досліджень та технологій в промисловості

Розділ

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Ліцензія

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  • Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.

  • Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.

  • Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.