https://ir.lib.vntu.edu.ua//handle/123456789/427 2026-09-01T06:05:00Z https://ir.lib.vntu.edu.ua//handle/123456789/52278 Sensor data preprocessing pipeline for grain temperature monitoring and forecasting datasets in drying systems Moroz, І. І.; Yukhymchuk, M. S.; Мороз, І. І.; Юхимчук, М. С. The quality of training data significantly affects the reliability of data-driven grain temperature forecasting systems. Sensor networks used in grain drying environments generate missing observations, measurement drift, and anomalous values caused by communication failures and sensor degradation. The absence of standardized preprocessing procedures reduces reproducibility and limits the practical applicability of predictive approaches. Purpose. The purpose of the study is to develop a methodology for sensor data collection and preprocessing intended for formation of datasets for grain temperature forecasting under continuous drying conditions. Objectives. The objectives include development of a multi-source monitoring architecture, justification of spatial sensor deployment, construction of a preprocessing pipeline for anomaly handling and missing value restoration, formation of feature vectors, and definition of a dataset partitioning strategy preserving temporal dependencies. Methods. The proposed methodology integrates digital temperature sensors, humidity sensors, carbon dioxide sensors based on non-dispersive infrared measurement, and meteorological data sources. Preprocessing consists of physical range validation, anomaly detection using the Isolation Forest algorithm, hierarchical missing value imputation, min-max normalization, cyclic temporal encoding, and chronological partitioning of datasets. Scientific novelty lies in the formalization of a topologic-spatiotemporal data validation framework that distinguishes local transducer degradation from collective thermal process transitions in non-stationary agricultural environments. This is achieved via a coupled multivariate Isolation Forest and neighbourhood graph co-occurrence heuristic that preserves high-frequency operational dynamics during continuous aeration adjustments. Practical significance. The methodology may be applied in monitoring systems for grain storage and drying installations and adapted to different silo geometries, sensor configurations, and environmental monitoring sources. Results. A monitoring architecture consisting of twelve temperature sensors arranged in three azimuthal rows and four depth levels was developed. The preprocessing procedure retained 92.5 percent of observations after anomaly filtering and missing value processing. The resulting dataset contained 34,984 usable epochs in the training partition and sixty-four features representing temperature history, neighbouring sensor values, meteorological variables, and cyclic temporal characteristics. Isolation Forest analysis identified 4.08 percent anomalous observations, of which 87.3 percent corresponded to isolated sensor faults. Conclusions. The developed methodology establishes a reproducible procedure for preparation of datasets intended for grain temperature forecasting tasks and reduces risks associated with temporal leakage, sensor faults, and inconsistent preprocessing of monitoring data. The proposed approach may serve as a basis for further development of predictive models for grain drying systems.; Якість навчальних даних суттєво впливає на надійність систем прогнозування температури зерна, що базуються на даних. Мережі датчиків, які використовуються в умовах сушіння зерна, генерують пропущені спостереження, дрейф вимірювань та аномальні значення, спричинені збоями зв’язку та зношуванням датчиків. Відсутність стандартизованих процедур попередньої обробки знижує відтворюваність результатів та обмежує практичну застосовність прогнозних підходів. Мета. Метою дослідження є розробка методології збору та попередньої обробки даних датчиків, призначеної для формування наборів даних для прогнозування температури зерна в умовах безперервної сушки. Завдання. Завдання включають розробку архітектури моніторингу з використанням декількох джерел, обґрунтування просторового розміщення датчиків, побудову конвеєра попередньої обробки для обробки аномалій та відновлення відсутніх значень, формування векторів ознак та визначення стратегії розбиття наборів даних із збереженням часових залежностей. Методи. Запропонована методологія інтегрує цифрові датчики температури, датчики вологості, датчики вуглекислого газу на основі недисперсійного інфрачервоного вимірювання та джерела метеорологічних даних. Попередня обробка складається з валідації фізичного діапазону, виявлення аномалій за допомогою алгоритму Isolation Forest, ієрархічного заповнення відсутніх значень, мінімально-максимальної нормалізації, циклічного часового кодування та хронологічного розбиття наборів даних. Наукова новизна полягає у формалізації топологічно-просторово-часової моделі перевірки даних, яка дозволяє відрізнити локальне погіршення характеристик датчиків від колективних переходів теплових процесів у нестаціонарних сільськогосподарських середовищах. Це досягається за допомогою поєднаної багатовимірної моделі «Ізольований ліс» та евристики співвипадковості сусідніх вузлів, що забезпечує збереження високочастотної динаміки роботи під час безперервного регулювання аерації Практичне значення. Методологія може бути застосована в системах моніторингу установок для зберігання та сушіння зерна та адаптована до різних геометрій силосів, конфігурацій датчиків та джерел моніторингу навколишнього середовища. Результати. Була розроблена архітектура моніторингу, що складається з дванадцяти датчиків температури, розташованих у трьох азимутальних рядах та на чотирьох рівнях глибини. Процедура попередньої обробки зберегла 92,5 % спостережень після фільтрації аномалій та обробки відсутніх значень. Отриманий набір даних містив 34 984 придатні епохи в навчальному розділі та шістдесят чотири ознаки, що представляють історію температури, значення сусідніх датчиків, метеорологічні змінні та циклічні часові характеристики. Аналіз методом «Ізольованого лісу» виявив 4,08 % аномальних спостережень, з яких 87,3 % відповідали ізольованим несправностям датчиків. Висновки. Розроблена методологія встановлює відтворювану процедуру підготовки наборів даних, призначених для завдань прогнозування температури зерна, та зменшує ризики, пов’язані з часовими витоками, несправностями датчиків та непослідовним попереднім обробленням даних моніторингу. Запропонований підхід може слугувати основою для подальшої розробки прогнозних моделей для систем сушіння зерна. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51731 Аналіз та порівняння методів прогнозування параметрів виробничих процесів сушіння зернових культур Мороз, І. І.; Юхимчук, М. С.; Moroz, I.; Yukhymchuk, M. The paper presents a systematic analysis and comparison of methods for forecasting parameters of grain drying production processes. Physical modeling of the grain drying process is based on equations of simultaneous heat and mass transfer. Such models allow to describe the spatial distribution of temperature and humidity in the grain layer and are theoretically justified. At the same time, their practical application in control systems is associated with high computational complexity due to the need for numerical solution of systems of differential equations in real time. An additional problem is the sensitivity of physical models to boundary conditions and parameters, the values of which in practice can significantly differ from idealized ones. The difficulties of accurate measurement of some parameters (diffusion coefficients, thermal conductivity of wet grain) in real industrial conditions reduce the reliability of forecasts.The methods considered include statistical forecasting, physical modelling, neural networks, fuzzy logic and adaptive neuro-fuzzy inference systems, and hybrid approaches. For each class of methods, advantages and limitations in application to grain drying control tasks are characterised. It is shown that classical methods (ARIMA, PID controllers) do not provide sufficient accuracy due to the nonlinear and non-stationary nature of the process. Fuzzy logic and ANFIS-based approaches demonstrate the possibility of interpretable control with a reduction in the number of model parameters. Deep learning methods (LSTM, GRU, GCN+Transformer) provide effective modelling of spatiotemporal dependencies of the temperature field. Hybrid approaches, in particular the combination of mechanistic and data-driven methods, allow achieving a maximum moisture deviation at the outlet within ±0.58–0.3%. A comparative table of methods and a classification block diagram are provided. The conclusion is drawn on the expediency of developing intelligent hybrid forecasting systems for grain dryer control tasks. The article systematises key results of published research and identifies directions for further development in intelligent drying control systems.; У статті проведено систематичний аналіз та порівняння методів прогнозування параметрів виробничих процесів сушіння зернових культур. Розглянуто методи статистичного прогнозування, фізичного моделювання, нейронних мереж, нечіткої логіки та адаптивних нейро-нечітких систем виведення, а також гібридні підходи. Для кожного класу методів охарактеризовано переваги та обмеження при застосуванні до задач управління сушінням зерна. Показано, що класичні методи (ARIMA, PID-регулятори) не забезпечують достатньої точності через нелінійну та нестаціонарну природу процесу. Підходи на основі нечіткої логіки та ANFIS демонструють можливість інтерпретованого управління зі скороченням числа параметрів моделі. Методи глибокого навчання (LSTM, GRU, GCN+Transformer) забезпечують ефективне моделювання просторово-часових залежностей температурного поля. Гібридні підходи, зокрема поєднання механістичних та дата-дривних методів, дозволяють досягнути максимального відхилення вологості на виході не більше ±0,58–0,3%. Наведено порівняльну таблицю методів та структурну схему класифікації. Зроблено висновок про доцільність розробки інтелектуальних гібридних систем прогнозування для задач управління зерновими сушарками. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51723 Децентралізована доставка «останньої милі» з використанням ші та 5G: підвищення ефективності та швидкості в мережах нового покоління Лещенко, Ю. Я.; Мороз, І. І.; Юхимчук, М. С.; Leshchenko,Yu.; Moroz, I.; Yukhymchuk, M. This paper explores the integration of artificial intelligence (AI) and fifth-generation mobile networks (5G) into decentralized last-mile delivery systems, aiming to improve efficiency, scalability, and customer satisfaction. Building on previous research, which employed AI-driven optimization techniques such as genetic algorithms and real-time weather data integration, the study highlights how 5G technology can overcome existing challenges related to network latency, data transmission speed, and coordination within decentralized logistics networks. The ultra-fast data transfer rates and ultra-low latency of 5G enable real-time route optimization, dynamic fleet management, and seamless coordination between multiple delivery nodes, significantly reducing delivery times and operational costs. The paper also examines the role of AI-powered autonomous vehicles supported by 5G, which can address the shortage of couriers and enhance delivery safety and efficiency in densely populated areas. Furthermore, the research analyzes potential applications of blockchain technology in last-mile logistics, particularly in enhancing transparency, authenticity verification, and automation through smart contracts. Key technical challenges such as infrastructure costs, limited network coverage, interoperability, cybersecurity, interference, and energy consumption are also discussed, along with potential solutions including network slicing, adaptive interference management, and blockchain-based security models. The study emphasizes the future potential of combining 5G, AI, and blockchain in creating sustainable, adaptive, and customer-oriented logistics ecosystems. Promising directions include machine learning for demand prediction, on-demand and drone-based deliveries, energy optimization, and advanced indoor navigation supported by 5G. Overall, the paper argues that integrating 5G into decentralized last-mile delivery not only addresses existing limitations but also opens avenues for innovation in logistics, contributing to economic growth, environmental sustainability, and improved quality of urban life.; Ця стаття є логічним продовженням дослідження децентралізованої доставки "останньої милі" з використанням штучного інтелекту (ШІ), представленого в попередній роботі “Оптимізація децентралізованої доставки останньої милі за допомогою штучного інтелекту / Ю. Лещенко та ін. ХVІI Міжнародна конференція Контроль і управління в складних системах (КУСС-2024). Вінниця, 2024” [1]. Розглядається інтеграція технології 5G для подальшого підвищення ефективності, швидкості та масштабованості децентралізованих мереж доставки. Досліджено вплив надшвидкісних та наднизьких затримок 5G на оптимізацію маршрутів, управління автопарком і загальну координацію логістики "останньої милі". Обговорюються потенційні виклики та можливості, пов'язані з цим поєднанням, а також перспективи майбутніх розробок, включаючи інтеграцію автономних транспортних засобів, керованих ШІ, у середовищах 5G. 2025-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51654 Порівняльний аналіз систем децентралізованої доставки останної милі Лещенко, Ю. Я.; Мороз, І. І.; Юхимчук, М. С.; Дубовой, В. М.; Leshchenko, Yu.; Moroz, І.; Yukhymchuk, M.; Dubovoi, V. Децентралізована доставка "остання миля" є сучасним підходом у сфері логістики, що оптимізує процес доставки за допомогою локальних хабів, або мікрохабів, розташованих неподалік кінцевих отримувачів. Це дозволяє скоротити відстань між хабами та місцем доставки, завдяки чому знижується час транспортування й операційні витрати. Водночас клієнти отримують свої замовлення швидше, що підвищує їхню задоволеність сервісом. Такий підхід є надзвичайно актуальним на тлі зростання популярності електронної комерції, де швидкість і точність доставки мають вирішальне значення для збереження лояльності споживачів. Однак успішне функціонування децентралізованої моделі доставки вимагає складної системи управління логістикою. На допомогу приходять технології штучного інтелекту, які дозволяють вирішувати низку завдань, таких як оптимізація маршрутів, управління запасами та прогнозування попиту. Наприклад, алгоритми машинного навчання здатні в реальному часі адаптувати маршрути кур'єрів відповідно до змін у трафіку, погодних умов і дорожньої обстановки, що зменшує витрати на паливо та скорочує кількість транспортних засобів у дорозі. Це особливо важливо для великих міських районів з інтенсивним рухом, де навіть невеликі затримки можуть значно вплинути на загальний час доставки. ШІ також грає важливу роль в управлінні запасами, дозволяючи більш точно планувати поповнення товарів в окремих локальних хабах, уникати надмірного накопичення продукції або її нестачі. Завдяки аналізу історичних даних про продажі та поведінкових моделей споживачів, системи ШІ можуть прогнозувати попит на різні категорії товарів в окремих районах. Це допомагає мінімізувати витрати на зберігання товарів і забезпечувати наявність продукції у потрібному місці та в потрібний час, що, у свою чергу, підвищує ефективність доставки. Таким чином, децентралізована модель доставки "остання миля" із залученням штучного інтелекту дозволяє логістичним компаніям значно покращити якість обслуговування, підвищити ефективність усіх логістичних процесів і зменшити негативний вплив на навколишнє середовище.; Decentralized last-mile delivery is a modern logistics approach that optimizes the delivery process by using local hubs or microhubs located near the final recipients. This reduces the distance between the hubs and the delivery location, which reduces transportation time and operating costs. At the same time, customers receive their orders faster, which increases their satisfaction with the service. This approach is extremely relevant amid the growing popularity of e-commerce, speed and accuracy of delivery are crucial to maintaining customer loyalty. However, the successful operation of a decentralized delivery model requires a sophisticated logistics management system. Artificial intelligence technologies come to the rescue to solve a number of tasks, such as route optimization, inventory management, and demand forecasting. For example, machine learning algorithms are able to adapt courier routes in real time to changes in traffic, weather conditions, and road conditions, which reduces fuel costs and reduces the number of vehicles on the road. This is especially important in large urban areas with heavy traffic, even small delays can significantly affect the overall delivery time. AI also plays an important role in inventory management, allowing for more accurate planning of replenishment of goods in individual local hubs, avoiding excessive accumulation of products or their shortage. By analyzing historical sales data and consumer behavioral patterns, AI systems can predict the demand for different categories of goods in certain areas. This helps minimize storage costs and ensure that products are available in the right place and at the right time, which in turn increases delivery efficiency. Thus, a decentralized last-mile delivery model involving artificial intelligence allows logistics companies to significantly improve the quality of service, increase the efficiency of all logistics processes, and reduce the negative impact on the environment. 2024-01-01T00:00:00Z