Для вирішення завдання багатокласової діагностики складного просторового об'єкту розглянуто принцип багатоканальних інтелектуальних систем моніторингу на основі концепції Structural Health Monitoring. Наведено інформаційні моделі процесу формування навчальної та тестової множин векторів діагностичних ознак для багатокласового розпізнавання з метою локалізації одиничного пошкодження та двох пошкоджень. Обгрунтовані класи технічних станів об'єктів і сформовано множини навчальних та тестових вхідних векторів для поставлених завдань. Проведено багатокласове розпізнавання стану просторового об'єкту, проаналізовано ефективність розробленого класифікатора та обгрунтовано параметри ймовірнісної нейронної мережі для достовірної локалізації пошкоджень.

Тенденції розвитку моніторингових систем частково або в повній мірі пов'язані з реалізацією принципів систем Structural Health Monitoring. Тому впровадження сучасних технологій є невід'ємною та необхідною частиною до реалізації підсистем діагностування та розпізнавання, що впроваджуються в складні комплексні моніторингові системи. Потреба в таких системах пов'язана зі складністю та неоднорідністю внутрішніх процесів об'єктів контролю. Зазвичай, це складні просторові об'єкти, забезпечення цілісності яких може нести стратегічний характер. Проведено дослідження поведінки реальної конструкції сталевого резервуару при появі та розвитку багатоосередкового пошкодження у місцях зварних швів. При розробці системи багатокласового розпізнавання технічного стану зварних резервуарів необхідно ретельно дослідити зміну напружено-деформованого стану елементів конструкції під впливом експлуатаційних навантажень та можливого порушення його цілісності. Такі дослідження необхідні для визначення параметрів напружено-деформованого стану до появи та розвитку тріщин у зварних швах. Багатоосередкове пошкодження представлено у вигляді трьох тріщин: одна вертикальна та дві горизонтальні. Наведено схему можливого розташування та розвитку тріщин, а також місця закріплення шести сенсорів. Розглянуто два випадки виникнення дефектів. Перше дослідження пов'язано з розпізнаванням багатоосередкового пошкодження для локалізації одиничного пошкодження, тобто у випадку виникнення однієї з можливих тріщин. Другий випадок пов'язаний з багатоосередковим пошкодженням, тобто при одночасному виникненні двох та трьох тріщин. Для проведеного аналізу ефективності багатокласового розпізнавання технічного стану об'єкта використано нейромережевий класифікатор, який побудований на основі ймовірнісної нейронної мережі. Отримані результати вказують на можливість та ефективність застосування такого класифікатора для розпізнавання тріщин у конструкції зварного резервуара.

Дистанційна освіта в Україні за два останніх роки зазнала значного розвитку та надала змогу продовжити навчання за допомогою різних форм і способів мільйонам студентів та аспірантів, включаючи онлайн-навчання, стажування, змагання, наукові дослідження, захисти дипломів та дисертацій, звіти про виробничу практику, семінари та форуми в умовах карантину. На відміну від України за результатами опитування деяких закладів вищої освіти протягом епідемічного періоду ступінь незадоволення студентів дистанційним навчанням в мережі інтернет здебільшого високий. У реаліях нашої країни дистанційне навчання набагато більше подобається студентам, тому що немає необхідності знаходитися в аудиторії, а також не можна детально проконтролювати, ким саме виконано завдання. З іншого боку, навантаження на викладачів збільшилося через необхідність створювати та адмініструвати дистанційні курси, презентації, мультимедійні лабораторні роботи тощо. Ці фактори впливають на збільшення незадоволення процесом дистанційної освіти серед викладачів закладів вищої освіти. Загальна реакція студентів та викладачів на дистанційну освіту пов'язана з проблемами переходу та адаптації. По-перше, не можна ігнорувати думки щодо негативного впливу тривалого використання електронних продуктів. По-друге, існує проблема, яка пов'язана з відсутністю технічного забезпечення та особистого простору вдома у студентів. Будь-яка пандемія викликає високий рівень стресу населення, який пов'язаний з невизначеністю та втратою контролю над ситуацією. Пандемія COVID-19 погіршила вже існуючий психічний стан і студентів, і викладачів. Це викликано головним чином через закриття навчальних закладів, утрату режиму роботи та навчання, обмеженість соціальних зв'язків, велику завантаженість навчальним матеріалом. Для забезпечення достатнього рівня якості дистанційного навчання необхідно використовувати автоматизовані системи супроводу навчального процесу, які дають можливість об'єктивного оцінювання з боку викладачів та дотримання академічної доброчесності з боку студентів. Саме тому метою даної роботи є огляд існуючих популярних та найбільш широко використовуваних автоматизованих систем супроводу навчального процесу та порівняння їх функціоналу для проєктування нової системи, яка буде забезпечувати необхідну якість навчання. Проведений огляд дозволив визначити, що якісна автоматизована система супроводу навчального процесу в умовах дистанційного навчання має містити щонайменше такі частини: підготовку елементів курсу викладачами, анонімну оцінку курсу студентами, контроль відвідування, розпізнавання студентів, обмін ресурсами викладання, обмін професійними знаннями та навичками, проведення різних видів контрольних заходів та домашньої роботи, проведення зустрічей та семінарів, лабораторію на базі web-технологій, інтернет-бібліотеку тощо. Також система має бути кросплатформовою та підтримуватися на комп'ютері, телевізорі, мобільному телефоні, планшеті та інших розповсюджених гаджетах на базі існуючих на сьогоднішній день операційних систем.

Робота присвячена проведенню багатокласового розпізнавання стану складного просторового об’єкта шляхом вдосконалення та впровадження підсистеми прийняття рішення в систему функціональної діагностики на основі розробки нейромережевого класифікатора. Розроблено інформаційні моделі процесів формування навчальних та тестових множин вхідних векторів діагностичних ознак для багатокласового розпізнавання з метою локалізації одиничного та багатоосередкового пошкодження, моніторингу розвитку пошкоджень і моніторингу деградації конструкції. Розроблено програмне забезпечення для визначених діагностичних завдань, узагальнену структуру багатокласового розпізнавання. Досліджено ефективність розробленого нейромережевого класифікатора для забезпечення багатокласового розпізнавання та проведено розпізнавання технічного стану комп’ютерної та фізичної моделей резервуару. Встановлено впливи параметрів нейронної мережі та характеристик діагностичних векторів на вірогідність багатокласового розпізнавання стану об’єкта для діагностичних завдань.