Вестник МГТУ, 2025, Т. 28, № 4/1.

Вестник МГТУ. 2025. Т. 28, № 4/1. С. 532-538. DOI: https://doi.org/10.21443/1560-9278-2025-28-4/1-532-538 Модель случайного леса показала более сбалансированные и стабильные метрики по всем классам: ее macro F1-score (0,96) значительно выше, чем у kNN (0,93), а точность для проблемного режима 4 улучшена. В то же время kNN проявляет повышенную чувствительность к локальным особенностям и шуму, особенно вблизи границ между режимами, что приводит к большему числу ошибок классификации. Это подтверждает преимущество ансамблевых методов, таких как случайный лес, при работе с нелинейными и зашумленными временными рядами - даже в условиях контролируемого имитационного моделирования (Wang et al., 2014; Boateng et al., 2020; Laiton et al., 2023). Заключение В работе была разработана имитационная модель замкнутой скалярной системы управления асинхронным электроприводом в MATLAB Simulink с учетом IR-компенсации и регулятором скольжения. На ее основе сформирован набор данных (dataset) для обучения моделей машинного обучения, предназначенных для классификации рабочих режимов. Исследованы два алгоритма - kNN и случайный лес. Оптимация гиперпараметров проведена с помощью GridSearchCV и кросс-валидации. Модель случайного леса показала наилучшую точность - 96,44 % по сравнению с 94,56 % у kNN. Для практического внедрения требуется верификация на промышленных установках и учет дополнительных факторов, которые не учтены в модели, в частности, температурных дрейфов и магнитного насыщения элементов электропривода. Однако их влияние не столь значительно на итоговый результат. Полученные результаты носят предварительный характер и ограничены рамками имитационного моделирования. Тем не менее они подтверждают гипотезу о возможности использования простых ML-моделей для классификации режимов работы в скалярных системах управления. Конфликт интересов Авторы заявляют об отсутствии конфликта интересов. Библиографический список Кулинча П. В. Использование случайного леса для классификации данных // Молодой ученый. 2024. № 24(523). С. 88-91. URL: https://moluch.ru/archive/523/115562/. EDN: QOOEIG. Мартынова Ю. А. Методы машинного обучения при оценке конкурентоспособности предприятия // Вопросы инновационной экономики. 2020. Т. 10, № 1. С. 549-562. DOI: https://doi.org/10.18334/vinec.10.1.100669. EDN: CFTYSV. Родионов А. В., Ищенко К. Л. Исследование влияния параметров алгоритма k-ближайших соседей на метрики качества моделей // System Analysis & Mathematical Modeling. 2024. Т. 6, № 2. С. 251-262. DOI: https://doi.org/10.17150/2713-1734.2024.6(2).251-262. EDN: VVJQSW. Цуканов А. В., Лицин К. В. Разработка автоматизированной системы управления электроприводом барабана моталки // Металлург. 2024. № 1. С. 95-99. DOI: https://doi.org/10.52351/00260827_2024_1_95. EDN: OJYVBJ. Чистяков С. П. Случайные леса: обзор / / Труды Карельского научного центра Российской академии наук. 2013. № 1. C. 117-136. EDN: PZBGBL. Bishop C. M. Pattern recognition and machine learning. Springer, New York, NY. 2006. Boateng E. Y., Otoo J., Abaye D. A. Basic tenets of classification algorithms k-nearest-neighbor, support vector machine, random forest and neural network: A review // Journal of Data Analysis and Information Processing. 2020. Vol. 8, Iss. 4. P. 341-357. DOI: https://doi.org/10.4236/jdaip.2020.84020. Hasan M., Ladha B. Z., Shah R., Rizvi S. M. H. ML-driven distribution network aggregation considering load and inverter-based resources // 26th International Multi-Topic Conference (INMIC), Karachi, Pakistan, 2024. P. 1-6. DOI: https://doi.org/10.1109/inmic64792.2024.11004393. Laiton NSicacha V., Garzon A. M., Celeita D., Le T. D. A review of data-driven solutions to power up maintenance of electrical systems for predictive decision making through fault analysis // IEEE Industry Applications Society Annual Meeting (IAS), Nashville, TN, USA, 2023. P. 1-7. DOI: https://doi.org/10.1109/ias54024. 2023.10406490. Litsin K. V., Baskov S. N., Morkovnik D. A. А model of automated mold flux feeding into the crystallizer of a continuous casting machine // CIS Iron and Steel Review. 2023. Vol. 26. P. 33-38. DOI: https://doi.org/ 10.17580/cisisr.2023.02.05. EDN: CWKVOK. Wang L., Eng S. C. B., Eng M., Eng D. Y. B. [et al.]. PID and predictive control of electrical drives and power converters using Matlab®/Simulink®. John Wiley & Sons Singapore Pte. Ltd, 2014. DOI: https://doi.org/ 10.1002/9781118339459. 537