Please use this identifier to cite or link to this item:
https://repo.btu.kharkov.ua//handle/123456789/59114
Title: | Управління проектною діяльністю на підприємстві |
Other Titles: | Management of project activities at the enterprise |
Authors: | Кулаков, Михайло Володимирович |
metadata.dc.contributor.advisor: | Власенко, Т. В. |
metadata.dc.contributor.affiliation: | Державний біотехнологічний університет Кафедра менеджменту, бізнесу і адміністрування |
Keywords: | проєктний менеджмент;управління інноваціями;машинне навчання;оптимізація;project management;innovation management;machine learning;optimisation |
Issue Date: | 2024 |
Publisher: | Харків: ДБТУ |
Citation: | Кулаков М. В. Управління проектною діяльністю на підприємстві: кваліфікаційна робота магістра: спец. 073 – Менеджмент; наук. кер. Т. В. Власенко. Харків: ДБТУ, 2024. 58 с. |
Abstract: | Основною метою роботи є розробка комплексу заходів з управління
проектною діяльністю по вивченню можливостей використання моделей
машинного навчання для прогнозування процесів та оптимізації вхідних
параметрів, що впливають на енергоспоживання
Об’єктом роботи є підприємства, що імплементують інноваційні проекти.
Предметом роботи є процеси імплементації інноваційних проектів з
використанням машинного навчання для оптимізації енергоспоживання на
підприємствах.
Наукова новизна результатів роботи полягає у доповненні теоретичних,
практичних складових систем управління інноваціями на машинобудівних
підприємствах при імплементації технологій машинного навчання для
оптимізації енергоспоживання на підприємствах.
У кваліфікаційній роботі:
У першому розділі розглянуто теоретичні основи впровадження інноваційних
проектів на машинобудівних підприємствах з використанням ШІ.
У другому розділі розглянуто алгоритми застосування методів ML в
проектному менеджменті, цикли машинного навчання та навчання алгоритмів
ML на машинобудівних підприємствах.
У третьому розділі здійснено вибір алгоритму машинного навчання для
вирішення поточного завдання, використанно алгоритми Decision Trees та
Genetic Algorithm для вирішення інноваційного рішення, розраховано
економічний ефект від впровадження.
У висновках та пропозиціях запропоновані рекомендації для підприємств по
імплементації інноваційних проектів на підприємствах. The main objective of the study is to develop a set of measures for managing project activities to study the possibilities of using machine learning models to predict processes and optimise input parameters that affect energy consumption The object of the study is enterprises implementing innovative projects. The subject of the work is the processes of implementing innovative projects using machine learning to optimise energy consumption at enterprises. The scientific novelty of the results of the work is to supplement the theoretical and practical components of innovation management systems at machine-building enterprises when implementing machine learning technologies to optimise energy consumption at enterprises. In the qualification work: The first section discusses the theoretical foundations of implementing innovative projects at machine-building enterprises using AI. The second section discusses the algorithms for applying ML methods in project management, machine learning cycles and training ML algorithms at machine building enterprises. In the third section, the article selects a machine learning algorithm for solving the current task, uses Decision Trees and Genetic Algorithm algorithms to solve an innovative solution, and calculates the economic effect of implementation. In the conclusions and suggestions, recommendations for enterprises on the implementation of innovative projects at enterprises are proposed. |
URI: | https://repo.btu.kharkov.ua//handle/123456789/59114 |
metadata.dcterms.references: | 1. Сметанюк О. А. Особливості системи управління проєктами в it компаніях / О. А. Сметанюк, А. В. Бондарчук // Агросвіт. - 2020. - № 10. - С. 105-111. 2. Grosse, M.; Send, H.; Schildhauer, T. Lessons Learned from Establishing the Energy-Informatics Business Model: Case of a German Energy Company. Sustainability 2019, 11, 857. [Green Version] 3. Ткаленко Н. В. Інтервальна модель впровадження інновації / Н. В. Ткаленко // Управління проектами та розвиток виробництва. - 2011. - № 2. - С. 9-19. 4. Zeng, F.; Qi, G.; Zhu, Z.; Sun, J.; Hu, G.; Haner, M. Convex Neural Networks Based Reinforcement Learning for Load Frequency Control under Denial of Service Attacks. Algorithms 2022, 15, 34. 5. Сербін О. Інновації в науці як чинник розвитку знаннєвого середовища / О. Сербін, Л. Галаган // Вісник Книжкової палати. - 2012. - № 5. - С. 51-52. 6. Бурлуцька С. В. Системний підхід до управління проєктами / С. В. Бурлуцька, С. В. Бурлуцький // Часопис економічних реформ. - 2020. - № 3. - С. 65-73. 7. Zakaret, C.; Peladarinos, N.; Cheimaras, V.; Tserepas, E.; Papageorgas, P.; Aillerie, M.; Piromalis, D.; Agavanakis, K. Blockchain and Secure Element, a Hybrid Approach for Secure Energy Smart Meter Gateways. Sensors 2022, 22, 9664. 8. Згалат-Лозинська Л. О. Напрями удосконалення державного регулювання процесу управління інноваційними проєктами в науковій сфері / Л. О. Згалат-Лозинська // Підприємництво та інновації. - 2020. - Вип. 13. - С. 7-13. 9. AL-Jumaili, A.H.A.; Mashhadany, Y.I.A.; Sulaiman, R.; Alyasseri, Z.A.A. A Conceptual and Systematics for Intelligent Power Management System-Based Cloud Computing: Prospects, and Challenges. Appl. Sci. 2021, 11, 9820. 10. Морозов В. В. Використання ціннісного підходу для управління інноваційними проєктами / В. В. Морозов, А. С. Коломієць // Управління розвитком складних систем. - 2021. - Вип. 48. - С. 32-38. 11. Minh, Q.N.; Nguyen, V.-H.; Quy, V.K.; Ngoc, L.A.; Chehri, A.; Jeon, G. Edge Computing for IoT-Enabled Smart Grid: The Future of Energy. Energies 2022, 15, 6140. 12. Kim, J.-W.; Kim, J.; Lee, J. An Adaptive Network Design for Advanced Metering Infrastructure in a Smart Grid. Sensors 2022, 22, 8625. [PubMed] 13. Kabalci, Y. A Survey on Smart Metering and Smart Grid Communication. Renew. Sustain. Energy Rev. 2016, 57, 302–318. 14. Pereira, H.; Ribeiro, B.; Gomes, L.; Vale, Z. Smart Grid Ecosystem Modeling Using a Novel Framework for Heterogenous Agent Communities. Sustainability 2022, 14, 15983. 15. Bakkar, M.; Bogarra, S.; Córcoles, F.; Aboelhassan, A.; Wang, S.; Iglesias, J. Artificial Intelligence-Based Protection for Smart Grids. Energies 2022, 15, 4933. 16. El Maghraoui, A.; Ledmaoui, Y.; Laayati, O.; El Hadraoui, H.; Chebak, A. Smart Energy Management: A Comparative Study of Energy Consumption Forecasting Algorithms for an Experimental Open-Pit Mine. Energies 2022, 15, 4569. 17. Xu, C.; Liao, Z.; Li, C.; Zhou, X.; Xie, R. Review on Interpretable Machine Learning in Smart Grid. Energies 2022, 15, 4427. 18. Jaiswal, R.; Davidrajuh, R.; Rong, C. Fog Computing for Realizing Smart Neighborhoods in Smart Grids. Computers 2020, 9, 76. 19. Eisenmann, A.; Streubel, T.; Rudion, K. Power Quality Mitigation via Smart Demand-Side Management Based on a Genetic Algorithm. Energies 2022, 15, 1492. 20. Shahzad, M.; Qadir, A.; Ullah, N.; Mahmood, Z.; Saad, N.M.; Ali, S.S.A. Optimization of On-Grid Hybrid Renewable Energy System: A Case Study on Azad Jammu and Kashmir. Sustainability 2022, 14, 5757. 21. Elsheikh, A. Bistable Morphing Composites for Energy-Harvesting Applications. Polymers 2022, 14, 1893. [PubMed] 22. Moustafa, E.B.; Hammad, A.H.; Elsheikh, A.H. A New Optimized Artificial Neural Network Model to Predict Thermal Efficiency and Water Yield of Tubular Solar Still. Case Stud. Therm. Eng. 2022, 30, 101750. 23. Khoshaim, A.B.; Moustafa, E.B.; Bafakeeh, O.T.; Elsheikh, A.H. An Optimized Multilayer Perceptrons Model Using Grey Wolf Optimizer to Predict Mechanical and Microstructural Properties of Friction Stir Processed Aluminum Alloy Reinforced by Nanoparticles. Coatings 2021, 11, 1476. 24. Alsaiari, A.O.; Moustafa, E.B.; Alhumade, H.; Abulkhair, H.; Elsheikh, A. A Coupled Artificial Neural Network with Artificial Rabbits Optimizer for Predicting Water Productivity of Different Designs of Solar Stills. Adv. Eng. Softw. 2023, 175, 103315. 25. Elsheikh, A.H.; Sharshir, S.W.; Abd Elaziz, M.; Kabeel, A.E.; Guilan, W.; Haiou, Z. Modeling of Solar Energy Systems Using Artificial Neural Network: A Comprehensive Review. Sol. Energy 2019, 180, 622–639. 26. Latah, M.; Toker, L. Artificial Intelligence Enabled Software-defined Networking: A Comprehensive Overview. IET Netw. 2019, 8, 79–99. [Green Version] 27. Alpaydin, E. Introduction to Machine Learning, 3rd ed.; The MIT Press: Cambridge, MA, USA, 2014. [Google Scholar] 28. Polat, H.; Polat, O.; Cetin, A. Detecting DDoS Attacks in Software-Defined Networks Through Feature Selection Methods and Machine Learning Models. Sustainability 2020, 12, 1035. [Green Version] 29. El Naqa, I.; Murphy, M.J. What Is Machine Learning. In Machine Learning in Radiation Oncology; El Naqa, I., Li, R., Murphy, M., Eds.; Springer: Cham, Switzerland, 2015; pp. 3–11. 30. Farzaneh, H.; Malehmirchegini, L.; Bejan, A.; Afolabi, T.; Mulumba, A.; Daka, P.P. Artificial Intelligence Evolution in Smart Buildings for Energy Efficiency. Appl. Sci. 2021, 11, 763. 31. Bouyeddou, B.; Harrou, F.; Taghezouit, B.; Sun, Y.; Hadj Arab, A. Improved Semi-Supervised Data-Mining-Based Schemes for Fault Detection in a Grid Connected Photovoltaic System. Energies 2022, 15, 7978. 32. Nelson, W.; Culp, C. Machine Learning Methods for Automated Fault Detection and Diagnostics in Building Systems—A Review. Energies 2022, 15, 5534. 33. Caballé-Cervigón, N.; Castillo-Sequera, J.L.; Gómez-Pulido, J.A.; Gómez Pulido, J.M.; Polo-Luque, M.L. Machine Learning Applied to Diagnosis of Human Diseases: A Systematic Review. Appl. Sci. 2020, 10, 5135. 34. Yang, J.; Cheng, F.; Duodu, M.; Li, M.; Han, C. High-Precision Fault Detection for Electric Vehicle Battery System Based on Bayesian Optimization SVDD. Energies 2022, 15, 8331. 35. Van Engelen, J.E.; Hoos, H.H. A Survey on Semi-Supervised Learning. Mach. Learn. 2020, 109, 373–440. [Green Version] 36. Sutton, R.S.; Barto, A.G. Reinforcement Learning: An Introduction, 2nd ed.; The MIT Press: Cambridge, MA, USA, 2018. [Google Scholar] 37. De Ville, B. Decision Trees: Decision Trees. Wiley Interdiscip. Rev. Comput. Stat. 2013, 5, 448–455. 38. Alcolea, A.; Resano, J. FPGA Accelerator for Gradient Boosting Decision Trees. Electronics 2021, 10, 314. 39. Akavia, A.; Leibovich, M.; Resheff, Y.S.; Ron, R.; Shahar, M.; Vald, M. Privacy-Preserving Decision Trees Training and Prediction. ACM Trans. Priv. Secur. 2022, 25, 24. 40. Nanfack, G.; Temple, P.; Frénay, B. Constraint Enforcement on Decision Trees: A Survey. ACM Comput. Surv. 2022, 54, 201. 41. Zhang, Q.; Yu, H.; Barbiero, M.; Wang, B.; Gu, M. Artificial Neural Networks Enabled by Nanophotonics. Light Sci. Appl. 2019, 8, 42. [Green Version] 42. Serrano, W. Neural Networks in Big Data and Web Search. Data 2019, 4, 7. 43. Habumugisha, J.M.; Chen, N.; Rahman, M.; Islam, M.M.; Ahmad, H.; Elbeltagi, A.; Sharma, G.; Liza, S.N.; Dewan, A. Landslide Susceptibility Mapping with Deep Learning Algorithms. Sustainability 2022, 14, 1734. 44. Dixit, P.; Silakari, S. Deep Learning Algorithms for Cybersecurity Applications: A Technological and Status Review. Comput. Sci. Rev. 2021, 39, 100317. 45. Mammone, A.; Turchi, M.; Cristianini, N. Support Vector Machines. Wiley Interdiscip. Rev. Comput. Stat. 2009, 1, 283–289. 46. Pai, P.-F.; Hong, W.-C. Support Vector Machines with Simulated Annealing Algorithms in Electricity Load Forecasting. Energy Convers. Manag. 2005, 46, 2669–2688. 47. Yuan, C.; Yang, H. Research on K-Value Selection Method of K-Means Clustering Algorithm. J 2019, 2, 226–235. [Green Version] 48. Sinaga, K.P.; Yang, M.-S. Unsupervised K-Means Clustering Algorithm. IEEE Access 2020, 8, 80716–80727. 49. Kanungo, T.; Mount, D.M.; Netanyahu, N.S.; Piatko, C.D.; Silverman, R.; Wu, A.Y. An Efficient K-Means Clustering Algorithm: Analysis and Implementation. IEEE Trans. Pattern Anal. Mach. Intell. 2002, 24, 881–892. 50. Huang, Z. Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values. Data Min. Knowl. Discov. 1998, 2, 283–304. 51. Stulp, F.; Sigaud, O. Many Regression Algorithms, One Unified Model: A Review. Neural Netw. 2015, 69, 60–79. [Green Version] 52. Cubillas, J.J.; Ramos, M.I.; Feito, F.R. Use of Data Mining to Predict the Influx of Patients to Primary Healthcare Centres and Construction of an Expert System. Appl. Sci. 2022, 12, 11453. 53. Phan, T.V.; Bao, N.K.; Park, M. Distributed-SOM: A Novel Performance Bottleneck Handler for Large-Sized Software-Defined Networks under Flooding Attacks. J. Netw. Comput. Appl. 2017, 91, 14–25. 54. Zhang, R.; Zeng, Z.; Li, Y.; Liu, J.; Wang, Z. Research on Remaining Useful Life Prediction Method of Rolling Bearing Based on Digital Twin. Entropy 2022, 24, 1578. [PubMed] 55. Mohammed, K.; Ayesh, A.; Boiten, E. Complementing Privacy and Utility Trade-Off with Self-Organising Maps. Cryptography 2021, 5, 20. 56. Wu, Z.; Xue, W.; Xu, H.; Yan, D.; Wang, H.; Qi, W. Urban Flood Risk Assessment in Zhengzhou, China, Based on a D-Number-Improved Analytic Hierarchy Process and a Self-Organizing Map Algorithm. Remote Sens. 2022, 14, 4777. 57. McLoughlin, F.; Duffy, A.; Conlon, M. A Clustering Approach to Domestic Electricity Load Profile Characterisation Using Smart Metering Data. Appl. Energy 2015, 141, 190–199. [Green Version] 58. Motlagh, O.; Paevere, P.; Hong, T.S.; Grozev, G. Analysis of Household Electricity Consumption Behaviours: Impact of Domestic Electricity Generation. Appl. Math. Comput. 2015, 270, 165–178. 59. Fan, Z.; Xiao, Y.; Nayak, A.; Tan, C. An Improved Network Security Situation Assessment Approach in Software Defined Networks. Peer-to-Peer Netw. Appl. 2019, 12, 295–309. 60. Zegeye, W.K.; Dean, R.A.; Moazzami, F. Multi-Layer Hidden Markov Model Based Intrusion Detection System. Mach. Learn. Knowl. Extr. 2019, 1, 265–286. [Green Version] 61. Ahmadian Ramaki, A.; Rasoolzadegan, A.; Javan Jafari, A. A Systematic Review on Intrusion Detection Based on the Hidden Markov Model. Stat. Anal. Data Min. 2018, 11, 111–134. 62. Boussaïd, I.; Lepagnot, J.; Siarry, P. A Survey on Optimization Metaheuristics. Inf. Sci. 2013, 237, 82–117. 63. Shahzad, M.; Akram, W.; Arif, M.; Khan, U.; Ullah, B. Optimal Siting and Sizing of Distributed Generators by Strawberry Plant Propagation Algorithm. Energies 2021, 14, 1744. 64. Bilal, M.; Shahzad, M.; Arif, M.; Ullah, B.; Hisham, S.B.; Ali, S.S.A. Annual Cost and Loss Minimization in a Radial Distribution Network by Capacitor Allocation Using PSO. Appl. Sci. 2021, 11, 11840. 65. Bartz-Beielstein, T.; Branke, J.; Mehnen, J.; Mersmann, O. Evolutionary Algorithms. Wiley Interdiscip. Rev. Data Min. Knowl. Discov. 2014, 4, 178–195. 66. Beyer, H.-G. The Theory of Evolution Strategies, 1st ed.; Springer: Berlin/Heidelberg, Germany, 2001. 67. Katoch, S.; Chauhan, S.S.; Kumar, V. A Review on Genetic Algorithm: Past, Present, and Future. Multimed. Tools Appl. 2021, 80, 8091–8126. 68. Al-Majidi, S.D.; AL-Nussairi, M.K.; Mohammed, A.J.; Dakhil, A.M.; Abbod, M.F.; Al-Raweshidy, H.S. Design of a Load Frequency Controller Based on an Optimal Neural Network. Energies 2022, 15, 6223. 69. Ryan, L.; Kuhn, S.; Colreavy-Donnely, S.; Caraffini, F. Particle Swarm Optimisation in Practice: Multiple Applications in a Digital Microscope System. Appl. Sci. 2022, 12, 7827. 70. Freitas, D.; Lopes, L.G.; Morgado-Dias, F. Particle Swarm Optimisation: A Historical Review Up to the Current Developments. Entropy 2020, 22, 362. [Green Version] 71. Elsheikh, A.H.; Abd Elaziz, M. Review on Applications of Particle Swarm Optimization in Solar Energy Systems. Int. J. Environ. Sci. Technol. 2019, 16, 1159–1170. 72. Prencipe, L.P.; Marinelli, M. A Novel Mathematical Formulation for Solving the Dynamic and Discrete Berth Allocation Problem by Using the Bee Colony Optimisation Algorithm. Appl. Intell. 2021, 51, 4127–4142. |
Appears in Collections: | 073 - "Менеджмент" (Магістри) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
2024_M_44_2_073_23m-01_Kulakov_M_V.pdf Restricted Access | 1.01 MB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.