РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ НАДЕЖНОСТИ ДАТЧИКОВ УМНОГО ДОМА С ИСПОЛЬЗОВАНИЕМ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ

SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 29 DOI: https://doi.org/10.5281/zenodo.17274509 УДК: 004.735 РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ НАДЕЖНОСТИ ДАТЧИКОВ УМНОГО ДОМА С ИСПОЛЬЗОВАНИЕМ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ Мурадова Алевтина Александровна Ташкентский университет информационных технологий имени Мухаммада алХоразмий, PhD, доцент кафедры “Телекоммуникационный инжиниринг” a.muradova1[email protected]u АННОТАЦИЯ В статье рассматривается задача повышения надежности датчиков, используемых в системах умного дома, путем разработки математической модели, основанной на теории нечетких множеств. Предлагаемая модель использует нечеткие множества для учета неопределенности и вариативности параметров, влияющих на надежность датчиков. Представлены методы формирования нечетких множества на основе экспертных оценок и статистических данных, а также алгоритмы их обработки для получения интегральной оценки надежности. Результаты исследования показывают, что применение теории нечетких множеств позволяет повысить точность оценки надежности и улучшить процессы мониторинга и диагностики датчиков умного дома. Разработанная модель может быть интегрирована в системы управления умным домом для повышения их устойчивости и безопасности. Ключевые слова: надежность датчиков, умный дом, математическая модель, теория нечетких множеств, нечеткая логика, оценка надежности, SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 30 диагностика датчиков, неопределенность, мониторинг систем, интеллектуальные системы. DEVELOPMENT OF A MATHEMATICAL MODEL OF RELIABILITY OF SMART HOME SENSORS USING FUZZY SET THEORY Muradova Alevtina Aleksandrovna TUIT named after Muhammad al-Khwarizmi, PhD, associate professor of the Department of Telecommunication Engineering a.muradova1[email protected]u ABSTRACT This article examines the problem of increasing the reliability of sensors used in smart home systems by developing a mathematical model based on fuzzy set theory. The proposed model uses fuzzy sets to account for the uncertainty and variability of parameters affecting sensor reliability. Methods for generating fuzzy sets based on expert assessments and statistical data are presented, along with algorithms for processing them to obtain an integrated reliability assessment. The results of the study demonstrate that the application of fuzzy set theory allows for increased reliability assessment accuracy and improved monitoring and diagnostic processes for smart home sensors. The developed model can be integrated into smart home control systems to enhance their resilience and security. Keywords: sensor reliability, smart home, mathematical model, fuzzy set theory, fuzzy logic, reliability assessment, sensor diagnostics, uncertainty, system monitoring, intelligent systems. ВВЕДЕНИЕ Современные технологии умного дома активно внедряются в повседневную жизнь, обеспечивая комфорт, безопасность и энергоэффективность. В основе SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 31 систем умного дома лежит множество датчиков, которые контролируют различные параметры окружающей среды: температуру, влажность, движение, качество воздуха и другие. Надежность этих датчиков является ключевым фактором для бесперебойного функционирования системы и предотвращения возможных сбоев, которые могут привести к снижению уровня комфорта или даже угрозам безопасности. Однако из-за сложных условий эксплуатации и разнообразия факторов, влияющих на работу датчиков, оценка их надежности является достаточно сложной задачей. Традиционные методы анализа надежности, основанные на классической теории вероятностей, часто не учитывают неопределенности и нечёткость исходных данных, что снижает точность и адекватность моделей. В этом контексте теория нечетких множеств представляет собой эффективный инструмент для моделирования и анализа систем с неопределённой или неполной информацией. Использование нечетких множеств позволяет формализовать экспертные знания и учесть субъективные оценки, что особенно важно при разработке моделей надежности сложных технических устройств, таких как датчики умного дома [1]. Целью данной работы является разработка математической модели надежности датчиков умного дома с применением теории нечетких множеств, что позволит более точно и адекватно оценивать их работоспособность и прогнозировать возможные отказные ситуации в условиях неопределённости. Для разработки модели необходимо выполнить следующие шаги: Обоснование выбора темы: важность надежности датчиков в системах умного дома. Почему классические методы недостаточны (неопределенность, нечеткость данных). Краткое введение в теорию нечетких множеств. Надежность датчиков умного дома - вероятность корректной и непрерывной работы в заданных условиях. В реальной жизни параметры надежности часто нечетко определены из-за разнообразия факторов (окружающая среда, качество изготовления, эксплуатация и т.д.). Теория нечетких множеств позволяет моделировать такие неопределенности. Постановка задачи: Определение SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 32 объекта моделирования: датчики умного дома (температуры, движения, дыма, и т.п.). Цель: разработать модель, оценивающую надежность датчиков с учетом нечеткости параметров (например, условий эксплуатации, износа, погрешностей измерений) [2]. ОБЪЕКТ И МЕТОДЫ ИССЛЕДОВАНИЯ Имеются классические показатели надежности: вероятность безотказной работы, среднее время наработки на отказ (MTBF), и др. Ограничения классических подходов при работе с нечеткой или неполной информацией. Определение нечетких множеств, функции принадлежности. Нечеткие отношения и операции. Методы построения нечетких моделей (правила IFTHEN, нечеткие логические выводы). Надежность (R) - вероятность безотказной работы. Неопределенность и нечеткость - сложно дать точное числовое значение, поэтому применяются нечеткие числа (например, треугольные или трапециевидные функции принадлежности). Функция принадлежности - определяет степень принадлежности элемента к множеству. Разработка модели надежности на основе нечетких множеств 1. Выбор параметров, влияющих на надежность: Внешние факторы (температура, влажность, напряжение питания и т.п.). Внутренние характеристики датчиков (состояние элементов, износ, точность измерений). Оценка влияния каждого параметра в виде нечетких множеств (например, "низкая", "средняя", "высокая" влажность с соответствующими функциями принадлежности). 2. Формализация модели: Определение функции принадлежности надежности датчика. Составление набора нечетких правил для оценки надежности. Пример: IF температура = высокая AND влажность = высокая THEN надежность = низкая. IF температура = средняя AND влажность = низкая THEN надежность = высокая [3,4]. 3. Агрегация и дефаззификация: Методы агрегации результатов (максимум, сумма, взвешенное среднее). SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 33 Применение методов дефаззификации для получения конкретного численного показателя надежности. Модель надежности с использованием нечетких множеств 1. Определение параметров надежности. Определим ключевые параметры, влияющие на надежность датчика: Температура эксплуатации (T); Влажность (H); Время работы (t); Вероятность отказа (P). Каждый параметр описывается нечетким числом с функцией принадлежности. 2. Построение функции принадлежности. Пример: вероятность отказа датчика может быть нечетко описана функцией: Низкая вероятность отказа: треугольная функция принадлежности с максимумом при 0.01. Средняя вероятность отказа: максимум при 0.05. Высокая вероятность отказа: максимум при 0.1. 3. Математическая формализация. Пусть 𝑃  - нечеткая вероятность отказа, тогда надежность – это 𝑅 =1-𝑃 , где вычитание происходит с учетом нечеткой арифметики. 4. Объединение факторов. Можно использовать правила логического вывода с нечеткими множествами (например, нечеткие логические связки AND, OR) для объединения различных параметров: 𝑅 =fuzzy_and (𝑅 𝑇,𝑅 𝐻, 𝑅 𝑡, … . ). Пример модели. Задаём функции принадлежности для каждого параметра. Используем нечеткие правила для оценки итоговой надежности. Применяем методы дефаззификации (например, центр тяжести), чтобы получить конкретное числовое значение надежности. Пример: Модель надежности датчика с нечеткими параметрами. Шаг 1: определим параметры. Возьмём три параметра, влияющих на надёжность датчика: Температура (T), Влажность (H), Время работы (t). Каждый параметр будем описывать нечеткими множествами с функциями принадлежности [5,6]. Шаг 2: Функции принадлежности. Для простоты возьмём треугольные функции принадлежности. Температура (°C): Низкая: максимум в 15°, растёт от 5° до 15°, падает до 25°. Средняя: максимум в 25°, растёт от 15° до 25°, падает до SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 34 35°. Высокая: максимум в 35°, растёт от 25° до 35°, падает до 45°. Влажность (%): Низкая: максимум в 30%, растёт от 10% до 30%, падает до 50%. Средняя: максимум в 50%, растёт от 30% до 50%, падает до 70%. Высокая: максимум в 70%, растёт от 50% до 70%, падает до 90%. Время работы (часы): Короткое: максимум в 1000, растёт от 0 до 1000, падает до 2000. Среднее: максимум в 2000, растёт от 1000 до 2000, падает до 3000. Длинное: максимум в 3000, растёт от 2000 до 3000, падает до 4000. Шаг 3: Нечеткая вероятность отказа по каждому параметру. Пусть вероятность отказа P растёт с увеличением температуры, влажности и времени работы. Назначим для каждого параметра функции Pparam: Температура: низкая - 0.01, средняя - 0.05, высокая - 0.1. Влажность: низкая - 0.01, средняя - 0.05, высокая - 0.1. Время работы: короткое - 0.01, среднее - 0.05, длинное - 0.1 Шаг 4: Расчёт нечеткой вероятности отказа. Используем оператор максимум (или логическое OR) для объединения отказов: 𝑃 =max (PT, PH, PT). Шаг 5: Надёжность: 𝑅 =1-𝑃 . Шаг 6: Пример расчёта. Пусть датчик работает при: Температура: 28°C (близко к средней и высокой). Влажность: 55% (средняя/высокая). Время работы: 2500 ч (среднее/длинное) [7,8]. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ Представим Python-код, который реализует нечеткие функции принадлежности для параметров и рассчитывает надежность датчиков. import numpy as np def triangular_mf(x, a, b, c): Треугольная функция принадлежности. x - точка, для которой вычисляем принадлежность a, b, c - параметры треугольника (a < b < c) if x <= a or x >= c: return 0.0 elif a < x <= b: SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 35 return (x - a) / (b - a) else: # b < x < c return (c - x) / (c - b) # Функции принадлежности для температуры def temp_low(x): return triangular_mf(x, 5, 15, 25) def temp_medium(x): return triangular_mf(x, 15, 25, 35) def temp_high(x): return triangular_mf(x, 25, 35, 45) # Функции принадлежности для влажности def hum_low(x): return triangular_mf(x, 10, 30, 50) def hum_medium(x): return triangular_mf(x, 30, 50, 70) def hum_high(x): return triangular_mf(x, 50, 70, 90) # Функции принадлежности для времени работы def time_short(x): return triangular_mf(x, 0, 1000, 2000) def time_medium(x): return triangular_mf(x, 1000, 2000, 3000) def time_long(x): return triangular_mf(x, 2000, 3000, 4000) # Значения вероятности отказа для каждого уровня P_values = { 'low': 0.01, 'medium': 0.05, 'high': 0.1 SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 36 } def calculate_failure_probability(temp, hum, time): # Вычисляем степени принадлежности для температуры temp_deg = { 'low': temp_low(temp), 'medium': temp_medium(temp), 'high': temp_high(temp) } # Вероятности отказа для температуры P_temp = max(temp_deg[level] * P_values[level] for level in temp_deg) # Влажность hum_deg = { 'low': hum_low(hum), 'medium': hum_medium(hum), 'high': hum_high(hum) } P_hum = max(hum_deg[level] * P_values[level] for level in hum_deg) # Время работы time_deg = { 'short': time_short(time), 'medium': time_medium(time), 'long‘: time_long(time) } P_time = max(time_deg[level] * P_values.get(level if level != 'short' else 'low', 0.01) for level in time_deg) # Итоговая вероятность отказа - максимум из трех P_failure = max(P_temp, P_hum, P_time) # Надежность R = 1 - P_failure return R, P_failure # temperature = 28 # °C humidity = 55 # % operation_time = 2500 # часов SCHOLAR ISSN: 2181-4147 VOLUME 3 | ISSUE 9 | 2025 https://t.me/openscholar Multidisciplinary Scientific Journal Oktyabr, 2025 37 R, P = calculate_failure_probability(temperature, humidity, operation_time) print(f"Вероятность отказа (нечеткая оценка): {P:.4f}") print(f"Надежность датчика: {R:.4f}"). Для каждого параметра считаем степень принадлежности к низкому, среднему и высокому уровню. Затем умножаем эти степени на соответствующую вероятность отказа. Берём максимум из этих значений как итоговую вероятность отказа для параметра. Итоговая вероятность отказа - максимум из трёх параметров. Надежность - 1 минус вероятность отказа. Пример реализации и тестирование модели. Подбор конкретных параметров и функций принадлежности для одного или нескольких типов датчиков. Проведение расчетов и анализ полученных результатов. Сравнение с классическими методами. Выводы и рекомендации. Оценка преимуществ использования нечетких множеств для оценки надежности. Возможные направления улучшения модели. Применение в реальных системах умного дома [9,10]. Приложения. Код на MATLAB/Python для реализации нечеткой модели. Графики функций принадлежности. Примеры нечетких правил. В работе показана эффективность применения теории нечетких множеств для моделирования надежности датчиков умного дома, что позволяет учитывать неопределенность и вариативность эксплуатационных условий. Разработанная математическая модель обеспечивает более точную и гибкую оценку состояния и вероятности отказа датчиков по сравнению с традиционными методами, основанными на четких данных. Использование экспертных оценок и статистической информации для формирования нечетких множеств позволяет повысить качество диагностики и мониторинга систем умного дома. Внедрение предложенной модели в системы управления умным домом способствует повышению безопасности, устойчивости и долговечности работы сенсорных устройств. Дальнейшее развитие модели возможно путем интеграции с методами машинного обучения и искусственного интеллекта для автоматического обновления параметров надежности и адаптации к изменяющимся условиям