-
Підсекція 2.1 Ідентифікація та діагностика
УДК 62-50:519.2
Pervukhina E. L., Pervukhin A. V. (Ukraine, Sevastopol,
SNTU)
ANALYSIS OF ADAPTIVE FILTERING ALGORITHM FOR RANDOM
CONSEQUENCES
The modern general tendency of stochastic processes modeling is
oriented to the reducing of mod-eling time interval and carrying
out investigations in real time regime at increasing of estimating
accu-racy. Problems on data processing require algorithms working
in real time regime. As a rule the informa-tion arrivals as a
sequence of observations over system or object parameters in equal
time intervals.
The state space form is powerful tool which opened the way to
handling a wide range of time se-ries models. Once a model has been
put in state space form, the Kalman filter may be applied and this
in turn leads to algorithms for prediction and smoothing [1]. Hence
Kalman filter requires a priori informa-tion on stochastic
characteristics of observations and their terms to form optimal or
approximately opti-mal estimator from the mean square criterion. In
other words, efficiency of filtering mostly depends on plenitude
and authenticity of a priori information: order of object’s
equations, point of noises applica-tion, noises probability
distribution and etc. But for the most real applications this
information is defi-cient and incorrect.
Recently there are many algorithms of data processing that need
much smaller quantity of a priori information and being able to be
adaptive to different signals and situations [2]. But since they
are, as a rule, nonlinear over their structure and very complicated
from mathematical point of view, have features close to optimal
with the data storage only and have not enough speed of estimations
convergence, the problem of simple algorithm design with high speed
of convergence is actual and important.
The calculation technologies developed and proposed in [3] are
aimed to time series filtering with enough high speed of estimation
convergence to real values of the estimated parameters under
conditions of deficient a priori information on noises
characteristics. The Kullback-Leibler divergence measuring the
difference between two distributions of random variables is
considered as filtering criterion. The al-gorithm is formed just by
observations without renovation of their descriptions. The
numerical results in-dicate that the technique indeed results in a
high quality of the solution.
The paper presents the analysis of characteristics of the
proposed adaptive filter for random conse-quences, determined by
difference equations. Special attention is given to frequency
investigation for sta-tionary random consequences. The results are
compared with classic Kalman approach.
All algorithms to illustrate method are created in RATS
environment [4,5]. Bibliography:
1. Durbin J., Koopman S.J. Time Series Analysis by State Space
Methods. Oxford University Press, Ox-ford, 2005.
2. Shilman S. Adaptive Filtering of Time Series. Nizhny
Novgorod, 1995. 3. Pervukhina E. Identification of technical system
on trials for adaptation to specific functioning model
// Zeitschrift fuer Angewandte Mathematik und Mechanik 76,
suppl.3, 1996, 533. 4. Pervukhina, E., Emmenegger J.-F. Adaptive
time series filters obtained by minimization of the Kull-
back-Leibler divergence criterion // International Journal of
Applied Mathematics, vol. 17, No. 1, 2005, 69-89.
5. Doan T. A. RATS Software Package, User’s Manual, Version 6.0.
Estima, Evanston, Illinois, 2005.
53
-
УДК 519.25
Потапенко Е. М., Потапенко Е. Е., Казурова А. Е. (Украина,
Запорожье, ЗНТУ)
ИДЕНТИФИКАЦИЯ ПАРАМЕТРОВ УПРАВЛЯЕМОЙ МЕХАНИЧЕСКОЙ СИСТЕМЫ В
РЕАЛЬНОМ ВРЕМЕНИ
Неопределённости, всегда имеющие место в системах управления,
ухудшают их динамиче-ские и статические характеристики и могут
привести к потере их работоспособности.
Целью данной работы являются синтез и анализ алгоритмов
идентификации момента инер-ции подвижной части управляемого
механизма, нагрузки на него и коэффициента вязкого трения по
информации о скорости.
Рассматривается управляемая механическая система, описываемая
уравнением ,00 fdmI ++= ωω&
где I – момент инерции (масса), – управляющий момент
(управляющее усилие), m ω0d – мо-мент (сила) трения, – момент
(сила) нагрузки, 0f ω – скорость (угловая или линейная). Требует-ся
синтезировать наблюдатели, оценивающие неизвестные коэффициенты в
реальном времени при известных
00 ,, fdIω,m . Показано, что для полной восстанавливаемости
неизвестных коэф-
фициентов необходимо и достаточно, чтобы 1,, ωm были линейно
независимы. С помощью пря-мого метода Ляпунова синтезирован
адаптивный наблюдатель, оценивающий неизвестные пара-метры, в виде
уравнений
),ˆ(ˆ)ˆ(ˆ 10 ωωω δ −+++= lfmaa&
),ˆ(ˆ 2 ωω −= lf&
∫ −−−−=t
mdtkmka0
21 ,)ˆ()ˆ(ˆ ωωωωδ
,)ˆ(ˆˆ,,)ˆ(ˆ 1001
001
0−−− +==+= δδ aaffaIaaI
где – номинальное значение параметра , – его неизвестная
составляющая, – коэффициенты наблюдателя, коэффициенты , ин-декс
“^” указывает на оценку соответствующего коэффициента или
переменной.
,,,, 0001
δaaafafdadaI +====−
0a a δa
21, ll 0,0 21 >> kk
Для той же задачи синтезирован неадаптивный наблюдатель в
следующем виде: ),)((,ˆ 0maLzCLzLzx +−=−= ωω &
где [ ] [ ] [ TT lllLmCxxxxdxfxax 321321321 ,1,,,, ====== ωδ ] –
мат-рица коэффициентов наблюдателя.
В работе были синтезированы два алгоритма оценок параметров
(массы или момента инер-ции, нагрузки и коэффициента вязкого
трения) управляемой механической системы в реальном времени в
процессе штатного функционирования системы. Для функционирования
алгоритмов необходимо знать скорость и управляющее воздействие. В
отличие от прототипов, полученные алгоритмы идентификации являются
рекуррентными. Численное моделирование подтвердило
ра-ботоспособность синтезированных алгоритмов. Моделирование
показало, что идентификация осуществляется только в те моменты
времени, когда выполняются условия восстанавливаемости
(идентифицируемости). Замечательным является то, что момент инерции
идентифицируется за время менее 0,05 сек. с момента начала разгона
объекта. После включения нагрузки при невыпол-нении условия
восстанавливаемости информация о моменте инерции искажается и
мгновенно восстанавливается сразу после сброса нагрузки. При
выполнении условий восстанавливаемости идентификация всех
параметров происходит одновременно. С уменьшением нагрузки время
идентификации уменьшается.
54
-
УДК 621.513
Єфіменко С. М., Степашко В. С. (Україна, Київ, МННЦ ІТС НАНУ та
МОНУ)
ПОРІВНЯЛЬНЕ ТЕСТУВАННЯ КРИТЕРІЇВ СТРУКТУРНОЇ ІДЕНТИФІКАЦІЇ
МОДЕЛЕЙ
Однією з актуальних проблем, що виникає при розв’язані
практичних задач структурної ідентифікації, або моделювання за
експериментальними даними, є вибір ефективного для конкре-тного
випадку критерію якості моделей. Для визначення ефективності
критеріїв доцільно застосо-вувати комп’ютерні статистичні
випробування. В доповіді подається методика проведення чисе-льних
експериментів з тестування різних критеріїв якості моделей та
наводяться отримані резуль-тати порівняння їх ефективності.
Критерії якості, що використовуються при виборі оптимальної
моделі, можна розділити на три групи [1]: статистичні критерії, які
зводяться до порівняння певних вибіркових статистик, що базуються
на величині помилки моделі, з теоретичними; критерії з явним
штрафом за складність (зокрема, критерії Акаіке та Малоуза), коли
до помилки моделі вводяться адитивні або мульти-плікативні штрафні
члени, які залежать від кількості точок у вибірці та від складності
(числа па-раметрів) моделі; зовнішні критерії (застосовуються в
МГУА), що ґрунтуються на розбитті вибір-ки принаймні на дві
частини: на одній оцінюються параметри, на іншій визначається
прогнозна здатність моделей.
Метою експериментів було порівняння ефективності критеріїв в
умовах коротких вибірок даних за різних рівнів (дисперсій) шуму. З
метою забезпечення стабільності результатів статисти-чні
випробування здійснювались серіями з подальшим усередненням за
реалізаціями шуму. Для порівняльних досліджень було проведено
тестування таких критеріїв:
− фінальна помилка передбачення Акаіке [2]
)()( sRSSsnsnsFPE
−+
= ,
де s – складність (число оцінюваних параметрів) моделі, n –
довжина вибірки, 2ˆ)( ssXysRSS θ−= – помилка моделі (залишкова сума
квадратів), sθ̂ – МНК-оцінка парамет-
рів; − критерій Малоуза [3]
ssRSSsC p2ˆ2)()( σ+= ,
де )()(ˆ 2
mnmRSS
−=σ , m – кількість аргументів;
− критерій регулярності [1] 2ˆ)( AsBB XysAR θ−= ,
де A і B – дві частини вибірки, Asθ̂ – МНК-оцінка параметрів на
частині A. За допомогою проведених статистичних експериментів
показано, що критерії Акаіке і Ма-
лоуза (за рахунок присутності штрафу за складність) та критерій
регулярності (за рахунок розбит-тя вибірки) при зростанні рівня
шуму спрощують оптимальні моделі, які відбираються.
Згідно з результатами, критерії Малоуза та регулярності є
ефективними, а критерій Акаіке таким вважати не можна, оскільки він
обирає переускладнені моделі зі збільшенням дисперсії шуму. Ці
висновки добре узгоджуються з результатами теоретичних досліджень
[4].
Література: 1. Степашко В.С., Кочерга Ю.Л. Методы и критерии
решения задач структурной идентификации // Автоматика. – 1985. –
№5. – С. 29-37. 2. Akaike H. Fitting autoregressive model for
prediction // Ann. Statistics. – 1969.– V.21. – P.243-247. 3.
Mallows C.L. Some comments on Cp // Technometrics. – 1973. – V.15.
– P. 661-667. 4. Степашко В.С. Анализ эффективности критериев
структурной идентификации про-гнозирующих моделей // Проблемы
управления и информатики. – 1994. – № 3-4. – С. 13-21.
55
-
УДК 65.011.56.
Рудак С. М. (Україна, Полтава, ГПУ "Полтавагазвидобування")
СИСТЕМА КОНТРОЛЮ ПАРАМЕТРІВ ПРОЦЕСУ БУРІННЯ З МЕТОЮ ЗАПОБІГАННЯ
АВАРІЙ ТА УСКЛАДНЕНЬ
Найважливішим питанням підвищення якості робіт в бурінні
свердловин є зменшення кіль-кості ускладнень і виключення аварій,
що пов’язане з використанням сучасних методів контролю і
комп’ютерної техніки. З врахуванням особливостей процесу буріння і
необхідністю прийняття рішення про можливість виникнення аварій,
актуальним питанням є розробка системи контролю для запобігання
аварій, з використанням основних положень теорії нечітких множин і
нечіткої ло-гіки. Це дасть можливість виявити аварії на початковій
стадії розвитку.
Метою даної роботи є підвищення ефективності контролю для
запобігання аварій та ускладнень процесу буріння в умовах
невизначеності, за рахунок отримання оперативної і вірогі-дної
інформації про взаємозв’язок параметрів і показників процесу
буріння, що передує виник-ненню аварій та ускладнень. Вибрано
систему контролю „СГТ-мікро” яка по функціональних мо-жливостях
аналогічна подібним, що випускається фірмою „Мартин-Декер”.
Перевага − вартість „СГТ-мікро” у 4-6 разів менша, а з урахуванням
витрат на навчання персоналу, профілактичні об-слуговування і
ремонт, виклик фахівців при виникненні позаштатних ситуацій і т.п.,
вартісне від-ношення ще більш зростає на користь „СГТ-мікро”.
Створено загальну модель об’єкта контролю. Залежно від
характеру, вагомості й напрямку дії всі параметри, що впливають на
процес буріння, поділено на три групи: вхідна група некеро-ваних
параметрів, вхідна група керованих параметрів, вихідна група
залежних контролюючих па-раметрів. На основі інформації одержаної в
результаті експертного опитування технологів-операторів (експертів)
Долинського і Надвірнянського УБР ВАТ “Укрнафта сформульовані
пра-вила-продукції для ідентифікації можливих аварій та ускладнень
та подано їхній лінгвістичний опис;
Аварії та ускладнення класифікують на три категорії: І – аварії
та ускладнення, що залежать від газовмісту (газопрояви, зона
аномально високих
пластових тисків) (ΨІ); ІІ – аварії та ускладнення, що виникають
в залежності від стану бурового розчину (ΨІІ); ІІІ – аварії та
ускладнення, що виникають в залежності від стану бурильної колони
(ΨІІІ). Прийнято до уваги 8 факторів з можливими діапазонами їх
зміни, які розглядаємо як лінгві-
стичні змінні, крім того, введемо наступні лінгвістичні змінні:
ψ - небезпечність аварій та ускладнень, яка вимірюється категоріями
І, ІІ, ІІІ; а – небезпечність аварій та ускладнень, що залежить від
чинників {Х1, Х3}; в – небезпечність аварій та ускладнень, що
залежить від чинників {Х4, Х5,X6}; с – небезпечність аварій та
ускладнень, що залежить від чинників {Х7, Х8,}. Для оцінювання
лінгвістичних змінних Х1÷Х8 і а, в, с використано єдину шкалу
термів: Н
– низький, С – середній; В – високий. Користуючись функціями
належності, записуємо логічні рівняння можливих аварій та
ускладнень відповідної категорії що формують експертні знання.
Для аналізу отриманих логічних рівнянь використано функції
належності і правило перерахунку параметрів, беручи фактори, які
були в момент аварії. Далі знаходять значення функцій належності
для аварій та ускладнень від-повідної категорії і роблять висновок
про те, що для аварій II категорії вона має найбільше зна-чення.
Так в свердловині № 45 – Танява відбулася аварія ІІ категорії, яка
була передбачена сис-темою.
Систему контролю досліджено в пакеті МATLAB (бібліотека Fuzzy
Logic Toolbox).
56
-
УДК 681.3.06+681.518.54.621.51
Горбійчук М. І., Скріпка О. А. (Україна, Івано-Франківськ,
ІФНТУНіГ)
ІДЕНТИФІКАЦІЯ ТЕХНІЧНОГО СТАНУ НАГНІТАЧІВ ПРИРОДНОГО ГАЗУ В
процесі експлуатації газоперекачувальних агрегатів (ГПА) природного
газу відбувається
зміна їх технічного стану, під дією експлуатаційних факторів.
Вплив таких факторів визначається, серед іншого [1], режимами
роботи, властивостями робочого середовища, впливом оточуючої
ат-мосфери, а також якістю і своєчасністю проведення ремонтних
робіт, виконанням обслуговуючим персоналом правил технічної
експлуатації. Вплив конструктивно-виробничих та експлуатаційних
факторів на показники роботи ГПА носить випадковий характер і
проявляється у їх відхиленні від паспортних даних. Відхилення
основних показників роботи ГПА від їх паспортних значень можна
використовувати як діагностичні ознаки [1] технічного стану ГПА.
При такому підході до проце-су діагностування виникає задача
розбиття простору діагностичних ознак на окремі області, які
характеризують придатність агрегату до роботи, його роботоздатність
чи несправний стан. Розпі-знавання станів агрегату в процесі його
діагностування є складною науковою задачею і вимагає свого
подальшого вирішення.
В роботі [2] запропонований метод обчислення базових значень
діагностичних ознак з ви-користанням нейромережевого підходу.
Основною ідеєю такого підходу є те, що за допомогою нейромереж
апроксимуються зведені характеристики відцентрових нагнітачів (ВН)
природного газу. Після того як мережа навчена, за поточними
значеннями технологічних параметрів ВН мож-на визначити базові
значення діагностичних ознак ВН.
Діагностичні ознаки носять випадковий характер і тому трудно
зробити певні висновки відносно технічного стану нагнітача. Тому
доцільно, для дослідження властивостей даних про ді-агностичні
ознаки, здійснити їх кластеризацію. За допомогою кластеризації
отримані дані можна розбити на декілька компактних областей.
Кластеризація дає можливість подати неоднорідні дані в кращому
наочному вигляді і в подальшому досліджувати властивості кожного
кластера. Класте-ризація і розбиття на класи дві близькі задачі –
різниця між ними полягає в тому, що в першому випадку кількість
класів невідома, а в другому – число класів наперед задано. З
огляду на це, за-дачу кластеризації можна розглядати як частковий
випадок задачі класифікації (і навпаки). Кла-сифікація передбачає
розбиття набору даних (об’єктів) на декілька компактних областей
(класів), число яких в загальному випадку невідоме.
Кластеризація діагностичних ознак дала можливість зменшити об'єм
вхідної інформації, яка підлягає аналізу із збереженням
топологічного порядку їх розташування. Це полегшує класифіка-цію
технічних станів нагнітача. Оскільки стан нагнітача
характеризується відносним відхилен-ням технологічних параметрів
від своїх базових значень, то чим більшого значення набувають ці
величини, тим гірший технічний стан нагнітача.
Зміни, що відбуваються в структурних елементах нагнітачів, в їх
зв’язках і функціонуванні, зумовлені впливом значного числа
зовнішніх параметрів і умов експлуатації, що і визначають
на-явність відповідних множин станів. Життєвий цикл нагнітача можна
охарактеризувати трьома станами [1], які відповідають множинам, що
характеризують придатний , працездатний і непридатний стани
1M 2M
2M
321 MMMM ∪∪=Σ . Розпізнавання станів в процесі діагностування
можна здійснити за допомогою нейронних
мереж зустрічного поширення (LVQ-мережі), які складаються із
вхідного шару нейронів і шарів нейронів Кохонена і Гроссберга.
Аналіз отриманих результатів показує, що LVQ-мережа успішно
віднесла діагностичні ознаки до одного із трьох класів. Перший клас
утворює область, яка є найближчою до початку координат; другий клас
– середня область, а третій клас – область, яка є найвіддаленішою
від по-чатку координат.
Література: 1.Зарицкий С. П. Диагностика газоперекачивающих
агрегатов с газотурбинным приводом. – М.: Недра, 1986. – 198 с. 2.
Горбійчук М. І., Когутяк М. І., Скріпка О. А. Контроль технічного
стану газоперекачувальних агрегатів.// Методи та прилади контролю
якості. - №13. – 2005. – С. 18 – 20.
57
-
УДК 681.518.5: 004.891.3
Становская Т. П., Закусило М. В. (Украина, Одесса, ОГАХ)
ИНТЕЛЛЕКТУАЛИЗАЦИЯ МЕТОДА ФАЗОВОГО ИНТЕРВАЛА Одной из важнейших
составляющих управления сложными техническими системами, на-
правленных на повышение надежности их функционирования, является
техническая диагностика, в рамках которой изучаются и
разрабатываются методы получения и интерпретации диагностиче-ской
информации, в частности, метод фазового интервала.
Отмечены недостатки метода фазового интервала и представлена
возможность построения нового метода для преодоления этих
недостатков на базе неметрического диагностического про-странства с
настраиваемой функцией-отображением. Предлагаемый метод эффективен,
прежде всего, для проведения технической диагностики в силу того,
что по своей природе необходимые для этого параметры являются
количественными и/или бинарными. Его эффективность определя-ется
качеством аппроксимации многомерной функции-отображения, для
которой может быть ис-пользовано множество современных методов из
таких областей как машинное обучение, искусст-венные нейронные
сети, распознавание образов, обучение с подкреплением,
синергетическая тео-рия управления и др.
Диагностическое пространство представляет собой декартовое
произведение M × M, на ко-тором задается отображение ρ: M × M → R.
Значение ρ для каждой точки диагностиче-ского пространства
определяется следующими условиями:
1) 0 ≤│ρ│≤ 1 и тем больше, чем больше уверенность системы в том,
что точки пространства признаков m1 и m2 соответствуют одному или
разным диагнозам в зависимости от знака ρ;
2) ρ > 0 тогда и только тогда, когда точки m1 и m2
соответствуют одному диагнозу; 3) ρ < 0 тогда и только тогда,
когда точки m1 и m2 соответствуют разным диагнозам. Действительно,
введенное диагностическое пространство не является метрическим
про-
странством поскольку из перечисленных ниже условий выполняется
лишь второе:
).,(ρ),(ρ),(ρ)3);,(ρ),(ρ)2
;0),(ρи0),(ρ)1
yzzxyxxyyx
yxyxyx
+≤=
=⇔=≥
Представлен алгоритм построения адекватного отображения в
процессе обучения системы. На основании экспериментальных данных
получена динамика изменения правильных диагнозов.
Было сделано предположение, что соответствующее ускорение
является экспоненциальной зависимостью вида a(x) = A·B–x. Тогда
исходная зависимость динамики обучения выражается за-висимостью
)(ln)ln()(ln)( 220 B
ABxA
BBAxvxright x −
⋅+
⋅−= ,
где v0 – начальная скорость увеличения количества правильных
ответов, обусловленная способ-ностью системы «угадывать» правильные
ответы. Регрессия исходных данных подтвердила это предположение с
большой точностью. Среднее значение невязки составило 0.917, а
дисперсия – 0.402.
Полученные аналитические зависимости могут использоваться для
принятия решения о про-должительности обучения. Действительно,
выполнение нескольких непродолжительных процес-сов обучения с
последующей регрессией полученных данных значительно эффективнее
регуляр-ного тестирования системы после некоторого количества
обучающих итераций.
Особое значение для практического использования предложенного
метода имеют дальнейшие исследования, связанные с эффективной
аппроксимацией многомерной функции отображения в режиме on-line для
качественного представления отображения диагностического
пространства и обобщением данных, необходимым для наилучшего
использования поступающей в систему ин-формации. Исходя из того,
что экспериментально проверенная аналитическая зависимость для
скорости обучения отлично отражает реальный процесс для случайно
выбранного объекта диаг-ностики (пространства признаков), можно
предположить, что улучшения предложенного метода с использованием
результатов указанных исследований могут уменьшить кривизну графика
скоро-сти обучения, но не изменить его характер.
58
-
УДК 62.505
Меньшиков Ю. Л. (Украина, Днепропетровск, ДНУ)
ИДЕНТИФИКАЦИЯ ПАРАМЕТРОВ ПРИ МИНИМУМЕ АПРИОРНОЙ ИНФОРМАЦИИ
Рассматривается задача идентификации параметров стационарного
процесса, которая за-ключается в построении математической модели
связи между выбранными характеристиками процесса q1, q2, q3, . . .
, qn. Для простоты будем рассматривать лишь задачу построения
линейной модели:
q1 = z1 q2 + z2 q3 + . . . + zn-1 qn + zn, (1) где z1, z2, . . .
, zn – искомые постоянные коэффициенты математической модели.
Обозначим zТ = (z1, z2, z3, . . . , zn ), (.)Т – знак
транспонирования.
Предполагается, что для каждой переменной qi (i =1,2,..,n) имеем
n измерений qik (k =1,2,.., n). Обозначим qiТ = (qi1, qi2, qi3, . .
. , qin ).
Представим задачу построения многомерной линейной модели
относительно q1, как задачу решения уравнения
Аp(q2, q3 , . . . , qn) z = q1. (2)
Так как измерения переменных выполняется экспериментально, то
будем полагать, что ка-ждое измерение qik, 1 ≤ i ≤ n, 1 ≤ k ≤ n
имеет некоторую погрешность, максимальная величина ко-торой
известна априори:
⏐ qik – qexik ⏐≤ δi , 1 ≤ k ≤ n, i = 1,2, . . . , n,
где qexik есть точные измерения переменной qi, 1 ≤ k ≤ n.
Указанная погрешность приводит к тому, что образуется множество
возможных (эквивалентных) операторов KA = {Ap} в уравнении (2).
Статистические характеристики ошибок измерений неизвестны.
Перепишем (2) в виде Ap z = uδ1, Ap ∈ KA, (3)
где uδ1= q1 ;⎥⎜ uδ1 – u1ex⎥⎜≤ δ1 ; u1ex = qex1; uδ1, u1
ex ∈ U = Rn; z ∈ Z=Rn; ⎥⎜ Aex – Ap⎥⎜Z→U ≤ h. Рассмотрим
множество решений уравнения (3) при фиксированном операторе Ap ∈
KA:
Qδ1,p = { z : ⎥⎜Ap z – uδ1⎥⎜≤ δ1. Задача идентификации
параметров математической модели при минимуме априорной ин-
формации сводится к решению следующей экстремальной задачи:
,supinf22
11 UapKAQzU
optp
uzAuzAAp
Ua
opt δδ −=−∈∈
(4)
где QU = Qp D∈∪ δ1,p; za есть решение экстремальной задачи
,inf 22,1
UQzUazz
pδ∈= (5)
Показано, что решение экстремальной задачи (4) существует,
единственно и устойчиво к малым изменениям исходных данных.
Для иллюстрации алгоритма выполнен тестовый численный расчет
краткосрочного прогно-за реальных экономических характеристик с
использованием модели и традиционной эконо-метрической модели.
Результаты расчетов показали, что минимаксная модель дает точнее
прогноз экономического показателя, например , нежели прогноз с
использованием традицион-ной эконометрической модели.
optzoptz
1q
59
-
УДК 621.313
Кучерук В. Ю., Войтович О. П. (Україна, Вінниця, ВНТУ )
РАННЯ ДІАГНОСТИКА ЕЛЕКТРОМОТОРІВ В РЕАЛЬНОМУ ЧАСІ Покращення
надійності, безпеки та ефективності існуючих методів контролю та
технічної
діагностики стає все важливішою задачею для багатьох технічних
процесів. Особливо це стосу-ється таких галузей як автомобільний та
залізничний транспорт, хімічне виробництво та електро-енергетика,
побутова та медична техніка. При класичних підходах
використовується обмеження або перевірка зміни деяких вихідних
змінних. Так як вони не дають детальної інформації та не
до-зволяють діагностувати несправність, все більше розвиваються
методи, які основані на моделі об’єкта з використанням вхідних та
вихідних сигналів. Ці методи базуються, наприклад, на оцінці
параметрів, контрольних рівняннях або експертних станах. Також
розвивається підхід на основі моделі сигналу. Визначення діагнозів
несправностей відбувається за допомогою класифікації або стратегії
логічного висновку.
Часто несправності, що виникають в середині електромоторів (ЕМ),
можуть бути визначені по проходженню тривалого проміжку часу, а
раптові виходи з ладу цих ЕМ можуть спричинити великі втрати. Рання
діагностика несправностей приводить до зупинення розвитку аварійних
си-туацій та скорочення часу простою. Вона також дозволяє
позбавитись шкідливих, часом небезпе-чних, впливів несправностей на
технологічні системи та процеси.
Отже, актуальною задачею є створення апаратного та програмного
забезпечення, яке дозво-лить приймати діагностичне рішення в
реальному часі на основі аналізу зміни параметрів ЕМ. Це може бути
досягнуто шляхом створення інтелектуальної моделі, яка інтерпретує
значення конт-рольованих параметрів в реальному часі. Складність
поставленої задачі полягає в тому, що ЕМ є складними нелінійними
об’єктами. Вихідні параметри залежать від багатьох факторів: зміни
вхі-дних параметрів, параметрів стану та завад і збурень. Часто
діагностичне рішення приймається лише з огляду на досвід експерта
без достатнього теоретичного обґрунтування. В цьому випадку
доцільним для вирішення поставленої задачі є використання засобів
нечіткої логіки та нейронних мереж.
Запропонований метод проектування інтелектуальної моделі
оцінювання технічного стану та діагностування ЕМ, оснований на
формалізації за допомогою адаптивних нейронечітких сис-тем.
Нейронечітка мережа апроксимує вихід об’єкта, який моделюється при
справному технічно-му стані. ЕМ в справному технічному стані можна
представити деякою еталонною нелінійною функцією. При створенні
системи технічного діагностування параметри справного ЕМ
прийма-ються за початкові, відносно яких розглядаються наступні
зміни параметрів.
Для повноти отримання діагностичної інформації необхідно
досліджувати ЕМ в декількох режимах роботи. Репрезентативними
режимами робити ЕМ для визначення діагностичних пара-метрів є
режими пуску, статичний режим, самогальмування, ударне
навантаження, повторно-динамічний режим. В кожному з режимів
необхідним є визначення лінгвістичніх термів “Якщо-То” бази знань
та формулювання правил бази знань, які б максимально відображали
вплив зміни вхідних векторів на вихідні.
Важливим моментом при застосуванні нейронечіткого метода
діагностування є навчання та тестування нейтронної мережі. Для
навчання та тестування обирають різні вибірки. При цьому необхідно
враховувати, що навчальна вибірка повинна представляти більш
складний режим робо-ти, ніж тестувальна, а потім і робоча, оскільки
в іншому випадку похибка буде перевищувати до-пустимі межі,
оскільки мережа, не буде знати як поводити себе в такій
ситуації.
Метод технічного діагностування ЕМ в реальному часі на основі
нейронечіткої мережі буде сприяти як зниженню ймовірності пропуску
дефекту, так і помилкового його виявлення, і доціль-ний для
винесення діагнозів про технічний стан ЕМ.
60
-
УДК.681.5.
Обжерин Ю. Е., Бойко Е. Г., Приходько Н. В. (Украина,
Севастополь, СНТУ)
ФАЗОВОЕ УКРУПНЕНИЕ ПОЛУМАРКОВСКОЙ МОДЕЛИ СИСТЕМЫ С УЧЕТОМ
КОНТРОЛЯ
Основной задачей теории надежности на современном этапе является
повышение технико-экономических показателей автоматизированных
систем (АС). При решении этой проблемы большое значение имеет
безотказность работы системы и своевременное обнаружение отказа. В
современной литературе [1,2], посвященной вопросам контроля
безотказной работы АС, практи-чески не рассматриваются
математические модели контроля параметрических отказов. Либо
рас-сматриваются [3] математические модели систем с
экспоненциальным распределением случай-ных величин. В докладе
рассматриваются полумарковские модели систем с различными
страте-гиями проведения контроля параметрических отказов.
В частности, исследуется модель системы, функционирующей
следующим образом: в на-чальный момент времени система находится в
работоспособном состоянии, контроль отключен. Время наработки
системы на отказ – случайная величина (СВ) 1α с функцией
распределения (ФР) общего вида )()( 1 tPtF ≤= α .Время между
включением приборов контроля – СВ 2α с ФР общего вида )()( 21 tPtR
≤= α , время проведения контроля – СВ γ с ФР общего вида
)()(2 tPtR ≤= γ . При включенном контроле, отказ обнаруживается
мгновенно. После обна-ружения отказа, контроль отключается, система
начинает восстановление. Время восстановления системы – СВ β с ФР
общего вида )()( tPtG ≤= β . Если контроль включается во время
восстановления системы, он перепланируется.
Для нахождения стационарных характеристик надежности и
эффективности использован метод, основанный на алгоритме фазового
укрупнения полумарковской системы, описанной по-средством процесса
марковского восстановления [1]. Получены формулы для нахождения
точно-го и приближенного значения коэффициента стационарной
готовности, которые используются для определения оптимального
периода контроля.
Полученные результаты и методику фазового укрупнения
полумарковской модели предпо-лагается использовать для исследования
математических моделей n-компонентных систем с па-раллельным и
последовательным соединением с учетом различных стратегий контроля
парамет-рических отказов.
Литература: 1. Королюк В.С. Стохастические модели систем. – К.:
Наукова думка, 1989. – 208 с. 2. Каштанов В.А. Теория надежности
сложных систем (теория и практика)/ В.А. Каштанов, А.И. Медведев. –
М.: «Европейский центр по качеству», 2002. – 470 с. 3. Черкесов
Г.Н. Надежность аппаратно-программных комплексов. – Питер, 2005. –
479 с.
61
-
УДК 536.24:631.371
Ткаченко С. Й., Резидент Н. В. (Україна, Вінниця, ВНТУ)
ІДЕНТИФІКАЦІЯ ЗАКОНОМІРНОСТЕЙ ТЕПЛООБМІНУ ЗА УМОВ НЕВИЗНАЧЕНОСТІ
ВХІДНИХ ДАНИХ
Теплообмін в системах біоконверсії визначається складністю та
різноманітністю умов, в яких він протікає. Відходи тваринництва
(свині, кури, ВРХ), органічні суміші рослинного походження можуть
вико-ристовуватись в різних співвідношеннях, з різною вологістю,
при різних температурах. В свою чергу ком-бінації сумішей можуть
являти собою грубодисперсні, тонкодисперсні та колоїдні системи.
Окрім того по-трібно враховувати інші умови: розшарування за часом,
вплив процесу бродіння на гідродинаміку і тепло-обмін; залежність
швидкості осадження частинок від концентрації дисперсної системи та
вплив гравітацій-них токів на розшарування. Теплообмінна поверхня
теплопередаточного елемента має різне конструктивне виконання і
розміщена в біореакторі як в зоні осаду так і в зоні з пониженою
концентрацією.
В системах біоконверсії виникають різні режими теплообміну в
залежності від: а) усередненої по об’єму масової концентрації сухих
речовин С ; б) розміщення теплообмінника: СС f , СС ≈ , СС p , де С
– локальне значення масової концентрації в зоні теплообміну; в)
температурних напірів Δt; г) режимів зброджування: психрофільний t
= 16,5…200С, мезофільний – 32…330С, термотолерантний – 32…420С,
тер-мофільний – 52…540С.
Закономірності теплообміну до цих сумішей в умовах вимушеної і
вільної конвекції формально від-повідають відомим механізмам і
критеріальним залежностям [1]. Із вище наведеного витікає, що на
багато-манітність композицій сумішей, гідродинамічних режимів та
теплообмінних поверхонь накладається різно-манітність режимів
теплообміну. Визначити фізичні властивості в таких умовах для
кожної суміші практи-чно не можливо. Потрібний нетрадиційній підхід
до виявлення закономірностей теплообміну.
Із визначеного нами переліку режимів теплообміну, які характерні
для біоконверсії, виділяємо базо-вий варіант, коли теплообмін
здійснюється між вертикальною стінкою і субстратом в перехідному
режимі природної конвекції. Такий базовий варіант прийнято виходячи
з того, що відносно просто можна організу-вати експериментальне
визначення показників інтенсивності теплообміну. Шляхом
структуризації відомого критеріального рівняння, що відповідає
заданому режиму теплообміну, виділяємо спеціалізований ком-плекс
фізичних властивостей
( ) 25,0сс25,0с
75,0с
пр СКФВ ρ⋅⋅ν
λ= . (1)
Для прикладу визначимо інтенсивність тепловіддачі до субстрату
ВРХ у випадку вимушеної конвек-ції в кільцевому каналі, режим руху
вязкісно-гравітаційний. Комплекс фізичних властивостей для цього
ви-падку із відомої критеріальної залежності приймає такий
вигляд
( ) 43,0сс1,0с
57,0с
)вг(вк СКФВ ρ⋅⋅ν
λ= . (2)
Із (1) та (2) випливає
( ) пр18,0сс18,0с
15,0с
)вг(вк КФВСКФВ ⋅⎥⎥⎦
⎤
⎢⎢⎣
⎡ρ⋅⋅
λ
ν= . (3)
Тоді кoефіцієнт тепловіддачі в умовах вимушеної конвекції з
в’язкісно гравітаційним режимом ( ) 1.037,033.0ТФВ)вг(вк tgdw15,0П
Δ⋅β⋅⋅⋅⋅⋅=α − , (4)
де ( ) 18,0сс18,0с15,0сТФВ СП ρ⋅⋅λ⋅ν= − – корегуючий параметр,
що розраховується з використанням тепло-фізичних властивостей
умовного субстрату за залежностями із літератури [2, 3]. КФВпр –
визначається екс-периментально за спрощеною методикою; w –
швидкість потоку; β – коефіцієнт температурного розширен-ня; Δt –
температурний напір; d – діаметр каналу.
Розбіжність експериментальних значень коефіцієнтів тепловіддачі
і визначених за запропонованою методикою знаходиться в межах
25…30%.
Література: 1. Ткаченко С.Й., Резидент Н.В. Тепловіддача до
багатокомпонентного середовища в умовах вимушеної і природної
конвекції //Вісник ХНУ. – 2006. – № 1. – С.111 – 114. 2. Ткаченко
С.Й., Степанов Д.В., Резидент Н.В.Залежності для оцінки значень
коефіцієнтів тепловіддач в системах термостабілізації біогазового
реактора //Вісник ВПІ. –2004.–№ 2.–С.65– 70. 3. Пузанков А.Г.,
Мхитарян Г.А., Гришаев И.Д. Обеззараживание стоков животноводческих
комплексов. – М.: Агропромиздат, 1986. – 175с.
62
-
УДК 681.3.068
Лежнюк П. Д., Рубаненко О. Є., Пиріжок М. І. (Україна, Вінниця,
ВНТУ)
ПРОГНОЗУВАННЯ ЯКОСТІ ФУНКЦІОНУВАННЯ РПН ТРАНСФОРМАТОРІВ В УМОВАХ
НЕЧІТКИХ РЕЗУЛЬТАТІВ ВИПРОБОВУВАНЬ
Швидке зростання частки устаткування, яке відпрацювало
нормативний термін служби, визначає необхідність продовження його
ності, підвищення економічності і підтримки надійності роботи
енергосистеми в цілому. У багатьох промислово розвитих країнах
світу, у тому числі й в Україні, до 2005 р. частка такого
устаткування перевищила половину. Підвищення надійності й
економічності експлуатованого устаткування необхідно не тільки
внаслідок спаду темпів введення нового обладнання, але і через
потужність енергообєднань, що зростає, через посилення конкурентної
боротьби між енергокомпаніями. На режими роботи силових
трансформаторів істотно впливає різке зростання обміну
електроенергією і збільшення потоків потужності між
енергообєднаннями, викликані переходом до ринку електроенергії.
За даними Генеральної інспекція по експлуатації РАО «ЄЕС Росії»,
частка пошкоджень при технологічних порушеннях в експлуатації
маслонаполненного устаткування в 1996 р. склала 4,8, у 1997 р. -
5,4, а в 1998 р. - 6,1 %, кількість пошкоджень із 1996 по 1999 р.
зросла на 14,3 % .
Цифри питомої пошкоджуваності силових трансформаторів
магістральних ліній (1600 шт.) склали відповідно 1,5 і 0,25 %,
регіональних мереж (1460 шт.) - 1,5 і 0,48 % [1].
Технічний стан обладнання у тому числі і РПН силових
трансформаторів, що використову-ються на даний час в енергетиці
висуває нові, більш жорсткі вимоги до діагностики такого
устат-кування. Особливо актуально це питання постає в умовах
нечіткості отриманої інформації про РПН трансформатора та його
стан. Нечіткість вхідних даних зумовлюється неповнотою та
дис-кретністю вимірювань, неоднозначністю висновків по результатам
вимірів [2] для однотипових трансформаторів, які працюють на різних
підстанціях.
Найбільш ефективними, в такому випадку, є комплексні
багатопараметричні системи конт-ролю та діагностики [1,2]. Такі
автоматизовані системи неперервної дії базуються на швидкодію-чих
мікропроцесорних системах, які працюють в парі з сенсорами що
встановлюються на діагнос-туючому обладнанні. Це дає змогу
використовувати найсучасніші алгоритми обробки даних, які базуються
на апараті нечітких моделей та систем нечіткого висновку [2].
Пропонуємо метод діагностування РПН силових трансформаторів на
основі математичного моделювання процесів старіння з використанням
апарату нечітких множин засобами MatLab Neural Network ToolBox.
Критерієм оцінки якості функціонування РПН трансформатора є
кількіс-ний показник kяф, який грунтується на вітчизняних
нормативних документах, рекомендаціях МЕК та СІГРЕ, матеріалах
вітчизняних та закордонних публікацій, стандартах енергосистем;
знаннях експертів (багаторічному досвіді діагностики, накопиченому
спеціалістами в енергосистемах , співробітниками галузевих наукових
інститутів); результатах науково-дослідних робіт ВНТУ. Побудована
нечітка модель визначає критерій оцінки якості функціонування РПН
трансформато-ра на основі навчаючої бази даних, яка містить
значення показників стану масла, які отримані в результаті
проведення вимірів.
База даних сформована на основі протоколів випробовувань РПН
трансформаторів електро-енергетичних систем України. Вхідні дані
представлені у вигляді двух матриць розмірності m×n. Перша матриця
відповідає значенню вхідних змінних, кількість рядків m відповідає
кількості се-рій вимірів, n - кількість сенсорів (n=5). Друга
матриця – матриця стовпчик, яка відповідає зна-ченню вихідної
змінної. Об'єм вибірки для навчання: m=51.
Для встановлення залежності похибки навчання мережі від типу
функцій приналежності, проводилось навчання з такими функціями
приналежності: Hardlims, Poslin, Satlins, Radbas та інш. Похибка
навчання для S-подібної функції приналежності становила 0,03%.
Проведені дослідження свідчать про можливість використання
алгоритму нечіткого моде-лювання для задач прогнозування якості
функціонування РПН трансформаторів.
Література: 1. Алексеев Б.А. Контроль состояния (диагностика)
крупных силовых трансформаторов.–М.:ЭНАС. 2002.–216 с. 2. Хайкин С.
Нейронные сети: полный курс. – М.: Издательский дом «Вильямс»,
2006. – 1140 с.
63
-
УДК 621.314.22.08
Косюк О. В. (Україна, Вінниця, ВНТУ)
ДО ПИТАННЯ ДІАГНОСТУВАННЯ ВИСОКОВОЛЬТНИХ ВИМІРЮВАЛЬНИХ
ТРАНСФОРМАТОРІВ ЗА РЕЗУЛЬТАТАМИ ХРОМАТОГРАФІЇ
Одним із ефективних методів діагностування стану
маслонаповненого обладнання є аналіз розчинених у маслі газів, який
дозволяє виявляти пошкодження [1]. Аналіз газів, які виділяються
при руйнуванні електричної ізоляції, проводиться з метою виявлення
їх складу та визначення концентрацій [2].
За допомогою аналізу розчинених газів (АРГ) в високовольтних
вимірювальних трансфор-маторах є можливість виявляти дві групи
дефектів [3]:
− перегріви струмопровідних з’єднань та елементів конструкції
остову; − електричні розряди в трансформаторному маслі.
Хроматографічний аналіз розчинених у маслі газів проводиться із
визначенням концентра-цій таких газів, розчинених у маслі: водню
(Н2), метану (СН4), ацетилену (С2Н2), етилену (С3Н4), етану (С2Н6),
оксиду вуглецю (СО), діоксиду вуглецю (СО2).
У відповідності з [3] діагностування трансформаторного
обладнання здійснюється з враху-ванням критеріїв діагностування
дефектів, які розвиваються в трансформаторах (критерію ключо-вих
газів, критерію граничних концентрацій газів, критерію відношення
концентрації пар газів для визначення виду та характеру дефекту,
критерію швидкості наростання газів в маслі); експлу-атаційних
факторів, які впливають на результати АРГ, а також дефектів, які
виявляються в транс-форматорах за допомогою АРГ.
Періодичність АРГ для трансформаторів із дефектами, які
розвиваються, визначається ди-намікою зміни концентрації газів та
тривалістю розвитку дефекту.
При аналізі складу розчинених у трансформаторному маслі газів
для діагностування екс-плуатаційного стану високовольтних
вимірювальних трансформаторів необхідно враховувати умови їх
експлуатації за попередній період часу та фактори, які зумовили
зміну цього складу га-зів.
Недоліком викладеної методики діагностування високовольтних
вимірювальних трансфо-рматорів є те, що існує невизначеність
діагнозів при значеннях параметрів АРГ, що можуть мати місце, але
вони та їх комбінації не враховані нормативними документами.
Для уникнення такої невизначеності пропонується математична
модель із застосуванням теорії нечітких множин для задавання
параметрів діагностування, бази нечітких правил та діагно-зів.
Згідно запропонованого алгоритму спочатку вводяться лінгвістичні
змінні, які відповідають параметрам діагностування високовольтних
вимірювальних трансформаторів, для кожної лінгвіс-тичної змінної
вводяться свої терми із відповідними функціями належності. Далі
складається база нечітких правил для комбінацій лінгвістичних
змінних параметрів діагностування. Також зада-ються лінгвістичні
змінні для діагнозів та періодичності діагностування із термами та
відповідни-ми функціями належності.
На основі розробленої математичної моделі здійснена програмна
реалізація запропоновано-го підходу. Програма написана мовою FCL в
середовищі, що дозволяє автоматизувати процес діа-гностування
високовольтних вимірювальних трансформаторів.
За допомогою даної системи діагностування підвищується
вірогідність діагностування ви-соковольтних вимірювальних
трансформаторів, і відповідно підвищується надійність роботи
ене-ргосистеми через своєчасне попередження аварійних режимів.
Література: 1. Сви П.М. Контроль изоляции оборудования высокого
напряжения. – 2-е изд., перераб. и доп. – М.: Энергоатомиздат,
1988. – 128 с. 2. Кутин В.М., Брэйтбурд В.И. Диагностирование
электрооборудования электрических систем.– учебное пособие – К.:
УМК ВО, 1991. – 128 с. 3. РД 153-34.0-46.302-00 Методические
указания по диагностике развивающихся дефектов транс-форматорного
оборудования по результатам хроматографического анализа газов,
растворённых в масле – Российское акционерное общество энергетики и
электрификации РАО "ЕЭС России", Де-партамент научно-технической
политики и развития – 26 с.
64
-
УДК 519.6:681.3
Ладієва Л. Р., Жулинський О. А. (Україна, Київ, НТУУ “КПІ”)
МАТЕМАТИЧНА МОДЕЛЬ ДИНАМІКИ ТЕПЛОМАСООБМІНУ В ПРОЦЕСІ КОНТАКТНОЇ
МЕМБРАННОЇ ДИСТИЛЯЦІЇ
Процес контактної мембранної дистиляції (КМД) з використанням
гідрофобних поруваних мембран застосовується для опріснення
мінералізованих природних вод. Перевагами цього мето-ду є
відсутність надлишкового тиску в апараті, можливість використання
низькопотенційної теп-лоти для підігріву розчину, що розділюється,
можливість розділення розчинів тормолабільних ре-човин.
З метою розробки системи керування процесом КМД створена
математична модель динамі-ки процесу, яка враховує розподіл
температури у подовжньому та поперечному напрямках кана-лів [1].
Модель розраховувалась пошаровим методом. Дослідження зміни
температури у попереч-ному напрямку показали, що вплив
температурної поляризації знижується при збільшенні турбу-лізації
потоків у каналах і складає декілька градусів (2-5°С). При великих
швидкостях потоків до-сягається інтенсивна теплопередача з об'єму
рідини до поверхні мембрани. Тому потік залежить від дифузійних
характеристик мембрани. І суттєвою для промислових мембранних
модулів є змі-на температури розчину вздовж каналу, яку необхідно
врахувати.
Ставилась задача розробки математичної моделі для цілей
керування процесом КМД, яка б врахувала змінні, що виявляють
домінуючий вплив на вихідні параметри процесу, при цьому не
враховані впливи враховуються у параметричній формі за допомогою
зміни в часі коефіцієнтів при врахованих впливах.
Прийняті припущення, що температура розчину у ядрі потоку і на
поверхні мембрани одна-кові. Швидкість у якій завгодно точці
поперечного перерізу потоку вважалась сталою. Також впливом
концентраційноїполяризації нехтували.
В існуючих математичних моделях процесу КМД [2, 3] потік пари
через мембрани знаходи-вся через ефективний коефіцієнт взаємної
дифузії, який залежить від структурних параметрів мембрани:
поруватості і коефіцієнта звивистості. З часом роботи мембрани її
параметри зміню-ються. Солеутворення на поверхні мембрани одна з
найважливіших проблем при опріснюванні мінералізованих природних
вод чи морської води. Для успішного керування процесом необхідно
прогнозування забруднення мембрани. Тобто можуть проявитися дефекти
пор, змінитися струк-тура поверхні мембрани, що вплине на її роботу
і час експлуатації.
Потік пари через мембрану можна записати: ( ) ( ) ( )[ ]ДДДPPPPn
bPbPtxkI θθ ,,, −= , (1)
де kP( x, t) – коефіцієнт проникності, який представляється
змінним по довжині каналу і в часі, може враховувати зміни стану
мембрани, кг/(с*Н); РР, РД – парціальні тиски пари розчинника на
обох сторонах мембрани, Н/м2; ΘР, ΘД – температура розчину і
дистиляту, К; bР, bД – концентрація розчиненої солі, кг/кг.
Для визначення коефіцієнта проникності, який представлений
змінним по довжині каналу і у часі застосовували методи теорії
оптимального керування. Для визначення початкового розпо-ділу
коефіцієнту вибрано критерій оптимальності, який забезпечує
найбільшу рушійну силу про-цесу.
Для забезпечення відповідності отриманої моделі реальному
процесу розв'язувалась задача параметричної ідентифікації за
квадратичним критерієм якості.
Література: 1. Ладієва Л. Р., Жулинський О. А. Математична
модель процесу контактної мембранної дистиля-ції //ААЭКС. - 2004,
№2, с.46-51. 2. Угрозов В.В. Математическое моделирование процесса
контактной мембранной ди-стиляции в проточном модуле // ТОХТ.- М.:
1994, т.23, с. 375-380. 3. Рудобашта С.П., Елкина И.Б. Исследование
диффузионной паропроводимости при мембранной дистиляции // ТОХТ.-
М.: 1999, т.33,с. 363-368.
65
-
УДК 621.3
Ситник О. Г., Юрченко О. C. (Україна, Київ, НАУ)
ПОЛІПШЕННЯ ІНТЕЛЕКТУАЛЬНОГО УПРАВЛІННЯ ЗА РАХУНОК ЕФЕКТИВНОСТІ
ВІЗУАЛІЗАЦІЇ ІНФОРМАЦІЇ В СИСТЕМАХ ЕКСПЛУАТАЦІЇ, ОБСЛУГОВУВАННЯ І
РЕМОНТУ ЛІТАКІВ
Основною вимогою при визначенні показника ефективності системи є
відповідність (адек-ватність) цього показника цілі операції [1],
яка відображається потрібним результатом. Крім того, показник
повинен задовольняти вимогам змістовності (повноти), чутливості та
вимірності. Форма показника повинна бути за можливістю простою, а
зміст показника – відповідати здоровому глуз-ду (бути легко
інтерпретуємим). Адекватний показник дозволяє оцінювати
ефективність системи по ступеню досяжності нею основної (а не
другорядної) мети.
Актуальність вирішення проблем полягає в наступному.
Застосування концепції поліпшен-ня інтелектуального управління
виправдано в тих випадках [2], коли умови функціонування сис-тем
експлуатації, обслуговування і ремонту літаків суворо фіксовані, а
показник ефективності ві-зуалізації інформації не змінюється в
часі. Ця концепція призводить до цілеспрямованої, гнучкої системи
дій, тому що враховується поточна інформація щодо змін, які
відбуваються в системі і у зовнішньому середовищі при реалізації
рішень .*U
Характеристика методу розв’язання задачі. Ефективність
передбачає можливість оператив-ного реагування в процесі
функціонування систем візуалізації інформації, що призначені на
пото-чну інформацію, яка надходить щодо змін умов її
функціонування. Сутність концепції ефектив-ності полягає в зміні
параметрів, структури і алгоритмів функціонування систем
візуалізації інфо-рмації, що призначені на основі не тільки
апріорної інформації, але і поточної, а також інформа-ції, що
прогнозується, з метою досягнення або збереження певної
ефективності системи при змі-нах умов функціонування останньої.
Множина припустимих рішень може змінюватися в процесі отримання
поточної інформації. Згідно з концепцією ефективності раціональним
слід вважати рі-шення із множини , яка, наприклад, забезпечує
виконання умови )(* tU )(tV
{ { 0)),(*(),),(()),(*( tGtuGtutextr ЄtutЄ ≤= τττ де t; τ – час
і упередження прогнозу.
Запис Єt(*) означає [3], що на різних етапах процесу
функціонування інтелектуального управління, що можуть
використовуватися різні показники ефективності. В рамках концепції
придатності вибір рішення здійснюється у відповідності до певного
критерію придатності.
Отримані результати моделювання процесів полягають в тому, що із
суті задачі можна вва-жати припустимим, що абсолютне зменшення
одного із часткових показників може бути компле-ксувало сумарним
абсолютним збільшенням інших, то в якості середньозваженого
показника мо-же бути прийнятим арифметичне середнє
.)()(1
∑=
=N
iiii ЄaЄ αα
Можливі випадки, коли припустима не абсолютна, а відносна
компенсація змін значень од-них часткових показників іншими, тобто
в умовах задачі має місце відповідність еквівалентного сумарного
рівня відносного зниження одних показників сумарному рівню
відносного збільшення інших. В цьому випадку в якості
середньозваженого показника рекомендується використовувати середнє
геометричне
∏=
=N
iia
iЄЄ 1).()(0 αα
Використання такого показника призводить до того, що недостатня
величина одного част-кового показника компенсується надлишковою
величиною іншого.
Якщо із суті задачі витікає повна неприпустимість компенсації
одних показників іншими, тобто потрібно забезпечити рівномірне
„підтягування” усіх показників до їх найвищих рівнів, то
використовують показник типу
).(min)( αα ii ЄЄ =∞−
Якщо припустимо, збільшення одного часткового показника ціною
будь-якого зменшення значень інших, то використовують показник
типу
66
-
).(max)( αα ii ЄЄ =∞
Для спрощення вибору вагових коефіцієнтів , ia Ni ,1= , часткові
показники, які входять до середньозваженого показника, повинні бути
безрозмірними.
Висновки. Оволодіння викладеними рекомендаціями щодо вибору
показників та критеріїв ефективності, а також методиками оцінки
ефективності функціонування інтелектуального управ-ління дозволять
управлінцю в сучасних умовах, адекватно оцінювати ситуацію, що
склалася в хо-ді дій, і творчо, науково обґрунтовано підходити до
вирішення складних управлінських завдань.
Література: 1. Алексеева Н.И., Гайлит Ю.Т., Кузнецов И.И. Анализ
программного обеспечения поддержки этапов конструкторской и
технологической подготовки производства в рамках CALS –
ориенти-рованной инф-структуры ФНЦП «Салют»// Информационные
технологии в проектировании и производстве. ГУП «ВИМИ».– 2000.– №2.
– С. 38–45. 2. Братухин А.Г. Российские центры CALS – технологий в
машиностроении // Технологические системы. – 2000. – №2. – С.
41–55. 3. Воронин А.Н., Зиатдинов Ю.К., Харченко А.В. Сложные
технические и эрг
