Метод когнитивного моделирования процесса появления брака сушки древесины на основе экспертного описания оператора

   Цель исследования. В статье рассматривается проблема возникновения брака в процессе сушки пиломатериалов на примере сушильной камеры, расположенной в г. Томск. Обосновывается идея о необходимости интеграции аналитически не формализуемых знаний опытного оператора с математической моделью системы с целью повышения качества конечного продукта.

   Процесс выявления дефектов требует учета множества факторов, влияющих на качество продукции, среди которых особое внимание уделяется таким аспектам, как неравномерность распределения температуры и влажности внутри материала, изменения структуры древесины, наличие скрытых пороков сырья.

   Методы. Предлагается гибридный метод когнитивного моделирования, основанный на сочетании физико-математического моделирования тепло-влажностного режима, создания цифрового двойника сушильной камеры и механизма автоматической генерации и разметки данных для дальнейшего машинного обучения на основе экспертных качественных описаний. Цифровой двойник используется в качестве генератора сценариев (риск плесени, поверхностного растрескивания), что позволяет преодолеть
дефицит имеющихся данных о причинах возникновения брака. Внедряется контур «человек в цикле», где оператор выступает экспертом, корректируя и пополняя когнитивную базу знаний. Такой подход обеспечивает повышение точности диагностики потенциальных проблем путем объединения объективных данных мониторинга состояния среды и субъективных наблюдений специалиста, обладающего многолетним профессиональным опытом.

   Результаты. Результаты численного моделирования подтверждают корректность воспроизведения динамики процесса сушки и обосновывают целесообразность использования цифрового двойника в качестве генератора синтетических данных, где адекватность модели подтверждается благодаря применению осциллирующего метода сушки.

   Заключение. Предложенная идея формирует концептуальную основу для создания адаптивных систем, позволяя преодолеть проблему дефицита размеченных выборок без необходимости проведения длительных натурных экспериментов с провоцированием брака.

1. Industry 4.0 and the human factor – A systems framework and analysis methodology for successful development / W. P. Neumann, S. Winkelhaus, E. H. Grosse, C. H. Glock // International Journal of Production Economics. 2024; 233. P. 107992. doi: 10.1016/j.ijpe.2020.107992

2. Human in the Loop: Industry 4.0 Technologies and Scenarios for Worker Mediation of Automated Manufacturing / C. J. Turner, R. Ma, J. Chen, J. Oyekan // IEEE Access, 2021; 9. P. 103950–103966. doi: 10.1109/access.2021.3099311

3. ElMaraghy H., ElMaraghy W. Adaptive Cognitive Manufacturing System (ACMS) – a new paradigm // International Journal of Production Research. 2022. Vol. 60, no. 24. P. 7436–7449. doi: 10.1080/00207543.2022.2078248

4. Fenoglio E., Kazim E., Latapie H., et al. Tacit knowledge elicitation process for industry 4.0 // Discov Artif Intell. 2022. 2. Р. 6. doi: 10.1007/s44163-022-00020-w

5. Jayaram N., Bhatta N. M. K. Tacit Knowledge Management in Engineering Industries : Systematic Literature Review and Development of a Conceptual Model // Journal of Information & Knowledge Management. 2023; 22(04). doi: 10.1142/s0219649223500120

6. Fan L., Pei Y., Zhang L., et al. Applications of Machine Learning Models in Agricultural Product Drying : A Comprehensive Review of Advances, Challenges, and Prospects // Food Bioprocess Technol. 2025. 18. P. 10047–10085. doi: 10.1007/s11947-025-04055-6

7. Miraei Ashtiani S.-H., Martynenko A. Toward intelligent food drying: Integrating artificial intelligence into drying systems // Drying Technology. 2024. 42(8). P. 1240–1269. doi: 10.1080/07373937.2024.2356177

8. The Role of Drying Schedule and Conditioning in Moisture Uniformity in Wood: A Machine Learning Approach / S. Rahimi, V. Nasir, S. Avramidis, F. Sassani // Polymers. 2023. 15(4). P. 792. doi: 10.3390/polym15040792

9. Determination of biomass drying speed using neural networks / B. Velázquez Martí, A. Bonini Neto, D. Nuñez Retana, A. Carrillo Parra, S. Guerrero-Luzuriaga // Biomass and Bioenergy. 2024. 186. P. 107260. doi: 10.1016/j.biombioe.2024.107260

10. Rahimi S., Avramidis S. Predicting moisture content in kiln dried timbers using machine learning // Eur. J. Wood Prod. 2022. 80. P. 681–692. doi: 10.1007/s00107-022-01794-7

11. Haftkhani A.R., Abdoli F., Rashidijouybari I., et al. Prediction of water absorption and swelling of thermally modified fir wood by artificial neural network models // Eur. J. Wood Prod. 2022. 80. P. 1135–1150. doi: 10.1007/s00107-022-01839-x

12. Review of Energy-Related Machine Learning Applications in Drying Processes / D. Đaković, M. Kljajić, N. Milivojević, Đ. Doder, A. S. Anđelković // Energies. 2023. 17(1). P. 224. doi: 10.3390/en17010224

13. Learning for a Robot: Deep Reinforcement Learning, Imitation Learning, Transfer Learning / J. Hua, L. Zeng, G. Li, Z. Ju // Sensors. 2021. 21(4). P. 1278. doi: 10.3390/s21041278

14. Pshikhachev G., Ivanov D., Egorov V., Shpilman A. Self-Imitation Learning from Demonstrations (Version 1) // arXiv. 2022. doi: 10.48550/ARXIV.2203.10905

15. A Novel Robust Imitation Learning Framework for Complex Skills With Limited Demonstrations / W. Wang, C. Zeng, H. Zhan, C. Yang // IEEE Transactions on Automation Science and Engineering. 2025. 22. P. 3947–3959. doi: 10.1109/tase.2024.3403833

16. Chen S., Yu H., Yagoobi J., Shao C. Reinforcement Learning Constrained Beam Search for Parameter Optimization of Paper Drying Under Flexible Constraints (Version 1) // arXiv. 2025. doi: 10.48550/ARXIV.2501.12542

17. Hu Y., Abu-Dakka F. J., Chen F., Luo X., Li Z., Knoll A., Ding W. Fusion dynamical systems with machine learning in imitation learning : A comprehensive overview // Information Fusion. 2024. 108. P. 102379. doi: 10.1016/j.inffus.2024.102379

18. Reinforcement learning building control approach harnessing imitation learning / S. Dey, T. Marzullo, X. Zhang, G. Henze // Energy and AI. 2023. 14. P. 100255. doi: 10.1016/j.egyai.2023.100255

19. Chen X. D., Putranto A. (n.d.). Reaction engineering approach I. In Modeling Drying Processes (pp. 34–120). Cambridge University Press. doi: 10.1017/cbo9780511997846.004

20. Simpson W. T. Predicting equilibrium moisture content of wood by mathematical models // Wood and Fiber Science. 1973. 5(1). P. 41-49.

21. Stull R. Wet-Bulb Temperature from Relative Humidity and Air Temperature // Journal of Applied Meteorology and Climatology. 2011. 50(11). P. 2267–2269. doi: 10.1175/jamc-d-11-0143.1

22. Grechushnikov V. V., Shilin A. A., Prohorov S. V. Synthesis of an algorithm for automated adjustment of lumber drying based on linguistic information // Bulletin of the Tomsk Polytechnic University Geo Assets Engineering. 2024. 335(6). P. 75–88. doi: 10.18799/24131830/2024/6/4500