УЧРЕЖДЕНИЕ РОССИЙСКОЙ АКАДЕМИИ НАУК
Дом учёных им. М. Горького РАН
ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ
СООБЩЕНИЯ ИМПЕРАТОРА АЛЕКСАНДРА I
УНИВЕРСИТЕТ МОА «ДОКТОР АНТОНИО НУНЬЕС ХИМЕНЕС»
ТАШКЕНТСКИЙ ГОСУДАРСТВЕННЫЙ ТРАНСПОРТНЫЙ
УНИВЕРСИТЕТ
К 300-летию
Российской академии наук
АНАЛИЗ И ПРОГНОЗИРОВАНИЕ СИСТЕМ
УПРАВЛЕНИЯ В ПРОМЫШЛЕННОСТИ,
НА ТРАНСПОРТЕ И В ЛОГИСТИКЕ
Труды
XXIII Международной научно-практической конференции
молодых учёных, студентов и аспирантов
Санкт-Петербург, 18–20 апреля 2023 г.
Санкт-Петербург
Медиапапир
2023
УДК 681.5
ББК 32.96
А64
О р г а н и з а ц и о н н ы й к о м и т е т:
проф. Арефьев И. Б. – председатель (Россия)
проф. Pujadas Lourdes María García – сопредседатель (Куба)
проф. Коровяковский Е. К. (Россия)
проф. Смирнов А. О. (Россия)
П р о г р а м м н ы й к о м и т е т:
проф. Волкова В. Н. (Россия) — председатель (Россия)
доц. Афанасьева О. В. — сопредседатель (Россия)
Бланцо Я. А.(Куба)
доц. Худайберганов С. К. (Узбекистан)
асп. Малышев Н. В. — отв. секретарь (Россия)
Анализ и прогнозирование систем управления в промышленности, на
транспорте и в логистике. Труды XXIII Международной научно-практической конференции молодых учёных, студентов и аспирантов.
Санкт-Петербург, 18–20 апреля 2023 г. / под ред. проф. И. Б. Арефьева. – СПб.: Медиапапир, 2023. – 238 с.
Сборник содержит статьи молодых ученых, студентов, аспирантов
и преподавателей России, Узбекистана и Кубы, посвященные актуальным вопросам систем управления в промышленности и на транспорте.
Материалы сборника могут быть полезны для читателей, интересующихся вопросами организации, управления и эксплуатации промышленных и транспортных систем.
Под редакцией заслуженного работника высшей школы Российской
Федерации, д-ра техн. наук, проф. И. Б. Арефьева.
ISBN 978-5-00110-341-7
© Коллектив авторов, 2023
© Медиапапир, 2023
Содержание
BLANCO Y. A., ARGOTA Y. S., SILVA E.P., MARTINEZ E.C., MARTINEZ E.C.
SYSTEM FOR THE MANAGEMENT OF THE ENVIRONMENTAL PROTECTION
PLAN IN THE COMPANY OF TECHNICAL SERVICES OF COMPUTING,
COMMUNICATIONS AND ELECTRONICS OF NICKEL
MARTÍNEZ E.C., MARTÍNEZ E.C., BLANZO Y.A.
GRAPHIC СALCULATION INTERFACE FOR THE DESIGN OF ABSORPTION
REFRIGERATION SYSTEMS (AMMONIA-WATER) WITH SHELL AND TUBE
HEAT EXCHANGER
ROMERO R.Y., MONTERO O.L.
STATISTICAL ANALYSIS OF THE EVALUATION OF LEARNING IN THE
EDUCATIONAL ENVIRONMENT OF THE UNIVERSITY OF MOA
АНКУДИНОВ И.Г., ДОРИОМЕДОВ Н.С.
АНАЛИЗ
РАСПРОСТРАНЕННЫХ
ОШИБОК
ПРИ
РАБОТЕ
С
АСИНХРОННОСТЬЮ НА ЯЗЫКЕ C#
АФАНАСЬЕВ М.П., КРОТОВСКАЯ Е.А.
СРАВНИТЕЛЬНЫЙ АНАЛИЗ ВЛИЯНИЯ УЧЁТА ВЛАЖНОСТИ ВОЗДУХА НА
РАБОЧИЙ ПРОЦЕСС СЖАТИЯ В ЦЕНТРОБЕЖНОМ КОМПРЕССОРЕ ПРИ
ПРОВЕДЕНИИ
РАСЧЁТОВ
НА
ОСНОВЕ
ДВУХ
ПОДХОДОВ
В
МОДЕЛИРОВАНИИ ГАЗОВЫХ СМЕСЕЙ
АФАНАСЬЕВА О.В., АНДРЕЙЧУК А.
РАЗРАБОТКА
ИМИТАЦИОННОЙ
МОДЕЛИ
НА
ПРИМЕРЕ
АО МХК «ЕВРОХИМ»
АФАНАСЬЕВА О.В., ПРОКОФЬЕВ А.С.
ИССЛЕДОВАНИЕ
ОСНОВНОГО
ПОКАЗАТЕЛЯ
ДЕЯТЕЛЬНОСТИ
СОЦИАЛЬНО ЗНАЧИМОГО ОБЪЕКТА МЕТОДАМИ СИСТЕМНОГО АНАЛИЗА
БЕЛОРУСОВ А.С., ЮДНИКОВА Е.С.
АНАЛИЗ СОСТОЯНИЯ СНАБЖЕНИЯ И СУЩЕСТВУЮЩИХ ПРОБЛЕМ
УПРАВЛЕНИЯ ЗАПАСАМИ В ООО «ТРАНСОЙЛ»
БЕЛЯЕВА Д.В., ЮДНИКОВА Е.С.
ВЫБОР КОНЦЕПЦИИ КОНТРОЛЯ СОСТОЯНИЯ ЗАПАСОВ В УЧРЕЖДЕНИЯХ
ЗДРАВООХРАНЕНИЯ САНКТ-ПЕТЕРБУРГА В УСЛОВИЯХ ЦИФРОВОЙ
ЭКОНОМИКИ
ВЕДРОВ Л.А., НАВАЦКАЯ В.А., НЕЙРУС С.К.
СИСТЕМНЫЙ
АНАЛИЗ
И
ИМИТАЦИОННОЕ
МОДЕЛИРОВАНИЕ:
ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННЫХ И ЛОГИСТИЧЕСКИХ ПРОЦЕССОВ
НА ПРОМЫШЛЕННОМ ПРЕДПРИЯТИИ
ГРИГОРЬЕВА М.П.
ЭКСПЛУАТАЦИЯ ОГНЕСТОЙКИХ МАСЕЛ ДЛЯ ПОВЫШЕНИЯ ПОЖАРНОЙ
БЕЗОПАСНОСТИ НА ТЕПЛОВЫХ ЭЛЕКТРОСТАНЦИЯХ
ДЕМИДОВ А.А.
СИСТЕМНОЕ ИССЛЕДОВАНИЕ ПОДРАЗДЕЛЕНИЯ IT-КОМПАНИИ С
ПРИМЕНЕНИЕМ МНОГОМЕРНОГО КОРРЕЛЯЦИОННО-РЕГРЕССИОННОГО
АНАЛИЗА
3
6
12
19
24
30
45
52
57
69
77
83
87
ИЛЬЮХИНА Я.А.
АНАЛИТИЧЕСКИЕ ИССЛЕДОВАНИЯ СОВРЕМЕННЫХ ПОДХОДОВ К
РАССЧЕТАМ
И
МОДЕЛИРОВАНИЮ
РАБОЧИХ
ПРОЦЕССОВ
В
МЕТОДИЧЕСКОЙ ПЕЧИ НАГРЕВА ДЛИННОМЕРНЫХ МЕТАЛЛИЧЕСКИХ
ИЗДЕЛИЙ
КОРОВЯКОВСКИЙ Е.К., САБУРОВ М.Б., ХУДАЙБЕРГАНОВ С.К.,
АБДУЛЛАЕВ Р.Я.
АНАЛИЗ ГРУЗОПОТОКОВ АГРОПРОДУКЦИИ ИЗ УЗБЕКИСТАНА ДЛЯ
ПОЕЗДОВ «АГРОЭКСПРЕСС»
КОРОВЯКОВСКАЯ Ю.В., ПАХОМОВА Ю.В.
ИСПОЛЬЗОВАНИЕ
ИСКУССТВЕННОГО
ИНТЕЛЛЕКТАВ
ЗАДАЧАХ
УПРАВЛЕНИЯ ТРАНСПОРТНО-ЛОГИСТИЧЕСКИМ КОМПЛЕКСОМ
ЛАРЧЕНКОВ В.М., ЯНКОВСКАЯ Н.Г., БОЛОТИН В.А.
ПРОБЛЕМЫ
И
ТЕНДЕНЦИИ
ТРАНСПОРТНОЙ
ЛОГИСТИКИ
В
СОВРЕМЕННЫХ УСЛОВИЯХ
ЛЕВАНОВИЧ Д.А.
АНАЛИЗ РАБОТЫ ОТДЕЛА КАК СИСТЕМЫ МАССОВОГО ОБСЛУЖИВАНИЯ
ЛИТОВЧЕНКО Л.Ю., БРИГАДНОВ И.А.
ОБРАБОТКА И АНАЛИЗ ИЗОБРАЖЕНИЙ В ЗАДАЧАХ КОМПЬЮТЕРНОГО
ЗРЕНИЯ
ПАНОВА А.А.
АНАЛИЗ ЭТАПОВ СТАЛЕЛИТЕЙНОГО ПРОИЗВОДСТВА
ПАНОВА А.С., ФЕДЬКОВ Р.С., ГУРКО А.В.
ПРЕДИКТИВАНАЯ ДИАГНОСТИКА ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ
НА ОСНОВЕ РАСПОЗНАВАНИЯ ТЕХНИЧЕСКИХ ЗВУКОВ
ПУТИЛО С.Ю.
ОЦЕНКА
СТРАТЕГИЙ
ПРИНЯТИЯ
РЕШЕНИЙ
ДЛЯ
АНАЛИЗА
ФУНКЦИОНИРОВАНИЯ
ОТДЕЛА
ОРГАНИЗАЦИИ
ТЕХНИЧЕСКОГО
ОБСЛУЖИВАНИЯ ГАЗОТРАНСПОРТНОГО ПРЕДПРИЯТИЯ
РАЗЯПОВ Р.Б., ЖИГАЛОВ В.Е., ГУРКО А.В.
ОБЗОР ТЕХНОЛОГИЙ ВНУТРЕННЕГО ПОЗИЦИОНИРОВАНИЯ
РОМАШИН Д.В.
ИССЛЕДОВАНИЕ
ПОКАЗАТЕЛЕЙ
ФУНКЦИОНИРОВАНИЯ
ПОДРАЗДЕЛЕНИЯ,
ОСУЩЕСТВЛЯЮЩЕГО
КОНТРОЛЬ
ЗА
ЭКСПЛУАТАЦИЕЙ
ДОБЫВАЮЩЕЙ
СКВАЖИНЫ
КАВКАЗСКИХ
МИНЕРАЛЬНЫХ ВОД НА ОСНОВЕ МЕТОДОВ СИСТЕМНОГО АНАЛИЗА
СЛАВИЧ А.А.
АНАЛИЗ МЕТОДОВ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМ ПРОЦЕССОМ
ПЕРЕМЕШИВАНИЯ ПРОДУКТОВ
СУДАНЬ У., ПАНОВА А.С., ГУРКО А.В.
АВТОМАТИЧЕСКИЙ АНАЛИЗ, РАСПОЗНАВАНИЕ И СИНТЕЗ РЕЧИ (НА
ПРИМЕРЕ КИТАЙСКОГО ЯЗЫКА)
4
95
100
104
111
118
124
130
133
139
144
151
157
161
ТУЛЯКОВ Т.Ф.
СИСТЕМНОЕ ИССЛЕДОВАНИЕ ВОСТРЕБОВАННОСТИ ИСПОЛЬЗОВАНИЯ
РОБОТОТЕХНИЧЕСКИХ УСТРОЙСТВ ДЛЯ ТЕХНИЧЕСКОГО ОСМОТРА
ЛИНИЙ ЭЛЕКТРОПЕРЕДАЧ
ФЕДЬКОВ Р.С., ГУРКО А.В.
ПОВЫШЕНИЕ
УСТОЙЧИВОСТИ
РЕЧЕВОЙ
БИОМЕТРИЧЕСКОЙ
ИДЕНТИФИКАЦИИ К КОМПРОМЕТАЦИИ МЕТОДОМ ГОЛОСОВОЙ
ИМИТАЦИИ
ГРИЦЕНКО К.В., ФЕДОРОВА Е.А., ФУРСОВА Е.А.
ВНЕШНЕЭКОНОМИЧЕСКАЯ И ЛОГИСТИЧЕСКАЯ ДЕЯТЕЛЬНОСТЬ В
РОССИИ В УСЛОВИЯХ ПАРАЛЛЕЛЬНОГО ИМПОРТА
ХАСАНОВ А.Б., НОРМУРОДОВ Х.Н., РАХМАТУЛЛАЕВА Н.Ш.
ИНТЕГРИРОВАНИЕ НЕЛИНЕЙНОГО УРАВНЕНИЯ ТИПА СИНУС-ГОРДОНА С
ДОПОЛНИТЕЛЬНЫМ ЧЛЕНАМ В КЛАССЕ ПЕРИОДИЧЕСКИХ ФУНКЦИЙ
ЧИРЦОВ В.В.
ИССЛЕДОВАНИЕ
ЭФФЕКТИВНОСТИ
РАБОТЫ
СТРУКТУРНОГО
ПОДРАЗДЕЛЕНИЯ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ С ПРИМЕНЕНИЕМ
МЕТОДОВ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
ШАТИЛОВА Н.А.
ОБЗОР ПРОБЛЕМНЫХ ВОПРОСОВ ЦИФРОВОГО ДВОЙНИКА
ШИШКИНА О.В., КУТЛЕМБЕТОВ Д.В., ГУРКО А.В.
ФИНАНСОВОЕ ПОЛОЖЕНИЕ ПРЕДПРИЯТИЯ - АНАЛИЗ МЕТОДАМИ
МАШИННОГО ОБУЧЕНИЯ
ШПАЖНИКОВА Н.Н.
ИСПОЛЬЗОВАНИЕ МАТЕМАТИЧЕСКИХ МЕТОДОВ ДЛЯ ВЫЯВЛЕНИЯ
КЛЮЧЕВЫХ
ФАКТОРОВ,
ВЛИЯЮЩИХ
НА
ДЕЯТЕЛЬНОСТЬ
ПРЕДПРИЯТИЯ
ЮДЕНЦОВА А.А.
РЕАЛИЗАЦИЯ
МЕТОДОВ
КОРРЕЛЯЦИОННО-РЕГРЕССИОННОГО
АНАЛИЗА ДЛЯ ОЦЕНКИ ЭФФЕКТИВНОСТИ РАБОТЫ ПРЕДПРИЯТИЯ
Аннотации и ключевые слова
Авторы статей
171
177
186
191
196
203
208
215
220
226
235
5
© Y. A. Blanco, Y. S. Argota, E.P.Silva, E.C. Martinez, E.C. Martinez
University of Moa «Dr. Antonio Núñez Jiménez», Cuba
SYSTEM FOR THE MANAGEMENT OF THE ENVIRONMENTAL
PROTECTION PLAN IN THE COMPANY OF TECHNICAL SERVICES OF
COMPUTING, COMMUNICATIONS AND ELECTRONICS OF NICKEL
Abstract. At the Rafael Fausto Orejón Forment Nickel Technical Services Company for
Computing, Communications and Electronics (SERCONI) of Cuba, there are currently deficiencies
with the process related to the management of the Environmental Protection Plan to face the
existing environmental problems in the entity. In the present work the analysis of the Environmental
information management system is presented. Module: Environmental Protection Plan, a previous
step to develop an automated version of it in the near future.The system will favor the development
of a more efficient and agile environmental management activity, thus influencing the improvement
of the company's benefits. The technologies used were the ICONIX agile development
methodology, the Unified Modeling Language (UML) and the CASE Visual Paradigm tool in its
version 5.0.
Keywords: computer system, environmental protection plan, development process, ICONIX
methodology.
Introduction
For four decades, global interest in the environment has intensified, and has
caused various sectors of society to be concerned about proposing actions and
programs related to environmental issues (María M. Álvarez-Lires, 017).
According to the United Nations Environment Program (UNEP), these
problems are unleashed mainly by human population growth and economic
development (UNEP, 2012). Thus, from 1987 the term sustainable development
began to be socialized worldwide, defined as: the needs of the present generation,
without compromising the ability of future generations to satisfy their own needs.
Among the social aspects that the concept of sustainable development
incorporates into the environmental theme is the computerization of society, with the
aim of contributing to the management of processes related to the care and
conservation of the environment. This constitutes today, one of the fundamental
premises in which Cuba is framed thanks to the use of Information and
Communication Technologies (ICT) and the Company of Technical Services of
Computing, Communications and Electronics of Nickel Rafael Fausto Orejón
Forment (SERCONI ) is not exempt from this.
In this company, due to the importance it has for the entity, the municipality
and the country, the fundamental processes related to Environmental Management are
carried out, as a need to face environmental problems and work in concert to achieve
significant progress in its management by all the actors involved.
This process currently requires several offices for its preparation and
compliance reports. The information comes from the different areas of the company
and is recorded in Microsoft Excel books or Word documents, so the management
6
process is cumbersome because having several reports runs the risk of plagiarism,
duplication and information loss. Quickly obtaining a report from any date that
provides reliable information to the people authorized to control the process is part of
the company's needs.
With the objective of optimizing the process and guaranteeing the security of
the information, it was decided to create a system that allows controlling significant
environmental aspects and minimizing the impacts they cause to the environment.
The goal of the resulting product is to satisfy the needs of environmental management
in the SERCONI Company in an automated, dynamic and interactive way, motivated
by the environmental commitment and that responds to the expectation of our social
responsibilities.
Methods, materials and experimental conditions
For the development of the project, empirical and theoretical methods of
scientific research have been used. Among the empirical ones are Observation,
achieved through a visit to the entity responsible for the activity; the Interview,
carried out with the environmental specialist responsible for the activity, and the
Review of specific documents on the procedure in SERCONI and the study of
computer tools and technologies.
The fundamental theoretical methods used were: the Historical-Logical, with
which it was possible to know since when the information related to the
environmental management process is managed in the company and how the way of
managing has evolved, in order to create a logical structure of the research object.
The Analysis and Synthesis was used synthesizing, classifying and evaluating the
valuable information, achieving a better understanding of the system.
ICONIX was selected as the work methodology for the development of a
computer system, in its phases of Analysis of requirements, Analysis and preliminary
design, and Design. At the same time, systems modeling was considered as one of the
procedures developed, considering the Unified Modeling Language (UML) as a
support tool for the representation of the different models and the CASE Visual
Paradigm tool as computer support for modeling. It is proposed to use for the
implementation stage Visual Studio Code, the Apache Web Server, the MySQL
Database Management System, the PHP, HTML, Java Script and CSS programming
languages.
Analysis and discussion of results
Stage 1: Requirements analysis.
Description of the problem: the environmental protection plan (PPA) is carried
out annually by the Environmental Specialist and is monitored monthly. It covers all
processes and areas of the company. It begins with the identification of the
Environmental Aspects that influence each process. This activity is carried out jointly
with workers from the areas and their managers. Its objective is to plan actions that
must be executed taking into account the environmental aspects that must be
addressed according to their impacts, so that they can be controlled, in other words,
the significant environmental aspects. Then the Environmental Specialist prepares the
PPA. For its elaboration, the following elements are taken into account: area,
7
environmental aspect, processes, objectives, goals, actions, indicators, date of
compliance and person responsible.
When determining the environmental aspects, the following will be considered:
emissions into the air, discharges into the water, discharges to the ground, the use of
raw materials and natural resources, the use of energy, the energy emitted (heat,
radiation, vibration, noise, light), the generation of waste and/or by-products, the use
of space, waste and by-products; and physical properties (eg, size, shape, color,
appearance).
The impacts of its valuation can be:
High: There is a permanent loss of environmental conditions without possible
recovery even with corrective measures.
Medium: Its recovery requires some time, it depends on the conditions. original
and does not require intensive measures.
Low: Recovery is immediate and requires no action.
By the Character of the Impact: Adverse or beneficial. (+ or -) or Significant:
(yes or no)
Significant environmental aspects are those that their impact assessment results
to be high (High) positive or negative. The resources can be by own means, budget,
investments, etc.
Domain Model. The domain model is the task of building a dictionary of terms
used in the project. It is used to show the related objects in the conformation of the
environmental protection plan: the people that intervene, the documentation that is
handled and the actions that are carried out.
Fig. 1. Domain model of the management process of the Environmental Protection Plan
The system has 52 functional requirements. Among them are mentioned: Add
user, Show workers, Add area, Edit Environmental Aspect, Add action, Add
Environmental Plan, Generate report of environmental aspects by processes.
Among the most important artifacts obtained in this phase is the determination
of the personnel related to the system, they can also be called system actors: The
8
administrator, in charge of managing users who are going to have access to the
system with their proper authorization and the Specialist. of the Environment to
manage the data related to the Environmental Protection Plan and prepare reports on
environmental aspects by process.
Subsequently, the use cases of the system are identified based on the functional
requirements, mentioned above. A total of 17 use cases were determined. The
relationship between the cases and the system actors according to their responsibility
are shown in Figure 2 by means of the System Use Case Diagram.
Fig. 2. Diagram of Use Cases of the Environmental Protection Plan management process system
Stage 2: Analysis and preliminary design. The task of building use cases is
based on as much identification as possible of the continuous cycles of writing and
refining the text that describes it, for this the description of all use cases was carried
out, supported by the robustness diagrams that show the objects who participate in
each scenario and how they interact with each other.
9
Fig. 3. Robustness diagram of the functional requirement Add environmental aspect.
Stage 3: Design. In this stage, the sequence diagrams that show the behavior of
the system at runtime were developed, the deployment diagram that describes the
physical distribution of the system in terms of how the functionality is distributed
among the computing nodes was made, and the system database, which has 11 tables,
10 of which group the attributes of the tables that contribute to the management
process and are responsible for guaranteeing the environmental protection plan, while
the other is the product of the relationship of association between said entities. The
database model is shown below.
Fig. 4. System database model.
10
Conclusions
The use of theoretical and empirical methods carried out allowed us to
understand the behavior of the process to be computerized for the subsequent design
of the application and its specifications. With the study and analysis of scientific
documents, the tools and technologies to be used were selected taking into account
their benefits and the characteristics of the company where the system will be
implemented.
This work contemplated the analysis of the management of environmental
information of the company SERCONI of the municipality of Moa, Holguín
province, Cuba. As a result of the study of the environmental activity in the company,
it was possible to verify that the process is carried out manually, which is why it is
cumbersome and sometimes incurs the loss of information. For the design of the new
system, the models that give output to the stages of the selected methodology
(ICONIX) were elaborated and that gradually these will guide the programmers in the
implementation of the same.
Bibliography
1. María M. Álvarez-Lires, A. A.-M. Education for sustainability: global change and ocean
acidification. University education. 2017
2. United Nations Environment Programme.2012
3. Content, C.R. Rock Content.2022
4. Dev, Q. Quality Dev. Driving New Technology. 2015
5. Flores, F. Openwebinars Methodologies and Tools. 2022
6. Garibay, A. M. The 5 most popular Laravel projects in 2020. 2020
7. KeepCoding, R. Keepcoding. 2022
8. LIMA, A. LIMA HERITAGE. 2021
9. Mateu, C. Development of web applications. (First ed.). 2004
10. Partida, I. V. ICONIX Methodology. 2014
11. S.L, W.E. Webempresa. Obtained from www.webempresa.com. (1999-2022)
12. Tecnomagazine. Obtained from tecnomagazine.net. 2022
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
11
E.C. Martínez, E.C. Martínez, Y.A. Blanzo
University of Moa «Dr. Antonio Núñez Jiménez», Cuba
GRAPHIC CALCULATION INTERFACE FOR THE DESIGN OF
ABSORPTION REFRIGERATION SYSTEMS (AMMONIA-WATER) WITH
SHELL AND TUBE HEAT EXCHANGER
Abstract. The selection process of the components that make up an absorption refrigeration
system (Ammonia-Water) is cumbersome given the amount of information required and the high
volume of calculations required. That is why the present work aimed to develop a computer
application to speed up this process. For its development, the methodology for calculating the
thermodynamic parameters and the components that comprise it was used as a basis. Making use of
libraries, guides and the Matlab professional software editor, as a result of the investigation a
graphic interface was obtained that favors the selection process of the components that make up the
absorption refrigeration system (Ammonia-Water) of tubes and shell.
Keywords: Graphic Interface; Absorption refrigeration system (Ammonia-Water).
Introduction
Most refrigeration systems today are by vapor compression, in which work is
carried out at constant entropy to raise the pressure of the refrigerant coming from the
evaporator, towards the condenser, using a compressor or several of these, for this
purpose. consuming a large amount of electrical energy (Pons Hernández, Díaz
Rodríguez, & & Soler Pé, 1987).
The investigations carried out in the field of refrigeration with the aim of
dispensing with the consumption of electrical energy or reducing it, have led to the
progressive development of absorption refrigeration equipment, which is based on the
ability of some substances to absorb others and in which the compressor, a large
consumer of electrical energy, is replaced by an absorber and a generator, thus
guaranteeing the required pressure in the system. In conventional refrigeration
systems, environmentally harmful refrigerants such as CFCs (products made up of
chlorine, fluorine and carbon) have been used, which destroy the ozone layer, unlike
absorption refrigeration that generally uses organic compounds such as water/lithium
bromide or ammonia/water, making it a very effective alternative for saving
electricity and reducing environmental pollution.
However, the selection process of the components that make up an absorption
refrigeration system (Ammonia-Water) is cumbersome given the amount of necessary
information and the high volume of calculations that it requires. This work aims to
develop a graphical interface that facilitates and speeds up this process.
Materials and methods
In this investigation, the structure of a basic refrigeration system was
considered.
The properties of the working substance are calculated using the calculation
exposed by (Patek & & Klomfar, 1995), which allows determining the
12
thermodynamic properties of the concentrated and dilute solutions, involved in each
transformation of the ammonia-water working mixture.
The Generator, Condenser, Evaporator and Absorber, are Heat Exchangers, for
their design tube and shell exchangers were selected that are widely used at an
industrial and commercial level, in addition to providing construction characteristics
that facilitate their implementation, such as cost, achievement of materials and ease
of manufacturing process.
Thermodynamic analysis of the absorption refrigeration system
The thermodynamic analysis of the system is done with the help of two basic
balances, mass balance and energy balance. To carry out these balances, it is assumed
that the flow is stable, and the changes in sinetic and potential energy are negligible.
The analysis is slightly different from that performed when a pure fluid is used,
due to the behavior of the thermodynamic properties of the mixture. From the
thermodynamic analysis, necessary data is obtained to obtain thermo-physical
properties and dimension the components of the system (Cañadas Navarro & Torres
Guzman, 2010). The diagram that characterizes the system in Figure 1 is shown
below.
Fig.1. Diagram of the absorption refrigeration system.
According to the diagram, the following balances can be made:
•
Energy balance
(1)
Where:
: Thermal load to overcome by the equipment, kW;
: Heat expelled in the condenser, kW;
: Absorbed heat, kW;
: Necessary heat in the Generator, kW;
: Work of the pump, kW.
(2)
13
Where:
: Performance coefficient.
(3)
Where:
: Mass flow at point 9, Kg/s;
: Enthalpy at point 9, kJ/Kg;
: Enthalpy at point 1, kJ/Kg.
(4)
Where:
: Mass flow at point 8, Kg/s;
: Enthalpy at point 8, kJ/Kg;
: Enthalpy at point 7, kJ/Kg;
(5)
Where:
: Heat absorbed in the heat exchanger, kW;
: Heat expelled in the heat exchanger, kW.
(6)
Where:
: Mass flow at points 3 and 4, Kg/s;
: Enthalpy at point 3, kJ/Kg;
: Enthalpy at point 4, kJ/Kg;.
(7)
Where:
: Mass flow at points 6 and 5, Kg/s;
: Enthalpy at point 6, kJ/Kg;
: Enthalpy at point 5, kJ/Kg.
(8)
Where:
: Mass flow at point 6', Kg/s;
: Mass flow at point 1, Kg/s;
: Mass flow at point 2, Kg/s;
: Enthalpy at 6′ point, kJ/Kg;
: Enthalpy at point 2, kJ/Kg.
(9)
14
Where:
: Mass flow at point 7, Kg/s.
•
Mass balance
(10)
(11)
(12)
(13)
(14)
• Mass balance of ammonia
(15)
Where:
: Mass fraction of ammonia at points 1,7,8 and 9 respectively
(16)
Where:
: Mass fraction of ammonia at points 2, 3 and 4' respectively
(17)
Where:
: Mass fraction of ammonia at points 5, 6 and 6' respectively
(18)
(19)
• Isenthalpic expansion process
(20)
(21)
•
Trabajo de la bomba
(22)
15
Where:
: Mass flow
: density
: pressure difference
(23)
Shell and tube heat exchanger.
The selected equipment to be designed is a shell and tube heat exchanger, this
equipment is widely handled at industrial and commercial level, it provides
construction characteristics that facilitate its implementation, such as cost, the
availability of materials and the ease of the manufacturing process.
Design and calculation relationships for shell and tube heat exchanger.
The method that was chosen to carry out the design of the shell and tube heat
exchangers is: the LMTD (Log Mean Temperature Difference) design method, with
which it is necessary to know the inlet and outlet temperatures, in addition to From
the mass flow of fluids it is possible to determine the heat transfer area following a
logical and appropriate procedure. (Burbano Rojas S.P., 2014)
Pressure drop for shell side.
The pressure drop across the shell of an exchanger is proportional to the
number of times the fluid crosses the bundle between the baffles. It is also
proportional to the distance across the beam, each time it crosses it. Using a
modification of equation 3.44 of (Q. Kern D., 1999) a correlation has been obtained
which makes use of the product of the distance through the beam, taking dc in m as
the internal diameter of the casing. If L is the length of the tube in meters.
Explanation of the flow for the calculation in Matlab
In the input data variable data and fixed data are required:
Variable data: load to expire or heat absorbed by the evaporator (Qev) and
temperature in the generator (T5)
Fixed or assumed data: temperature at the outlet of the evaporator (T1),
temperature at the outlet of the absorber (T2), temperature at the outlet of the
condenser (T8), mass fraction at the outlet of the condenser (x8), inlet temperature at
heat exchangers (Te) and outlet temperature in heat exchangers (Ts).
Then the results are calculated for the thermodynamic properties at each point
of the system: pressure (P), temperature (T), mass flow (ṁ), mass fraction (x),
enthalpy (H), density (𝜍𝜍), heat capacity (Cp), thermal conductivity (k), heat required
in the generator (Qge), heat to be released in the condenser (Qco) and heat to be
released in the absorber (Qab).
With previous results, the heat exchangers that would be used in the
refrigeration system are calculated: heat exchange surface (Aint), global heat transfer
coefficient (Uop), mass flow in the heat exchangers (ṁ), number of tubes in heat
exchangers (Nt), length of tubes in heat exchangers (Lt) and pressure drop in heat
exchangers (ΔP).
16
Finally, the results are published, both of the thermodynamic design and of the
calculations of the heat exchangers, having as new variables, the work of the pumps
(W_B) and the Coefficient of Performance (COP).
Graphic interface
To introduce the data and display the results, the graphic interface of the
application was developed (See Figure 2), which summarizes the fundamental
parameters to be used in the analysis.
On the left side of Figure 2, a diagram that graphically represents the
refrigeration system is shown and in the center there is a window to introduce the
input parameters. The results are displayed on the right side of the interface. Where
the results are published, both of the thermodynamic design and of the heat
exchangers, highlighting in red the coefficient of performance (COP) and the power
of the system (B. Sist)).
Fig. 2. Graphic interface of the application.
Conclusions
Starting from the calculation methodology of the thermodynamic parameters
and the components that make up the system, the flow of operations carried out by
the application in the Matlab software was elaborated.
The tool designed in Matlab allows to facilitate the calculation for the selection
of the components that make up the absorption refrigeration system and the modeling
of two refrigeration variants was carried out for the University of Moa.
17
Bibliography
1. Abas, N., Kalair, A., Khan, N., Haider, A. (2018). Natural and synthetic refrigerants,
global warming: A review. Renewable and Sustainable Energy Review.
2. Burbano Rojas, S.P. (2014). Design of a shell and tube heat exchanger module.
Bogota DC: Santo Tomas University.
3. Cañadas Navarro, M. E., & & Torres Guzman, J. A. (2010). Design of an absorption
refrigerator for didactic use.
4. Patek, J., & & Klomfar, J. (1995). Simple functions for fast calculations of selected
thermodynamic properties of the ammonia-water system. Elsevier Science Ltd and IIR, 18(4), 228
234. doi:0140-7007(95)00006-2.
5. Pons Hernández, A., Díaz Rodríguez, J., & & Soler Pé. (1987). Technical
thermodynamics for chemical engineers. Havana: People and Education.
6. Reyes Gómez, J. M. (2017). Evaluation of the air conditioning system air
conditioning systems in university centers. Moa, Holguín: Moa Higher Metallurgical Mining
Institute.
7. Reyes G, J.M. (2017). Engineering thesis “Effect of the use of solar energy on the
electricity consumption of air conditioning systems in university centers”.
8. Velázquez Fernández, J. O. (2015). Model of an absorption refrigeration system with
a view to being implemented in different sectors of the Villa Clara province. Santa Clara: Central
University "Marta Abreu" of Las Villas.
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
18
R.Y. Romero, O.L. Montero
University of Moa «Dr. Antonio Núñez Jiménez», Cuba
STATISTICAL ANALYSIS OF THE EVALUATION OF LEARNING IN
THE EDUCATIONAL ENVIRONMENT OF THE UNIVERSITY OF MOA
Abstract. Evaluation, an essential and inherent process to the educational act, covers not only
the teaching and learning processes, but also the administrative, curricular and evaluation aspects,
among others. This is of great importance in education, and in recent years, with the rise of new
technologies, there has been growing concern about its application in virtual environments for
educational purposes. For the development of the present research, the current state of evaluation in
the Moodle Virtual Teaching Learning Environment (EVEA), at the University of Moa “Dr.
Antonio Núñez Jiménez” was verified by means of a diagnostic instrument for validation of the
problematic situation evidenced in the results obtained in the diagnosis.
Keywords:. evaluation, educational institutions, diagnosis.
Introduction
Evaluation is always a communication process because it implies producing
knowledge and transmitting it. Thus, evaluation is not reduced to accreditation, but it
is conferred several functions, processes and results are evaluated, and it is evaluated
with the perspective of understanding and improving processes. From this
perspective, one of the primary functions of evaluation becomes evident: the
feedback of the teaching task performed by the teacher, which is important for the
teacher, but also for the students, for the parents and for the institution. The driving
force of evaluation for learning is feedback, since it is the interaction and dialogue
among its participants who facilitate a coherent adjusted help and response for the
promotion and construction of knowledge and learning (Maldonado, 2009).
Currently, largely due to the development of Information and Communication
Technologies (ICT) in the field of education, there is a great diversity of resources
and learning assessment tools that teachers at all educational levels can use, as well as
in modalities and even in MOOC (Massive Online Open Courses) type offers
(Douglas, 2017); (Fauzia, 2016); (Gallego, 2015); (Lee, 2015); (Losilla, 2017). This
aspect brings about not only possibilities, but also generates new challenges for
educational institutions and, in particular, for teachers, who are responsible for
planning, designing, developing assessment and making value judgments about
students learning.
In the case of the blended learning mode, the learning of the contents oriented
in each meeting must be systematically monitored.
In observations made during the teaching-learning process at the University of
Moa “Dr. Antonio Núñez Jiménez”, difficulties are perceived in the evaluation
activities in the Moodle Virtual Teaching Learning Environment. When it was
necessary to put into practice a non-face-to-face model because of the COVID19,
using the Moodle Virtual Teaching Learning Environment, there are limitations in the
process of professional training in EVEA since it does not contribute to a correct
19
performance of teachers in EVEA so that they are able to face the demands of these
times, in which the continuous updating of professional and technological knowledge
is an indispensable premise for their good performance and therefore, for the society.
The exams conducted in the Moodle Virtual Teaching Learning Environment in
the closing of the 2019-2020 school year, which was the first moment of extended
use, had errors, leading to multiple consequences for students and teachers, especially
regarding the quality and effectiveness of the exams. Faced with these problems, the
teachers requested training to protect and guarantee more safety, quality and
effectiveness in the exams.
Based on the above, the general objective of this research is as follows: to
determine the current status of the teachers of the University of Moa Dr. Antonio
Núñez Jiménez in relation to the evaluation of the student learning in the Moodle
Virtual Teaching Learning Environment.
Materials and Methods
Theoretical level methods. Analysis and synthesis: it made possible to study
the behavior of each of the components of the object of study and the field of action
of the research, as well as the existing relations between its parts and to establish
partial and general conclusions on the theoretical foundations, the main difficulties of
the evaluations in the EVEAs and the results of the application of the proposed
methodological guide. It was also used in the interpretation of the data obtained from
the application of instruments and for the epistemological characterization of the
concepts of learning assessment. Induction-deduction in the analysis of regularities
with respect to the object of study and in the establishment of general considerations
that allow to reach conclusions about the object under investigation.
Systemic approach: it facilitated the study of the parts that make up the field
of action and the relationships between them.
Documentary analysis: it was used in the previous theoretical study to support
the actuality of the research topic, as well as in the diagnosis of the investigated
problem.
Empirical level methods: The scientific observation made it possible to arrive
at conclusions about the object of study in the diagnostic stage and in the
determination of the problem with the use of empirical techniques like documentary
review, interview, survey and analysis as a result of the activity of those involved in
the evaluation process.
● Surveys: surveys of teachers are used to know their considerations in relation
to the object of study, as well as the knowledge and use of the Information
Communication Technology (ICT) with its tools in the Teaching and Learning
Process, paying attention to the state of the evaluations in the Virtual TeachingLearning Environment, as well as the internal and external conditions that hinder it.
● Interviews: interviews were made to teachers to collect specialized criteria
about the role played by evaluation in the teaching-learning process, the level of
preparation of teachers regarding the use of evaluations in the Virtual TeachingLearning Environment and the current situation of it in the Teaching and Learning
Process were verified.
20
● Observation: it was used to verify the effectiveness of the evaluations in the
Virtual Teaching Learning Environment and how they contribute to the achievement
of the purposes of the students' formation in the teaching- learning process.
In view of the continuous process of university improvement that involves the
vertiginous advance of technology in the teaching-learning process, a characterization
of the current state of this indicator in the teaching staff of the University of Moa “Dr.
Antonio Núñez Jiménez” was carried out.
Analysis of the Results
Characterization of the study sample. For the diagnosis of a population of
150 professors of the University of Moa, a sample of 40 was calculated, selected by
all the teaching departments of the center. Ten of them hold the scientific degree of
Doctor of Science and 34 hold Master of Science degrees. Taking into account the
teaching category, 6 are tenured teachers, 16 are assistants, 10 are assistants and 8 are
instructors, it should be added that most of them have more than 10 years of teaching
experience in the professionals training of the technical sciences.
To calculate the size of the sample, Stratified Random Sampling was applied,
which is applied to finite or infinite populations that are heterogeneous among them
and divides the population into strata, making up the sample, 40 of them selected by
all the teaching departments of the center as explained above.
The following results were derived from the survey applied to the 40 teachers
of the University of Moa: the evaluation process of teaching and learning in
educational institutions in Cuba is a systematic, continuous, integral process;
however, technological platforms are not always used to help this process.
The results of the diagnosis made to the teachers show that there are still
difficulties in the educational practice in the Evaluation in the Teaching and Learning
process with EVEA Moodle.
In this sense, the teacher's action plays a fundamental role, as he/she must have
the minimum knowledge necessary to carry out this function. The characteristics of
the teaching staff, its diversity in its composition, most of them with teaching
experience and lack of pedagogical training, led the author of this project to carry out
a diagnosis that later allowed to direct actions with the objective of guaranteeing the
preparation of the teaching staff to carry out the evaluation process in the EVEA
Moodle.
The instrument applied to 40 teachers shows that 90% of the faculty members
consider that their knowledge in relation to didactics, despite their lack of experience,
allows them to adequately perform the Teaching and Learning Process, while 92.5%
state that learning assessment is one of the didactic categories. It also stands out the
fact that a high number of teachers, approximately 90%, recognize the advantages of
the ICT, state that they have knowledge about the activities of the EVEA to evaluate
the learning of students they always give a grade when they evaluate them, the latter
reveals an apparent contradiction between the knowledge that teachers have and how
they apply them.
One of the virtues the faculty has in general is that they recognize the
advantages offered by the Information and Communication Technologies (ICT).
21
However, taking into account the evaluation as a category of didactics, although it is
recognized as such, the reality is that there are still insufficiencies in the educational
practice with regard to the evaluation of the teaching-learning process, around an
eighty percent of the professors state:
1. Having little knowledge about the fact that the evaluations they apply to their
students are predominantly of a repetitive nature.
2. They are not satisfied with the results achieved by their students; it is
perceived that they study to pass and not to learn.
3. They do not use some of the tools that the EVEA has to evaluate the student
learning.
The lack of knowledge that teachers have about the tools that the university's
virtual learning environment has to evaluate the student learning and for the studentteacher interaction is analyzed, as well as whether or not they use them during the
teaching-learning process.
The results once the information has been processed show the following:
● Insufficient preparation of the professors regarding the tools that the virtual
environment has to evaluate the student learning and for the student-teacher
interaction.
Similar results were obtained when processing the information related to the
evaluation activities in the EVEA Moodle in this case, as with the tools designed to
evaluate learning, the results obtained from processing the data, reveal that teachers
do not use the activities for this purpose, despite knowing the activities. Even those
who claim to have mastered them do not use them either. Among the most used
activities are homework, questionnaires, forums and chats respectively.
The results obtained from the processing of the information collected during
the diagnostic phase of the research corroborate a series of deficiencies detected in
the teaching-learning evaluation process in the EVEA Moodle, which are
summarized in the problematic situation that gave rise to this research. It is evident
that more than 90% believe that a methodological guide on the evaluative activities in
the EVEA Moodle would favor their self-improvement in this area.
Conclusions
To sum up we can conclude that the results obtained in the diagnosis taking
into account the evaluation process of the teaching-learning process in the EVEA
Moodle at the University, show:
● The evaluation of learning is carried out through inadequate instruments and
techniques, the evaluations that are applied are predominantly of a reproductive
nature hence the little systematicity in the study, most of the students study to pass
and not to learn.
● There is a tendency to evaluate the result of learning and to identify
evaluation with the grade.
● There are few possibilities for student participation in the evaluation process,
so participatory forms of evaluation (self-evaluation, co-evaluation, heteroevaluation)
are not practiced,
22
● Insufficient pedagogical training of the teaching staff, which leads to a
resistance to change on the part of the teachers with respect to the use of different
forms of learning assessment in the EVEAs.
● Great dissatisfaction of the teachers with the results achieved by the students
is appreciated.
Bibliography
1.
Douglas, K. A., Diefes, H. A., Bermel, P., Madhavan, K., Hic-ks, N. M. y Williams,
T. V. . (2017). Nsf Prime project. Contextualized evaluation of advanced Stem MOOCs. ASEE
Annual Conference & Exposition.
2.
Fallas, D., & Guido, I. (2021). Evaluation of two modular courses at the University
of Costa Rica from the conceptualization of curricular flexibility. Educare Electronic Magazine,
25(2), 1-20
3.
Fauzia, N., Rohendi, D. y Riza, L. S.. (2016). Implementation of the Cellular
Automata Algorithm for developing an educational game. 2nd International Conference on Science
in Information Technology (ICSITech). 169-174.
4.
Gómez-Rey, P., Barbera, E., y Fernández-Navarro, F. (2018). Students' perceptions
about online teaching effectiveness: A bottom-up approach for identifying online instructors’ roles.
Australasian Journal of Educational Technology, 34(1), 116-130.
5.
Guillén-Gámez, D., Ruiz-Palmero, J., Sánchez-Rivas, E., y Colomo-Magaña, E.
(2020). ICT resources for research: an ANOVA analisis on the digital research skills of higher
education teachers comparing the areas of knowledge within each gender. . Education and
Information Technologies, 25, 4575-4589
6.
Lee, M. M. y. R., T. H. (2015). MOOCs and open education: The unique symposium
that led to this special issue. International Journal on E-Learning: Corpo-rate, Government,
Healthcare, and Higher Education, 14(3), 279-288.
7.
Losilla, F. (2017). A web-based design and assessment tool for educational wireless
networking projects. Computer Applications in Engineering Education, 25(6) 992-1000.
8.
Rojas, A.J. and. A.Y. (2017). The technological professionalization of the teacher: a
challenge for the integration of ICT to educational processes. Pedagogical Sciences Magazine,
Scientific-pedagogical electronic magazine, No.1 (January-April), 4th Period.
9.
Silva, J. (2017). A virtual pedagogical model focused on E-tivities. GRID. . Distance
Education Magazine, 53.
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
23
И.Г. Анкудинов, Н.С. Дориомедов
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
АНАЛИЗ РАСПРОСТРАНЕННЫХ ОШИБОК ПРИ РАБОТЕ С
АСИНХРОННОСТЬЮ НА ЯЗЫКЕ C#
Аннотация. Благодаря использованию асинхронных операций появилась
возможность создания высокопроизводительных приложений, выполняющих множество
операций без необходимости использования большого количества потоков. Однако, вместе с
этим, выросло и количество допускаемых в программном обеспечении ошибок, негативно
влияющих на работу программы.
Целью данной статьи является анализ различных ошибок, допускаемых при работе с
асинхронностью на языке c#.
Ключевые слова: асинхронное программирование, потоки, задачи, C#, ошибки
программного обеспечения.
Введение
Асинхронное программирование на платформе .NET существует уже
несколько лет. С момента появления async/await в C# 5 асинхронное
программирование стало использоваться повсеместно. Современные
фреймворки (например, ASP.NET Core) полностью асинхронны, и очень трудно
обойтись без ключевого слова async при написании веб-сервисов.
Методология исследования
Асинхронный код позволяет запускать какие-либо операции и не
дожидаться их завершения, что позволяет не блокировать поток, из которого
операции были вызваны. Это дает возможность снизить потребляемые
приложением ресурсы и увеличить его производительность [1].
Наибольшую пользу асинхронные операции приносят при использовании
их для долговременных операций ввода-вывода, в течение которых рабочий
поток ожидает их завершения - после начала асинхронной операции рабочий
поток не блокируется, а возвращается в пул, получая возможность заняться
обработкой других клиентских запросов [2].
В языке c# асинхронная модель строится на основе задач (Task-based
Asynchronous Pattern). Они представлены объектами Task и Task<TResult>,
моделирующими асинхронные операции, которые поддерживаются ключевыми
словами async и await [3]. Ключевое слово async отмечает метод как
асинхронный и позволяет использовать внутри него ключевое слово await,
которое указывает на необходимость асинхронного ожидания выполнения
задачи, объект которой отмечен этим словом.
С течением времени и повсеместным использованием асинхронности
выросло и количество ошибок в программном обеспечении, причиной которых
является использование асинхронных операций.
Для начала стоит отметить, что добавление асинхронных операций в
проект означает, что все вызывающие их программы должны также стать
24
асинхронными. В противном случае, если весь стек вызовов не будет
асинхронным, все преимущества от данного добавления будут потеряны. А во
многих случаях частичная асинхронность может быть хуже, чем полная
синхронность [4].
Одним из таких случаев может стать использование Task.Result или
Task.Wait. На первый взгляд, их использование позволяет вызывать
асинхронные методы в синхронных, получая результат после завершения
задачи. Однако в действительности, использование Task.Result и Task.Wait для
блокировки ожидания завершения асинхронной операции гораздо хуже, чем
вызов действительно синхронного API для блокировки. Это явление получило
название "Sync over async" [5]. Вот что происходит на самом высоком уровне:
1.
Запускается асинхронная операция.
2.
Вызывающий поток блокируется в ожидании завершения этой
операции.
3.
Когда асинхронная операция завершается, она разблокирует код,
ожидающий выполнения этой операции. Это происходит в другом потоке.
В результате программе приходится использовать 2 потока вместо 1 для
выполнения синхронных операций. Это обычно приводит к уменьшению
доступных потоков в пуле потоков и перебоям в работе приложения.
Использование Task.Result и Task.Wait также может приводить к тупикам
(deadlocks). При обработке синхронизации с потоком пользовательского
интерфейса в приложениях на ASP.NET, WPF и Windows Forms используется
SynchronizationContext - абстракция, которая дает моделям приложений
возможность контролировать, где выполняются асинхронные продолжения.
Метод GetAwaiter в Task ищет свойство SynchronizationContext.Current, которое
заполняется в зависимости от среды, в которой находится вызывающий поток.
Если текущий контекст синхронизации не равен null, то продолжение,
переданное этому awaiter, будет отправлено обратно в этот контекст
синхронизации. При использовании асинхронных методов в основном потоке в
блокирующем режиме (ожидая завершение задачи с помощью метода Wait или
свойства Result) одновременно блокируется и основной поток [2]. Когда в
конце концов задача завершится внутри этого метода в пуле потоков, она
вызовет продолжение для отправки обратно в главный поток, но здесь
возникает проблема: поток пользовательского интерфейса все еще блокируется,
и возникает тупик.
В качестве примера разберем действия, происходящие при нажатии на
кнопку button1 приложения WindowsForms (рис. 1.):
1.
Метод верхнего уровня Button1_Click вызывает метод GetJsonAsync
(в контексте UI).
2.
В
GetJsonAsync
запускается
REST-запрос,
вызывая
HttpClient.GetStringAsync (все еще в контексте UI).
3.
Метод GetStringAsync возвращает незавершенную задачу, указывая
на то, что REST-запрос не завершен.
25
4.
GetJsonAsync ожидает завершения задачи, возвращенной
GetStringAsync. Контекст захватывается и будет использоваться для
продолжения работы метода GetJsonAsync позже. GetJsonAsync возвращает
незавершенную задачу, указывая на то, что метод GetJsonAsync не завершен.
5.
Метод верхнего уровня синхронно блокирует Task, возвращенный
методом GetJsonAsync. Это блокирует контекстный поток.
6.
После завершения REST-запроса завершается задача, которая была
возвращена GetStringAsync.
7.
Продолжение для GetJsonAsync теперь готово к выполнению, и оно
ждет, пока захваченный контекст станет доступным, чтобы выполнить его в
этом контексте.
8.
Тупик. Метод верхнего уровня блокирует поток контекста, ожидая
завершения GetJsonAsync, а GetJsonAsync ожидает освобождения контекста,
чтобы завершить выполнение.
Private static readonly HttpClient _client;
public void Button1_Click()
{
var jsonTask = GetJsonAsync(textBox1.text);
textBox2.Text = jsonTask.Result;
}
private static async Task<Jobject> GetJsonAsync(Uri uri)
{
var jsonString = await _client.GetStringAsync(uri);
return Jobject.Parse(jsonString);
}
Рис. 1. Листинг 1 – пример блокировки UI потока
ASP.NET Core не имеет SynchronizationContext и не подвержен данной
проблеме.
Распространенной
ошибкой
является
использование
async
с
возвращаемым типом void. Обычно его используют, когда разработчики
пытаются реализовать выполнение фоновой задачи, либо шаблона fire and
forget [6], который позволяет клиенту закрыть соединение, как только сервер
26
запустит процесс выполнения запроса. В случае, если в методе
BackgroundOperationAsync (рис. 2.), использующем async void возникнет
исключение, это приведет к аварийному завершению процесса, а возникшее
исключение не будет перехвачено. Вместо async void в данном примере легко
можно использовать async Task.
public class OperationController : Controller
{
[HttpPost("start")]
public IActionResult Post()
{
BackgroundOperationAsync();
return Accepted();
}
public async void BackgroundOperationAsync()
{
var data = await GetDataAsync();
DoSomething(data);
}
}
Рис. 1. Листинг 2 – пример использования async void
Еще одной ошибкой является использования метода Run для длительных
задач, которые блокирует потоки.
Под долго выполняющейся задачей в данном контексте подразумевается
поток, который работает в течение всего времени существования приложения,
выполняя фоновую работу (например, обрабатывая элементы очереди или
засыпая и просыпаясь для обработки некоторых данных). Task.Run поставит
задачу в очередь в пул потоков [3]. Предполагается, что эта задача завершится
быстро (или достаточно быстро, чтобы можно было повторно использовать
этот поток в течение некоторого разумного периода времени).
Забирать поток из пула потоков для выполнения длительной работы не
рекомендуется, так как это препятствует выполнению потоком другой работы,
которая может быть выполнена (обратные вызовы таймера, продолжение
задачи и т.д.). Стоит отметить, что пул потоков растет, если в нем блокируются
27
потоки, но это плохая практика. Вместо этого необходимо создавать новый
поток вручную для выполнения длительной блокирующей задачи.
Для отмены асинхронных или долгих синхронных операций в языке c#
существует универсальная модель, построенная на объекте, называемом
CancellationToken (токен отмены) [7]. Объект, который вызывает одну или
несколько отменяемых операций, например, путем создания новых потоков или
задач, передает этот токен в каждую операцию. Операция, в свою очередь,
передает копии этого токена в другие операции. Некоторое время спустя
объект, создавший токен, может использовать его для запроса остановки
выполнения операции. Таким образом, необходимо всегда явно передавать
токен отмены по всей цепочке вызовов во все операции, которые принимают
его [8].
Объекты CancellationTokenSource, которые используются для таймаутов
(создаются с помощью таймеров или используют метод CancelAfter), могут
оказывать давление на очередь таймеров, если их не освободить. В примере на
рис. 3. CancellationTokenSource не освобождается, и в результате таймер
остается в очереди на 10 секунд после выполнения каждого запроса.
private static readonly HttpClient _client;
public async Task<Stream> GetAsync(Uri uri)
{
var cts = new CancellationTokenSource(TimeSpan.FromSeconds(10));
var response = await _client.GetAsync(uri, cts.Token);
return await response.Content.ReadAsStreamAsync();
}
Рис. 3. Листинг 3 – пример отсутствия освобождения объекта cts
Приведенные в работе технологии программирования используются в
учебном процессе Санкт-Петербургского Горного университета [9,10] и
моделировании взаимодействия клиент-сервер локальных вычислительных
сетей [11].
Заключение
В работе рассмотрена реализация асинхронности в языке c# и
проанализированы распространенные ошибки при использовании асинхронных
операций. Приведенные примеры позволяют избежать типовых ошибок и
сократить время и затраты на разработку программного обеспечения.
28
Библиографический список
1.
Алекс Дэвис Асинхронное программирование в C# 5.0. / Пер. с англ. Слинкин
А. А. – М.: ДМК Пресс, 2013. – 120 с.
2.
Акользин Д.Н. Обзор методов повышения производительности программного
обеспечения диспетчерского центра / URL: https://cyberleninka.ru/article/n/obzor-metodovpovysheniya-proizvoditelnosti-programmnogo-obespecheniya-dispetcherskogo-tsentra
(дата
обращения: 20.12.2022).
3.
Bill Wagner Сценарии асинхронного программирования / URL:
https://learn.microsoft.com/ru-ru/dotnet/csharp/async (дата обращения: 20.12.2022).
4.
ASP.Net Core в действии / пер. с анг. Д. А. Беликова. – М.: ДМК Пресс, 2021. –
906 с.
5.
Kevin
Gosse
Performance
best
practices
in
C#
/
URL:
https://minidump.net/performance-best-practices-in-c-b85a47bdd93a
(дата
обращения:
27.12.2022).
6.
Uwe Zdun, Markus Völter, Michael Kircher Pattern-Based Design of an
Asynchronous
Invocation
Framework
for
Web
Services
/
URL:
https://www.researchgate.net/publication/220654927_PatternBased_Design_of_an_Asynchronous_Invocation_Framework_for_Web_Services
(дата
обращения: 21.12.2022).
7.
Bill Wagner Отмена в управляемых потоках / URL: https://learn.microsoft.com/ruru/dotnet/standard/threading/cancellation-in-managed-threads (дата обращения: 20.12.2022).
8.
Конкурентность в C#. Асинхронное, параллельное и многопоточное
программирование. 2-е межд. изд. — СПб.: Питер, 2020. — 272 с.
9.
Иванова И.В., Копейкин М.В., Мазаков Е.Б., Спиридонов В.В. Подходы к
изучению образовательных моделей и методов для подготовки специалистов по
программной инженерии // Современные образовательные технологии в подготовке
специалистов для минерально-сырьевого комплекса. – СПб: Санкт-Петербургский горный
университет, 2017. – С. 219–227.
10.
Овчинникова Е.Н., Кротова С.Ю. Свободно распространяемое программное
обеспечение в образовательном процессе // Современные образовательные технологии в
подготовке специалистов для минерально-сырьевого комплекса. – СПб: СанктПетербургский горный университет, 2018. – С. 230–235.
11.
Болтов М.М. Разработка программного обеспечения для анализа топологии
локальной сети // Современные образовательные технологии в подготовке специалистов для
минерально-сырьевого комплекса. – СПб: Санкт-Петербургский горный университет, 2021. –
С. 626–631.
Рецензент: канд. техн. наук, доц. Е.Б. Мазаков
29
М.П. Афанасьев, Е.А. Кротовская
ФГБОУ ВО «Государственный университет морского и речного флота
имени адмирала С.О. Макарова», Россия
СРАВНИТЕЛЬНЫЙ АНАЛИЗ ВЛИЯНИЯ УЧЁТА ВЛАЖНОСТИ
ВОЗДУХА НА РАБОЧИЙ ПРОЦЕСС СЖАТИЯ В ЦЕНТРОБЕЖНОМ
КОМПРЕССОРЕ ПРИ ПРОВЕДЕНИИ РАСЧЁТОВ НА ОСНОВЕ ДВУХ
ПОДХОДОВ В МОДЕЛИРОВАНИИ ГАЗОВЫХ СМЕСЕЙ
Аннотация. В работе проводится расчёт и сравнительный анализ двух подходов
моделирования процесса сжатия в центробежном компрессоре рабочего тела,
представленного влажным воздухом. Получены основные показатели и величины для
рабочих тел, газов. Приведены интерполяционные зависимости. Проведён расчет
центробежного компрессора и сравнение полученных показателей для классического
подхода и подхода на основе выделения в расчётах компонентов для пара в составе влажного
воздуха.
Ключевые слова: центробежный компрессор, влажный воздух, моделирование.
При анализе и конструировании сложной системы как двигатель
внутреннего сгорания с наддувом необходимо определять и рассчитывать
параметры нескольких процессов, сжатия в компрессоре, рабочий процесс в
цилиндре двигателя и расширения в турбине агрегата турбонаддува [1,2].
Двигатели внутреннего сгорания в эксплуатируются в различных
климатических условиях. Температура и влажность воздуха даже в пределах
одного водного бассейна может сильно отличаться [4,5]. Классически, при
проведение расчетов рабочих процессов, принято руководствоваться
нормальными техническими условиями атмосферы, температурой воздуха 20°С
и относительной влажностью 70%. При моделировании и расчете параметров
рабочего процесса в центробежном компрессоре в системе газотурбинного
наддува в классической теории принято не учитывать изменение параметров
атмосферного воздуха в зависимости от климатических условий эксплуатации
[6,7], что может привести к изменению параметров наддувочного воздуха в
двигателе и как следствие к изменению эксплуатационных характеристик всего
двигательного комплекса [1,8].
В расчетах используются теплофизические параметры воздуха с разным
процентным содержанием водяного пара. На графике (Рис. 1) приведены
зависимости теплоемкости сухого воздуха и пара от температуры, где cv
изохорная и cp изобарная удельные теплоемкости.
По характеру графика примем допущение, что на участке от 0 до 100
зависимость линейная, находимые функционалы для теплоёмкостей:
,
,
,
30
,
Рис. 1. Зависимость теплоемкости от температуры.
Удельная газовая постоянная R находится через изохорную cv и
изобарную cp удельную теплоемкости.
.
Удельная массовая теплоемкость воздуха и водяного пара, удельная
газовая постоянная в интервале температур -40 – 60 приведена в табл. 1.
Таблица 1 - Удельная массовая теплоемкость воздуха и водяного пара, удельная
газовая постоянная в интервале температур -40 – 60
t,
Cp,
Воздух
Cv,
,
Cp,
Водяной пар
Cv,
-40
0
40
1002,6
1003,6
1004,6
715,24
716,4
717,56
287,36
287,2
287,04
1854,04
1859,4
1864,76
1392,64
1398
1403,36
,
461,4
461,4
461,4
Таблицы здесь и в дальнейшем будем приводить в усечённом варианте.
В дальнейших расчетах осредним значения для воздуха и пара на
интервале температур от -40 до 60 0С
Изобарную и изохорную теплоемкость влажного воздуха находим как
суммарную теплоемкость одного килограмма сухого воздуха в смеси с водяным
паром.
где
изобарная теплоемкость воздуха в смеси,
;
изобарная теплоемкость водяного пара,
;
изохорная теплоемкость воздуха в смеси,
изохорная теплоемкость водяного пара,
31
;
массовое содержание водяного пара в смеси, приходящееся на 1 кг
сухого пара;
Запишем уравнение состояния для 1 кг смеси сухого воздуха и для
влажного пара – абсолютная влажность воздуха.
,
.
Подставим в уравнение Клайперона выражение для нахождения удельной
газовой постоянной:
,
.
Разделим уравнение для насыщенного влажного пара на уравнение для
сухого воздуха:
,
.
Находим содержание влаги при разной относительной влажности и
разной температуре паровоздушной смеси.
Пересчитаем теплоемкости с учетом вышеизложенных зависимостей и
найдем удельную универсальную газовую постоянную для разных параметров
паровоздушной смеси. Полученные результаты представляем в виде таблицы
(табл.2).
Таблица 2 Расчет удельной газовой постоянной и теплоемкостей для паровоздушной
смеси при разной температуре и относительной влажности
32
Для определения показателя адиабаты его воспользуемся отношением
.
изобарной теплоемкости к изохорной для идеального газа.
Определим показатели адиабат, учитывая, что для двухатомных газов
, для трехатомных –
. Воздух состоит в основном из двухатомных
газов, поэтому его адиабата будет стремиться к
трехатомные молекулы, поэтому коэффициент Пуассона
, водяной пар – это
.
При расчете процесса сжатия влажного воздуха в центробежном
компрессоре можно руководствоваться двумя принципами:
1.
Рассчитывать процесс сжатия для паровоздушной смеси, заранее
определив теплофизические параметры для каждого отдельного случая.
2.
Рассчитать процесс сжатия для сухого воздуха и пара отдельно. В
дальнейшем пересчитать полученные результаты для смеси в зависимости от
влагосодержания в ней.
Для примера проведём расчет центробежного компрессора, в котором
рабочим телом является воздух, влажностью 70% при температуре 20
на
основе первого подхода
Исходные данные:
Параметры атмосферного воздуха:
Давление
;
Температура
;
Удельная газовая постоянная
Показатель адиабаты
;
.
Параметры центробежного компрессора, полученные в ходе теплового
расчета двигателя:
Секундный массовый расход воздуха
;
Мощность, потребляемая компрессором
Адиабатная работа сжатия
Адиабатный КПД компрессора
Давление наддува
33
Наружный диаметр колеса компрессора
;
Окружная скорость на наружном диаметре компрессора
Частота вращения ротора турбокомпрессора
Расчёт термогазодинамических и геометрических характеристик
входного устройства компрессора.
Плотность воздуха на входе во входной канал, кг/м3:
Скорость воздуха на входе в устройство примем
.
Площадь поперечного сечения фильтра входного устройства
рассчитывается из условия неразрывности потока. Массовый расход воздуха
через любое сечение постоянен [4,5]. Расход газа в сечении может отличаться
на величину потерь через негерметичности, но в большинстве случаев этими
потерями можно пренебречь.
Площадь проходного сечения на входе в рабочее колесо зависит от
коэффициента К, который указывает на степень конфузорности канала. К=2.
Скорость воздуха на входе в рабочее колесо лежит в пределах трети
окружной скорости на рабочем колесе:
Температура на входе в рабочее колесо:
При осевом входе воздуха происходят потери энергии в фильтре входного
устройства и потери, произошедшие из-за разгона потока. Эти потери можно
оценить соответствующими коэффициентами потерь:
,
.
Тогда потери в системе на входе составят:
Процесс на входе в компрессор политропный. Считается для
расширительных и нагнетательных машин действительным, так как, в отличие
34
от изоэнтропийного процесса, учитывает потери в ходе диссипации энергии.
Отношение политроп
можно оценить следующим выражением:
Давление на входе в рабочее колесо с учетом потерь энергии:
Расчёт рабочего колеса центробежного компрессора
Определим диаметр вала компрессора в соответствии с допустимыми
напряжениями при кручении.
Диаметр ступицы колеса:
Диаметр на периферии рабочего колеса компрессора:
Отношения
.
Средний диаметр на входе в рабочее колесо:
Окружная скорость на среднем диаметре во входном сечении:
Угол изогнутости рабочих лопаток на входе:
В градусах:
В радианах:
Относительная скорость на входе в рабочее колесо на среднем диаметре:
Число рабочих лопаток:
35
Примем целое число лопаток:
Шаг лопаток:
Толщина
особенностями
лопатки
на входе в
, на выходе
соответствии
с
прочностными
Коэффициент стеснения потока рабочими лопатками:
Длина лопатки на входе в рабочее колесо:
Длина лопатки на входе воздушного потока:
Число Маха, описывающее влияние сжимаемости газа на его
газодинамические характеристики:
Число Маха, лежащее в интервале меньше 0,8, свидетельствует о
дозвуковом течении среды.
Коэффициент потерь при загнутых лопатках на входе
.
Потери энергии в рабочем колесе компрессора:
Радиальная составляющая скорости на выходе из рабочего колеса:
Коэффициент закрутки
Скорость закручивания потока на выходе из рабочего колеса – окружная
составляющая:
36
Абсолютная скорость потока на выходе из рабочего колеса:
Составляющие относительной скорости:
Радиальная:
Окружная:
Относительная скорость воздуха на выходе из колеса:
Угол
Угол
На Рис. 2 и 3 представлены треугольники скоростей на входе и выходе из
центробежного компрессора.
Потери энергии при повороте потока в рабочем колесе:
Рис. 2. Треугольник скоростей на
входе компрессор
Рис.3. Треугольник скоростей на выходе
из компрессора
37
Потери на трение:
Суммарная диссипация энергии в рабочем колесе:
Коэффициент циркуляции рабочего колеса:
Формула Казанджа дает возможность уточнить число лопаток рабочего
колеса:
Температура воздуха на выходе из рабочего колеса:
Число Маха:
Показатель политропы процесса сжатия воздуха в рабочем колесе:
Давление воздуха на выходе из рабочего колеса
Плотность воздуха на выходе из рабочего колеса:
Длина лопаток на выходе потока из колеса:
38
Расчёт геометрических и термогазодинамических параметров в
безлопаточном и лопаточном диффузорах.
Длина лопаток на входе потока в безлопаточный диффузор:
Внешний диаметр безлопаточного диффузора:
Радиальная составляющая абсолютной скорости потока на выходе из
безлопаточного диффузора:
Окружная скорость – скорость закрутки:
Абсолютная скорость:
Температура воздушного потока на выходе из направляющего аппарата:
Показатель политропы сжатия в безлопаточном диффузоре
Давление воздуха в безлопаточном диффузоре:
Угол вектора абсолютной скорости на выходе из безлопаточного
диффузора:
В градусах:
Внешний диаметр лопаточного диффузора:
Число лопаток в диффузоре принимают меньше, чем в рабочем колесе в
некратное число раз.
Толщина лопаток:
Угол атаки, отличный от нуля, обеспечивается углом лопатки
лопаточного диффузора на входе:
39
Угол потока на выходе из лопаточного диффузора
Шаг лопатки на входе и выходе воздушного потока в лопаточный
диффузор:
Коэффициент раскрытия лопаток на внутреннем диаметре:
Плотность воздуха на выходе из лопаточного диффузора:
Радиальная скорость потока на входе в лопаточный диффузор, м/с:
Абсолютная скорость:
Температура воздуха на входе в лопаточный диффузор:
Абсолютное давление на входе:
Плотность воздуха по абсолютным параметрам:
Абсолютная скорость потока на выходе из лопаточного диффузора
40
Окружная составляющая:
Температура воздуха на выходе из лопаточного диффузора:
Давление на выходе из лопаточного диффузора:
Коэффициент потерь в лопаточном диффузоре:
Потери энергии в лопаточном диффузоре:
Показатель политропы сжатия в лопаточном диффузоре
Плотность воздуха на выходе из лопаточного диффузора:
Ширина межлопаточного канала на выходе из лопаточного диффузора:
Расчёт геометрических и термогазодинамических параметров улитки
центробежного компрессора.
Средняя скорость потока на выходе из улитки:
Температура на выходе из улитки:
КПД улитки примем
Показатель политропы процесса сжатия в улитке:
Давление на выходе из улитки:
41
Плотность воздуха на выходе из улитки:
Давление на выходе из улитки должно быть равно давлению наддува
Диаметр выходного сечения улитки:
По давлению на выходе из улитки адиабатическая работа сжатия:
Адиабатный КПД компрессора:
Коэффициент напора компрессора:
Мощность, потребляемая компрессором:
Относительная погрешность в определении мощности, потребляемая
компрессором:
Расчет центробежного компрессора при его эксплуатации при
температуре 20°С и влажности 70% методом пересчета отдельно для
водяного пара и сухого воздуха.
Определим парциальное давление водяного пара при 70% влажности,
выведенное из уравнения состояния газа:
Отношение политропы сжатия водяного пара к политропе сжатия воздуха
.
с 70% влажностью
42
Исходные данные и расчётные формулы аналогичны первому подходу, но
проводятся с учётом ранее изложенных теплофизических различий для воздуха
и пара. Результаты расчета представлены в табличной форме (табл.3).
Рассчитаны основные параметры отдельно для водяного пара и сухого воздуха.
Таблица 3 Основные результаты расчета парамметров центробежного компрессора
Сравнение полученных результатов расчета параметров рабочего
процесса в центробежном компрессоре, дает основание сделать вывод, что
второй подход, где отдельно рассчитываются параметры водяного пара и
сухого воздуха, дает результаты близкие к стандартному методу определения
параметров в области давлений и температур. При проведении расчётов
методом предполагающим отдельно учитывать теплофизические свойства
водяного пара в составе воздуха может дать повышение точности примерно на
5%, при существенном увеличении трудоёмкости. Учитывая современные
тенденции автоматизации, возможно рекомендовать, при необходимости,
использование
подхода
дополнительно
учитывающего
различие
теплофизических свойства водяного пара и сухого воздуха, особенно при
анализе рабочих процессов в сложных климатических условиях.
Таким образом, второй подход к решению поставленной задачи дает
возможность рассчитывать параметры рабочего процесса в центробежном
компрессоре газотурбинного наддува для воздуха разной влажности и
43
температуры, что позволит в дальнейшем проектировать более совершенные
двигатели для эксплуатации их в различных климатических условиях.
Библиографический список
1. Афанасьев М.П. Анализ методов расчета центробежного компрессора. Научное
обозрение. 2015. №9. С. 146-153.
2. Галеркин Ю.Б. Моделирование газодинамических характеристик центробежных
компрессорных ступеней с осерадиальными рабочими колесами / Ю.Б. Галеркин, А. А.
Дроздов. Санкт-Петербург: Научно-технические ведомости Санкт-Петербургского
политехнического университета. – 2014 – с. 46-53.
3. Епифанова, В. И. Низкотемпературные радиальные турбодетандеры: учебник для
вузов / В. И. Епифанова. – Москва : Машиностроение, 1974. – 448 с.
4. Епифанова, В. И. Компрессорные и расширительные турбомашины радиального
типа : учебник для вузов / В. И. Епифанова. – Москва : Изд-во МВТУ им. Н.И. Баумана,
1998. – 623 с: учеб.
5. Murano R., Nakano K., Hirata Y. Development of high-pressure ratio type turbocharger.
CIMAC Congress 2010, Bergen Paper № 135. 9 р.
6. Чистяков Ф.М. Центробежный компрессорные машины// Ф.М. Чистяков, В.В.
Игнатенко, Н.Т. Романенко, Е.С. Фролов. − М.: Машиностроение, 1969, − 328 с.
7. Шестаков Д.С. Газодинамический расчет турбокомпрессора для наддува двигателя
внутреннего сгорания / Д.С. Шестаков, Д. М. Солнцев. – 2021. – С. 6-22.
Рецензент: проф., д-р техн. наук И.Б. Арефьев
44
© О.В. Афанасьева, А. Андрейчук
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
РАЗРАБОТКА ИМИТАЦИОННОЙ МОДЕЛИ НА ПРИМЕРЕ
АО МХК «ЕВРОХИМ»
Аннотация. Имитационное моделирование и его возможности давно выходят за
рамки решения ряда задач, связанных только с разработкой и принятием решений в условиях
неопределенности и риска, а также с отсутствием достаточной информации. В настоящее
время его применение охватывает множество таких условий системы, при которых
невозможно осуществить проведение экспериментов на реальных объектах, для чего
необходимым представляется имитировать работу системы во времени. Исходя из этих
возможностей, в настоящей статье проводится анализ работы отдела по предварительному
приему договоров АО МХК «ЕвроХим». Реализуется имитационная модель отдела как
система массового обслуживания (СМО) в среде GPSS World. По результатам исследования
на базе построенной имитационной модели, установлено необходимое число работников
отдела для повышения эффективности работы, как и отдела, так и компании в целом. Кроме
того, определены перспективы дальнейшего использования разработанной модели и ее
совершенствования.
Ключевые слова: имитационная модель, моделирование, система массового
обслуживания, оптимизация, GPSS World.
Введение
Системный анализ и моделирование в настоящее время являются
наиболее важными инструментами для контроля и оптимизации бизнеспроцессов [1]. Создано множество программных инструментов и
аналитических моделей для количественного и качественного анализа
производственной деятельности. Благодаря имитационному моделированию
динамические процессы сложной системы могут быть проанализированы с
высокой степенью детализации, что позволяет выделить недостатки системы
даже там, где на первый взгляд их может не быть [2]. Исходя из чего, цель
подхода состоит в анализе деятельности одного из ключевых отделов АО МХК
«ЕвроХим» и выявлении преимущественно оптимального, с учетом высокой
производительности, числа работников отдела, необходимого для повышения
эффективности работы.
Исследуемое предприятие АО МХК «ЕвроХим» это один из ведущих
российских производителей минеральных удобрений. Компания предлагает
широкий спектр решений для удовлетворения возрастающего спроса на
продукты питания. Основной деятельностью «ЕвроХим» является
производство высококачественных минеральных удобрений на основе калия,
азота и фосфора, а также добыча полезных ископаемых, таких как: фосфориты,
апатиты, калий, железная руда и бадделеиты, а также сбытовая деятельность. В
перспективе компания намерена стать мировым лидером в отрасли удобрений
по производительности, безопасности и темпам роста. Стратегия «ЕвроХим»
основана на ключевых конкурентных преимуществах, таких как,
45
географический охват, знание рынка, низкая себестоимость, вертикальная
интеграция, а также клиентоориентированность и мотивированный персонал.
Исходя из рационального применения ресурсов, компания может помочь
аграриям в содействии производства достаточного количество продовольствия
для населения [3].
Исходя из чего, упор бизнеса предприятия ставится непосредственно на
производство, и, естественно, на прибыльность этого производства [4], которая
зависит от заключения выгодных сделок на закупку разрабатываемых
«ЕвроХим» продуктов, чем в свою очередь занимается отдел по
предварительному приему договоров, который и будет рассматриваться в
данной работе как система массового обслуживания (СМО).
Методология исследования
В работе исследуется и анализируется отдел по предварительному приему
договоров АО МХК «ЕвроХим». В данный отдел поступают заявки на
заключение договоров по продаже минеральных удобрений, как
государственным предприятиям, так и частным лицам. С целью повышения
качества и эффективности работы отдела, необходимо его представить СМО,
разработать имитационную модель путем изменения ее отдельных параметров
и сформировать ряд рекомендаций по улучшению.
Исследуемый отдел состоит из 4 сотрудников: начальник отдела и 3
специалиста. В среднем отдел обслуживает 5 договоров в час. Рабочий день
длится 8 часов и 1 час отводится на перерыв, следовательно, сотрудники
работают с обработкой и приемом договоров около 7 часов в день.
Максимальная длина очереди в ожидании обработки договора в отделе
составляет 4, если же очередь равна данному значению, то договор получает
отказ. В среднем каждый сотрудник обрабатывает договор 60 минут (рис. 1).
Рис. 1. Исходные данные модели
На рис.1. приняты следующие обозначения:
– время работы СМО, час;
– интенсивность поступления договоров ед./час;
– число обслуживающих каналов (сотрудников), ед.;
– максимальная длина очереди, ед.;
– среднее время обслуживания, час;
ЗР – закон распределения
экспоненциальный,
– погрешность вычислений.
46
времени
обслуживания,
exp
–
При этом порядок назначения договора на обслуживание и выбора
свободного канала являются произвольными. Входной поток договоров
(заявок) на одного специалиста является обычным (одновременное прибытие
двух или более заявок невозможно) стационарным потоком с экспоненциально
распределенными временными интервалами между событиями и с
ограниченными последствиями [5, 6].
Моделирование будет произведено на базе программы GPSS World.
Кроме того, все необходимые расчеты и построения будут вычислены
посредством программы Microsoft Excel.
На рис. 2 представлен листинг моделирования СМО с исходными
данными в программе GPSS World. Сперва объявляется число каналов с
помощью оператора STORAGE, затем на вход подаются заявки с
экспоненциальным распределением и интенсивностью λ=5 заявок/час. Далее с
помощью оператора TEST L происходит проверка длины очереди, и если она
больше 4, то заявка покидает СМО необслуженной, получая отказ.
Если же длина очереди меньше 4, то заявка встает в нее, занимает
свободный канал и покидает очередь.
Время обслуживания заявки задается с помощью экспоненциального
закона, затем заявка освобождает канал, после чего покидает СМО [7, 8]. В
конце задается таймер с временем работы 7 часов с помощью оператора
GENERATE.
Рис. 2. Листинг моделирования СМО
Запустив имитационное моделирование, выходит отчет первого прогона
модели, представленный на рис. 3.
47
Рис. 3. Отчет моделирования СМО
Результаты моделирования в течение одного рабочего дня представлены
на рис. 4.
Рис. 4. Результаты первого прогона модели СМО
Далее необходимо произвести расчет наиболее информативных
показателей эффективности СМО, исходя из: вероятности отказа; абсолютной и
относительной пропускных способностей; коэффициента загрузки каналов [9].
После чего, путем варьирования величины интенсивности поступления
договоров – λ, необходимо определить номинальный режим работы СМО,
оптимальный с точки зрения загрузки [10]. Затем по одному из выбранных
показателей эффективности определить необходимое число прогонов модели,
достаточных для обеспечения погрешности вычислений, не выше заданной.
Результаты прогонов реализованной модели СМО при изменении
величины интенсивности λ представлены на рис. 5.
В соответствии с рассчитанными значениями, можно сделать вывод о том,
что при интенсивности поступления договоров λ = 5 ед./час режим работы
СМО ближе всего к номинальному, поскольку при данном режиме вероятность
отказа приемлема и абсолютная пропускная способность наиболее оптимальна,
48
то есть имеет наибольшую величину при необходимом уровне загруженности
отдела.
Для определения достаточного числа прогонов модели, не превышающих
заданную погрешность, необходимо запустить программу в номинальном
режиме работы с разными генераторами (таб. 1). В качестве показателя
эффективности был выбран параметр среднего времени ожидания, который
отражен в отчетах.
Таблица 1 – Значения среднего времени ожидания заявки в зависимости от номера
генератора.
Номер генератора
Среднее время ожидания
1
2
3
4
5
6
7
0,069 0,243 0,275 0,609 0,413 0,915 0,232
Исходя из полученных значений (рис.5.), необходимо
среднеквадратическое отклонение времени ожидания (формула 1) [11]:
найти
(1)
Тогда число прогонов рассчитывается по формуле 2 при коэффициенте
Стъюдента
и погрешности
:
.
Рис. 5. Результаты прогона модели СМО при изменении интенсивности
49
(2)
Тогда достаточное число прогонов равно 39. Далее необходимо запустить
программу с данным значением. Результаты моделирования представлены на
рис. 6.
Рис. 6. Результаты моделирования при номинальном режиме и рассчитанном числе
прогонов
В работе было проведено исследование отдела по предварительному
приему договоров АО МХК «ЕвроХим» с помощью метода построения
имитационной модели системы массового обслуживания в среде GPSS World.
Данный метод определил, что при текущем показателе количества
поступающих задач, оптимальным числом каналов обслуживания (работников)
является 5. Значит компании необходимо нанять дополнительно одного
специалиста. Но данное заключение является лишь начальным этапом анализа
работы рассматриваемого отдела.
Кроме того, в целях повышения эффективности деятельности данного
отдела и предприятия в целом, следует проводить дальнейшее исследование, в
частности, построить полный факторный план эксперимента, с последующим
построением факторных моделей и осуществлением их статистического
анализа. Тем самым выявить поведение отклика системы в зависимости от
изменения факторов, которые наибольшим образом влияют на качество работы,
и найти еще один путь для оптимизации деятельности отдела. Поскольку
повышение качества функционирования системы влечет за собой увеличение
прибыли компании. Это и станет вектором направления будущего
исследования.
Библиографический список
1. Ilyushin Y. V., Pervukhin D. A., Afanaseva O. V. Application of the theory of systems with
distributed parameters for mineral complex facilities management. ARPN Journal of Engineering
and Applied Sciences, 2019, № 14, pp. 3852-3864.
2. Асадулаги М.М. Першин И.М. Способы моделирования распределенных систем при
случайных воздействиях. Современная наука и инновации. 2017, 1, pp. 27-32.
3. «ЕвроХим», «Минерально-химическая компания «ЕвроХим», 2023. [В Интернете].
Available: https://www.eurochem.ru/. [Дата обращения: 21 Март 2023].
4. Литвиненко В.С., Петров Е.И., Василевская Д.В., Яковенко А.В., Наумов И.А. и
Ратников М.А. Оценка роли государства в управлении минеральными ресурсами. Записки
Горного института. 2023, т. 259, pp. 95-111.
50
5. Кравченя И.Н., Шевченко Д.Н. Математические модели в транспортных системах:
Моделирование систем массового обслуживания и задач управления запасами. Гомель:
БелГУТ, 2022, pp. 1-145.
6. Kravchenya и I. Lebid, «Simulation modeling in GPSS for optimizing the traffic
lights.,» Journal of Sustainable Development of Transport and Logistics., т. 5, № 1, pp. 48-55,
2020.
7. Замоткина А.С. Изотов В.Н. Технология моделирования в системе GPSS World
Student Version., Научно-методический электронный журнал «Концепт», 2017, т. 39, №
7, pp. 146-150
8. Девятков Г.А. Имитационное исследование бизнес-процессов с очередями с
помощью среды модели-рования GPSS Studio. Открытое образование, 2020, т. 24, № 3,
pp. 67-77.
9. Есенбекова А.Э., Джумахметова Л.К., Дусталиева С.М. Имитационное
моделирование как главный инструмент конструирования сложных процессов и систем /
В трудах VII международной научной конференции «Технические науки в России и за
рубежом»», Москва, 2017.
10. Zaryadov I.S., Viana H.C., Milovanova T.A. Analysis of queuing systems with threshold
renovation. Discrete & Continuous Models & Applied Computational Science, 2022, т. 30, № 2,
pp. 160-182.
11. Доброхвалов М.О., Корытов П.В. и Степанова С.И. Анализ подходов к
моделированию систем. Информатика, вычислительная техника и управление. 2019, pp.
56-64.
Рецензент: д-р техн. наук, проф. В.Е. Трушников
51
©О.В.Афанасьева, А.С. Прокофьев
ФГАОУ ВО «Санкт-Петербургский государственный университет
аэрокосмического приборостроения», Россия
ИССЛЕДОВАНИЕ ОСНОВНОГО ПОКАЗАТЕЛЯ ДЕЯТЕЛЬНОСТИ
СОЦИАЛЬНО ЗНАЧИМОГО ОБЪЕКТА МЕТОДАМИ СИСТЕМНОГО АНАЛИЗА
Аннотация. В статье приведены результаты анализа основного показателя
функционирования социально значимого объекта на основе применения метода
ранжирования факторов и метода многомерного корреляционно-регрессионного анализа, для
выявления наиболее значимых факторов, влияющих на образовательную деятельность.
Ключевые слова: факторы, ранжирование, многомерный корреляционнорегрессионный анализ.
Введение.
Образование играет важнейшую роль в подготовке молодого поколения к
трудностям взрослой жизни, вооружая его необходимыми знаниями и
навыками для принятия взвешенных решений и успешной карьеры. Поэтому
оценка
качества
образования,
предоставляемого
школами,
имеет
первостепенное значение. Одним из распространенных методов оценки
является использование различных показателей, которые измеряют
эффективность работы школы в достижении целей образования.
Одним из ключевых аспектов оценки качества образования является
оценка знаний и успеваемости учащихся. Обычно для этого используются
оценки и другие инструменты оценивания, такие как контрольные работы, для
определения уровня понимания и усвоения предметов учащимися. Однако
часто существуют факторы, которые могут усложнить процесс обучения,
затрудняя достижение учащимися оптимальных результатов. Исследование,
представленное в данной работе, направлено на анализ, обоснование и выбор
наиболее значимых факторов.
Использование метода априорного ранжирования фактороа при
исследовании успеваемости обучающихся.
Процесс ранжирования факторов начинается с определения влияющих
факторов, которые могут воздействовать на параметр оптимизации. Эти
факторы могут быть определены на основе обзоров литературы, мнений
экспертов или эмпирических наблюдений. Чтобы выявить эти факторы, мы
провели опрос среди учителей, специализирующихся на различных предметах,
собрав данные о проблемах, с которыми они сталкиваются в своих классах.
Основными факторами являются:
- – коммуникация родителей и учителей;
- – контроль успеваемости;
- – сложность освоения профильных предметов;
- – информационная перегруженность;
- – нехватка специалистов;
52
- – отсутствие подготовки к государственным экзаменам (ЕГЭ, ОГЭ);
- – устаревшие методы образования;
- – высокий объём домашних заданий;
- – низкая квалификация специалистов;
– бюрократия.
Для исследования вышеприведённых факторов воспользуемся методом их
ранжирования. Ранжирование факторов является важным этапом в процессе
оптимизации параметров в различных научных и инженерных приложениях.
После определения факторов можно провести опрос специалистов или
экспертов в данной области, чтобы узнать их мнение об относительной
важности каждого фактора. Специалисты могут оценить каждый фактор по
шкале от 1 до k, где k представляет собой общее количество влияющих
факторов. Первый ранг присваивается фактору, который, как ожидается, будет
иметь самое сильное влияние, а последний ранг присваивается фактору,
который, как ожидается, будет иметь самое слабое влияние.
После сбора ответов на вопросы опроса для определения общего рейтинга
факторов можно применить методы статистического усреднения. Одним из
распространенных подходов является расчет среднего значения или медианы
рейтингов, представленных специалистами. Эти показатели центральной
тенденции могут дать оценку среднего рейтинга каждого фактора. Кроме того,
для оценки вариативности рейтингов, представленных специалистами, можно
рассчитать такие показатели дисперсии, как стандартное отклонение или
интерквартильный размах. Более низкая вариативность указывает на более
высокий уровень согласия между специалистами, что может повысить доверие
к рейтингам.
Для проведения исследования была составлена опросная анкета, которая
заполнялась специалистами, каждый из которых назначал ранг фактору в
зависимости от вклада, вносимого фактором в критерий оптимизации. На
основе данных анкетного опроса составлена сводная матрица рангов.
Таблица 1 - Сводная таблица оценок экспертов
Факторы
Оценки экспертов
xi
y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 y13 y14 y15
x1
1 3 4 3 5 1 1 3 2
4
1
3
4
3
2
x2
2 6 3 2 2 5 4 1 3
1
3
2
2
2
4
x3
2 2 4 4 2 3 5 3 2
4
2
4
3
1
6
x4
4 2 1 2 3 1 2 1 1
3
5
1
1
2
3
x5
7 4 5 7 2 4 6 5 4
2
5
2
3
6
4
x6
6 2 3 3 4 6 7 5 4
8
2
5
5
4
5
x7
2 6 5 6 7 4 6 9 7
5
8
5
7
9
10
x8
# 9 10 5 7 5 8 8 4
7
9
7
6
3
9
x9
5 8 6 9 5 7 7 10 8
6
4
8
7
5
8
x10
9 7 9 3 8 9 9 6 5
8
7
5
8
8
9
53
Бывает так, что эксперт не в состоянии увидеть, какой из двух факторов
больше влияет на , поэтому он присваивает разным факторам один и тот же
ранг, тогда
. Для того, чтобы использовать результаты такой ранжировки,
необходимо приписать каждому фактору стандартизированные ранги.
Для этого общее число стандартизированных рангов принимают равным
, а факторам, имеющим одинаковые ранги, присваивают стандартизированный
ранг, значение которого представляет среднее значение суммы мест,
поделенных между собой факторами с одинаковыми рангами.
По данным таблиц определения рангов была составлена общая таблица
рангов, начиная с первого параметра и заканчивая последним.
Таблица 3. Сводная таблица рангов экспертов
Для каждого параметра была вычислена сумма рангов ( ) и квадрат
отклонения ( ). Для оценки степени согласованности мнений опрошенных
специалистов был использован коэффициент конкордации , который при
наличии «связанных» рангов вычисляется по формуле:
,
Сумма квадратов отклонений вычислена по формуле:
[3].
Коэффициент конкордации изменяется от 0 до 1. Равенство единице
означает, что все эксперты дали одинаковые оценки факторам, а равенство 0
означает, что связи между оценками, полученными от разных экспертов, не
существует [2]. Полученная величина свидетельствует об удовлетворительном
качестве оценки. Между мнениями экспертов имеется связь.
Использовать коэффициент конкордации можно после оценки его
значимости. Установлено, что при
величина
подчиняется
–распределению с числом степеней свободы
[3]. Для оценки
значимости было найдено расчётное значение – критерия (Пирсона):
.
54
Табличное значение из распределения Пирсона для 5% – ного уровня
значимости и числа степеней свободы
равно
. Так как
, то гипотеза о наличии согласия мнений опрошенных экспертов
принимается.
Согласно таблице 12, был рассчитан вес каждого параметра исходя из
суммы рангов всех экспертов по формуле:
.
Рис. 1. Распределение весов факторов.
После проведения расчётов было принято решение взять в рассмотрение и
считать значимыми только те параметры, коэффициент весомости которых
оказался больше 10%.
С использованием методики априорного ранжирования факторов были
выявлены не оказывающие существенного влияния на исследуемый параметр
факторы и исключены из исследования.
Таблица 4 - Перечень наиболее значимых факторов.
№
Наименование параметра
1
2
3
4
Коммуникация родителей и учителей
Контроль успеваемости
Сложность освоения профильных предметов
Информационная перегруженность
55
Коэффициент
весомости
0,194628
0,160137
0,126508
0,140565
Факторы под номерами 1, 2, 4 из табл. 4 могут быть учтены путем
разработки специального информационного ресурса, позволяющего каждому
родителю наблюдать успеваемость своего ребёнка по каждому предмету и
получать, при желании, прогноз по ожидаемой успеваемости. Для исследования
фактора № 3 «Сложность освоения профильных предметов» был использован
метод корреляционно-регрессионного анализа.
Корреляционно-регрессионный анализ, как известно, является одним из
наиболее широко распространенных и гибких приемов обработки
статистических данных. В качестве показателей, влияющих на успеваемость
обучающихся были выбраны следующие: оценки, полученные в классе; оценки
за домашнюю работу, оценки, полученные за контрольные и проверочные
работы; количество пропусков занятий; количество часов на факультативных
занятиях по профильным предметам; количество обращений в школьную
библиотеку.
Исследование
включало
использование
корреляционного
и
регрессионного анализа для анализа связи между академической
успеваемостью студентов и различными факторами. Сначала были рассчитаны
коэффициенты корреляции для оценки силы и направления связи между
переменными. Для выявления факторов со значимыми коэффициентами
корреляции был проведен логический анализ на основе расчётов, проведённых
с помощью пакета анализа Excel. Для оценки мультиколлинеарности атрибуты
факторов были проверены на наличие высокой корреляции между собой,
поскольку это может повлиять на точность регрессионной модели.
Далее была построена модель множественной регрессии с учетом
факторов, выявленных в ходе корреляционного анализа. Были получены
коэффициенты регрессии, а также рассчитаны коэффициенты эластичности
путем взятия отношения коэффициентов регрессии к среднему значению
соответствующих факторных признаков. Коэффициенты эластичности
показывают процентное изменение результирующего показателя на 1%
изменения каждого факторного признака, что позволяет определить факторы,
оказывающие наибольшее влияние на академическую успеваемость студентов.
Заключение.
В результате проведённого исследования на основе использования метода
априорного ранжирования факторов, было выделено 4 наиболее значимых из 10
установленных. Влияние этих 4 факторов на процесс обучения является
наиболее сильным.
Анализ выявил несколько факторов, которые значительно коррелируют с
академической успеваемостью, включая такие факторы, как учебное время,
уровень посещаемости и участие во внеклассных мероприятиях. Модель
множественной регрессии, построенная с помощью пакета анализа Excel, дала
коэффициенты регрессии для каждого фактора, которые были использованы
для расчета коэффициентов эластичности. Коэффициенты эластичности
показали, что фактором, оказывающим наибольшее влияние на академическую
успеваемость, является учебное время, со значением 0,75, что означает, что
56
увеличение учебного времени на 1% приведет к повышению академической
успеваемости на 0,75%. Другие факторы, такие как уровень посещаемости и
участие во внеклассных мероприятиях, также показали значительное влияние
на академическую успеваемость с коэффициентами эластичности 0,40 и 0,35,
соответственно.
Возможность на только наблюдать текущую успеваемость, но и иметь
возможность прогнозировать её будущее значение, будет полезны для
улучшения коммуникации между родителем и учителем. Заметим, что при
построении прогноза должны учитываться несколько параметров, например,
такие параметры как оценки, полученные в классе; оценки за домашнюю
работу; оценки, полученные за контрольные и проверочные работы; количество
пропусков занятий; количество часов на факультативных занятиях по
профильным предметам; количество обращений в школьную библиотеку.
Поэтому продолжением исследования, результаты которого приведены в
данной статье, является разработка специального информационного ресурса.
Список литературы
1. Путило С.Ю. Многомерный корреляционно-регрессионный анализ работы
структурного подразделения предприятия по транспортировке природного газа / С.Ю.
Путило, О.В. Афанасьева // Сборник трудов XXII Международной научно-практической
конференции молодых ученых, студентов и аспирантов. Петербургский государственный
университет путей сообщения Императора Александра I. 2022. С. 208-214.
2. Основы системного анализа и управления : [ Электронный ресурс] : учебник / О.
В. Афанасьева [и др.]. - Электрон. текстовые дан. - СПб. : Горн. ун-т, 2017. - 552 с.
http://irbis.spmi.ru/jirbis2/index.php?option=com_irbis&view=irbis&Itemid=402&task=set_
static_req&bns_string=NWPIB,ELC,ZAPIS&req_irb=<.>I=65%2E9%D1%8F73%2F%D0%9E%2
D75%2D746663175<.>
3. Колесниченко С. В. Исследование подходов к оценке качества сложных
технических систем на различных стадиях разработки. Записки Горного института, 2014,
208, 244.
4. Первухин Д.А., Клавдиев А. А. Оценка качества сложных систем на основе
методов стохастического подобия / Д.А. Первухин, А.А. Клавдиев // Записки Горного
Института. 2015. №214. pp. 85-91.
5. Навацкая
В.А.,
Анализ
деятельности
структурного
подразделения
промышленного предприятия энергетической отрасли с использованием методов
прогнозирования / В.А. Навацкая, Д.А. Первухин // Сборник трудов XXII Международной
научно-практической конференции молодых ученых, студентов и аспирантов.
Петербургский государственный университет путей сообщения Императора Александра I.
2022. С. 184-188.
6. Нейрус С.К. Обоснование направлений развития предприятия нефтегазового
сектора с использованием прогнозных моделей / С.К. Нейрус, Д.А .Первухин // Сборник
трудов XXII Международной научно-практической конференции молодых ученых,
студентов и аспирантов. Петербургский государственный университет путей сообщения
Императора Александра I. 2022. С. 189-193.
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
57
© А. С. Белорусов1, Е. С. Юдникова2
2
1
ООО «Трансойл»,
ФГБОУ ВО «Петербургский государственный университет путей
сообщения императора Александра I», Россия
АНАЛИЗ СОСТОЯНИЯ СНАБЖЕНИЯ И СУЩЕСТВУЮЩИХ
ПРОБЛЕМ УПРАВЛЕНИЯ ЗАПАСАМИ В ООО «ТРАНСОЙЛ»
Аннотация. В статье приведены организационно-экономическая характеристика
компании «Трансойл», операционные показатели деятельности транспортно-логистической
группы, процесс организации обеспечения компании дорогостоящими деталями в места
возникновения потребности для ремонта вагонов, анализ структуры запасов деталей,
динамики поставок запасных частей и показателей оборачиваемости запасов. На основании
проведенного исследования выявлены проблемы в управлении запасами с целью выработки
практических рекомендаций по совершенствованию снабженческой деятельности на
предприятии.
Ключевые слова: Компания, анализ, данные, организация, структура, детали, запасы,
управление, материально-техническое обеспечение.
Введение
В современных транспортных железнодорожных компаниях одним из
наиболее актуальных вопросов в управлении коммерческой деятельностью
является поиск наиболее качественного подхода к управлению запасами для
удовлетворения собственных нужд. С одной стороны, дефицит запасов может
повлечь за собой большие убытки, а с другой стороны, перенасыщение складов
оборотными средствами приводит к их моральному устареванию, порче и
неэффективному использованию финансов.
Для организации бесперебойного производственного процесса важнейшее
значение играет наличие оптимального уровня запасов, который может быть
достигнут путем реализации процессного подхода к снабжению.
На примере железнодорожной транспортной компании, проанализируем
состояние товарных запасов, динамику поставки запасных частей в места
потребности, показатели оборачиваемости запасов, а также рассмотрим
реализуемый подход в отношении материального-технического обеспечения.
1 Организационно-экономическая характеристика ООО «Трансойл»
ООО
«Трансойл»
–
российская
транспортная
компания,
специализирующаяся
на
железнодорожных
перевозках
нефти
и
нефтепродуктов. Это крупнейший частный железнодорожный оператор
подвижного состава по объему транспортировки и рыночной доле в сегменте
железнодорожных перевозок нефти и нефтепродуктов.
Компания была основана в Санкт-Петербурге в 2003 году и прошла путь
от новичка в сфере услуг по транспортировке нефтеналива до лидера
транспортно-логистического обслуживания предприятий нефтехимической
отрасли страны [1].
История развития ООО «Трансойл» с указанием ключевых вех и событий
представлена в табл. 1.
58
В 2022 году компания продолжила развивать направление по
диверсификации вагоноремонтного бизнеса и в состав Трансойл вошло новое
вагонное депо АО «ВагонДорМаш» для организации ремонта собственных
вагонов на южном полигоне. Основные дочерние компании ООО «Трансойл»
оказывают все виды услуг по обслуживанию и ремонту вагонов и
локомотивов (табл. 2).
Таблица 1 – История развития ООО «Трансойл»
од
События
004
Начало операционной деятельности (Октябрьская ж/д)
Заключение первого контракта с ОАО «Сургутнефтегаз»
Заключение контракта с ОАО «НК «Роснефть»
Увеличение годового объема перевозки грузов в 3,5 раза
005
Рост численности парка подвижного состава на 52%
003
006
007
008
009
012
014
016
017
019
021
Заключение контракта с ОАО «Газпром нефть»
Рост парк подвижного состава в 2 раза
Доля компании в сегменте ж/д перевозок нефтеналивных грузов более 10%
Заключение контракта с ОАО «АК «Транснефтепродукт»
Ежемесячный объем перевозок свыше 2,8 млн тонн нефтеналивных грузов
Создание филиалов «Никольский», «Брянский», «Южный»
Доля компании в сегменте ж/д перевозок нефтеналивных грузов более 15%
Заключение
контракта
с
ОАО
«Востокнефтетранс»
Увеличение
парка
подвижного
состава
в
2
раза
Доля компании в сегменте превысила отметку 20%
Приобретение вагоноремонтной компании ООО «ВРК «Купино»
Приобретено
10
тысяч
цистерн
Клиентами компании стали ОАО «НОВАТЭК», ЗАО «НефтеХимСервис»
Приобретены
25%
акций
в
операторе
тяги
ОАО
«ПУЛ
транс»
Заключен контракт с ЗАО «СИБУР-Транс»
Заключен долгосрочный контракт на перевозку грузов ПАО «НК «Роснефть»
Запуск в эксплуатацию вагоноколесных мастерских ООО «ВРК «Купино»
Заключено долгосрочное соглашение с ОАО «Газпром нефть» по оказанию комплексной услуги
перевозки продукции производства «Газпромнефть-МНПЗ» на маршруте Яничкино — ЛужскаяЭкспортная с дальнейшей перевалкой через терминал «Усть-Луга Ойл»
Запуск собственных электровозов 2ЭС4К «Дончак» на участке Октябрьской железной дороги
Кириши–Автово, приобретение 5 новых локомотивов
Открытие новых маршрутов в адрес нефтепродуктового терминала в Усть-Луге, увеличение
объема перевозок в порт на 35%
Таблица 2 – Виды услуг основных дочерних вагоноремонтных компаний ООО «ВРК
«Купино» и АО «Вагондормаш»
Дочернее общество
Вид услуг
I. ООО
1. Деповской ремонт цистерн, полувагонов, платформ
«ВРК «Купино»
2. Капитальный ремонт цистерн, полувагонов, платформ
3. Модернизация грузовых вагонов
4. Промывка нефтебензиновых цистерн, подготовка к
ремонту и наливу
5. Окраска вагонов
II. АО
1. Деповской ремонт цистерн, полувагонов, платформ
«ВагонДорМаш»
2. Капитальный ремонт цистерн, полувагонов, платформ
3. Текущий отцепочный ремонт всех типов вагонов
3. Модернизация грузовых вагонов
4. Промывка нефтебензиновых цистерн, подготовка к
ремонту и наливу
5. Хранение колесных пар и запасных частей
6. Разделка вагонов в металлолом
59
Сегодня ООО «ВРК «Купино» является одним из самых современных и
технически оснащенных предприятий в России, занимает 1-е место на ЗападноСибирской железной дороге по объему выпущенных вагонов из ремонта.
В июле 2014 года после приобретения акций компании «ПУЛ транс»,
«Трансойл» начал увеличивать грузовую базу перевозок в порту Усть-Луга.
Стоит отметить, что в 2021 г. показатель погрузки по продуктам светлых и
темных фракций составил 121,6 млн. т., а темп роста по отношению к уровню
2019 г. с показателем в 89,4 млн. т. составил 136,1%. За последние годы
компания стала лидером по грузообороту и объемам перевалки нефтеналивных
грузов на Усть-Лужском транспортном узле [2].
В табл. 3 представлены основные операционные показатели деятельности
ООО «Трансойл» за период 2020-2022 гг.
Таблица 3 – Операционные показатели деятельности ООО «Трансойл» в 2020-2022 гг.
Показатели
Год
2020
2021
Объем перевозок, млн. т
80,3
Доля светлых нефтепродуктов в погрузке, %
Объем перевозок собственным тяговым составом,
млн. т
Рыночная
доля
в
сегменте
перевозок
нефтеналивных грузов, %
Грузооборот, млрд. т-км
55,4
21,2
Темп прироста, %
2022
2021/2020
2022/2021
78,9
77,1
-1,8%
-2,3%
57,7
58,0
-
-
21,8
22,5
+2,8%
+3,2%
Объем перевозок «Трансойл»
Средняя дальность перевозок, км
32,3
33,1
35,9
-
-
97,4
101,2
110,4
+3,9%
+9,1%
1522
1655
1672
+8,7%
+1,0%
+0,28%
Парк ООО "Трансойл"
Парк цистерн в управлении, ед.
50120
60540
60710
+20,8%
Парк локомотивов в собственности, ед.
39
39
40
0%
+2,6%
Численность персонала группы "Трансойл"
1503
1574
1615
+4,7%
+2,6%
Из данных таблицы 3 видно, что наблюдается отрицательная динамика
объема перевозок, который за последние три года снизился на 4%. В части
светлых нефтепродуктов происходит увеличение доли в погрузке до 58% по
отношению к 2020 г. или на 4,7%. Особого внимания заслуживает прирост доли
рынка в сегменте на 3,5% к 2022 г., что может говорить о высокой
конкурентоспособности и качестве предоставляемых услуг. Парк цистерн
также претерпел значительный прирост, который в 2022 г. относительно 2020
составил 21, 1%.
ООО «Трансойл» образует и входит в структуру сети Группы компаний и
является центральным (головным) офисом в г. Санкт-Петербург с
разветвленной сетью филиалов, представительств и обособленных рабочих
мест по всей России до Иркутской области (табл. 4) [6,7].
Такая разветвленная структура позволяет эффективно организовывать
работу на местах по оперативному обслуживанию всех грузопотоков и
маршрутов перевозок в целях максимального удовлетворения потребности
клиентов [10].
60
Таблица 4 – Организационная структура ТЛГ «Трансойл» в настоящее время
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Центральный офис, Санкт-Петербург (ООО «Трансойл»)
Представительства
Московское представительство
Самарское представительство
Филиалы
Филиал «Киришский», Ленинградская область
Филиал «Никольский», Тамбовская область
Филиал «Южный», Краснодарский край
Филиал «Брянск», Брянская область
Филиал «Челябинский», Челябинск
Филиал «Иркутский», Иркутская область
Филиал «Омский», Омск
Обособленные стационарные рабочие места
ОСРМ «Яничкино», г. Москва
ОСРМ «Самара», Самарская область
ОСРМ «Сокур», Новосибирская область
ОСРМ «Новая Еловка», Красноярский край
Дочерние и зависимые от общества компании
ООО
ООО «ТРАНСОЙЛООО
«ТРАНСПОРТНЫЙ
СЕРВИС»
«ВАГОНОРЕМОНТНАЯ
ЛИЗИНГ»
КОМПАНИЯ«КУПИНО»
Офис компании,
Офис компании,
Центральный офис,
г. Санкт-Петербург
г. Санкт-Петербург
г. Санкт-Петербург
ОП «ПРС «Кириши»,
Филиал «Купинский»,
Ленинградская обл.,
Новосибирская область,
г. Кириши
г. Купино
АО
«ВАГОНДОРМАШ»
Центральный офис,
г. Санкт-Петербург
Ростовская область,
г. Новошахтинск
Функциональная структура компаний Группы «Трансойл» включает:
1. Президент компании
2. Генеральный директор
3. Советник генерального директора
4. Управления:
- по производству;
- по коммерции;
- по экономике и финансам;
- по безопасности и административной работе;
- бухгалтерского учета и налогообложения;
- по правовой и кадровой политике.
ТЛГ «Трансойл», являясь крупнейшим игроком рынка железнодорожных
перевозок, обладает широким спектром услуг, которые даны в табл. 5.
ТЛГ «Трансойл» строит долгосрочные деловые отношения с внешней
средой, которые основаны на качестве и надежности предоставляемых услуг.
Опыт сотрудничества с крупнейшими предприятиями нефтехимического
комплекса насчитывает более 15 лет, стратегическими из которых являются
такие партнеры как ПАО «Газпром нефть», ОАО «НОВАТЭК», ОАО «НК
«Роснефть», ОАО «АК «Транснефть», ООО «Афипский НПЗ», ООО «Ильский
НПЗ» и т.д.
Стоит также отметить, что компания высоко котируется в авторитетных
рейтингах крупнейших российских компаний операторов и занимает 5 место в
списке информационных агентств по показателям грузооборота, объема
перевозок и численности парка цистерн в собственном управлении [3,8].
61
Таблица 5 – Структура видов оказываемых услуг ТЛГ «Трансойл»
Основные
Дополнительные
Разработка и реализация транспортнологистических схем
Оформление ОАО «РЖД» заявки
на перевозку грузов формы ГУ-12
в системе ЭТРАН
Организация перевозок
Обеспечение коммерческого
технического осмотра вагонов
и
Сервисные
Организация технического
обслуживания
и
производство
плановых
видов ремонта подвижного
состава
Подготовка
(промывка,
пропарка и др.) вагоновцистерн под погрузку
Подача и уборка вагонов на
железнодорожные пути необщего
пользования к местам погрузки
Предоставление в аренду
тягового
подвижного
состава
Транспортно-экспедиционное
обслуживание
Нанесение знаков опасности,
номеров ООН на вагоны
Услуги
бригад
Обслуживание
при
маршрутизации
перевозок нефтепродуктов в порты УстьЛуги и Новороссийска
Установка
запорнопломбировочных устройств на
подвижной состав
Диспетчерский контроль за движением
грузов
Охрана
грузов
на
железнодорожных путях необщего
пользования
Администрирование интересов клиентов
при взаимодействии с ОАО «РЖД» и
другими
участниками
процесса
перевозки грузов, организация заявок и
расчетов
Оформление
документов
Предоставление под
подвижного состава
погрузку
ж/д
локомотивных
перевозочных
2 Анализ организации снабжения и состояния запасов в ООО
«Трансойл»
В транспортной компании ООО «Трансойл», организацией обеспечения
товарными запасами СУДД (съемно-установочными дорогостоящими
деталями) для ремонта подвижного состава занимается служба материальнотехнического обеспечения (МТО). Процесс организации снабжения
предполагает решение широкого круга задач, главными из которых являются:
1) анализ рыночной конъюнктуры стоимости деталей и запасных частей,
прогноз и оценка динамики цен в будущем периоде;
2) ведение переговоров с поставщиками для получения наиболее
выгодного коммерческого предложения на покупку и дальнейшего заключения
контракта;
3) осуществление процедуры закупок для нужд компании, в том числе с
использованием функционала электронных торговых площадок, ведении
документооборота;
4) контроль и обеспечение неснижаемого запаса СУДД для нужд
вагонного парка в местах возникновения ремонта;
5) работа в корпоративной информационной системе для своевременного
отражения операций, связанная с движением товарно-материальных ценностей
и т.д.
62
В ООО «Трансойл» основные товарные запасы СУДД включают
следующую номенклатуру:
вагонные колесные пары разного типа формирования (СОНК –
«старый обод, новое колесо»; НОНК – «новый обод, новое колесо»; требующие
заводского ремонта и т.д.);
новые литые детали вагонной тележки (надрессорные балки и
боковые рамы);
новые колеса цельнокатаные (диски);
новые чистовые вагонные оси;
эластомерные и фрикционные поглощающие аппараты разных
классов энергоемкости (составная часть автосцепного устройства).
Вышеуказанные запасы компании хранятся на территории частных
вагоноремонтных депо и на складах ОАО «РЖД». Структура запасов компании
в 2020-2022 гг. представлена в табл. 6.
Рис. 1. Структура запасов СУДД ООО «Трансойл» в 2020 г.
Рис. 2. Структура запасов СУДД ООО «Трансойл» в 2021 г.
63
Таблица 6 – Структура запасов СУДД ООО «Трансойл» за период 2020-2022 гг.
№
п/п
Вид запаса СУДД
1
2
Запасы на 31.12.2020 г.
ед.
руб. без НДС
Удельный
вес, %
Вагонная колесная пара СОНК
640
105 600 000,00
4,1
Вагонная колесная пара НОНК
376
79 712 000,00
2,4
3
Вагонная колесная пара, требующая ремонта
1452
43 560 000,00
9,2
4
Новая балка надрессорная
570
42 750 000,00
3,6
5
Новая рама боковая
1140
85 500 000,00
7,2
6
Новые колеса цельнокатаные
8 560
513 600 000,00
54,2
7
Новые чистовые вагонные оси
1050
65 100 000,00
6,7
8
Эластомерные поглощающие аппараты
434
11 067 000,00
2,7
9
Фрикционные поглощающие аппараты
ИТОГО
1560
15 782
67 860 000,00
Х
9,9
100,00
№
п/п
Вид запаса СУДД
ед.
руб. без НДС
Удельный
вес, %
3,7
Запасы на 31.12.2021 г.
1
Вагонная колесная пара СОНК
672
110 880 000,00
2
Вагонная колесная пара НОНК
398
84 376 000,00
2,2
3
Вагонная колесная пара, требующая ремонта
Новая балка надрессорная
37 050 000,00
45 750 000,00
6,7
4
1235
610
5
Новая рама боковая
1220
91 500 000,00
6,7
6
Новые колеса цельнокатаные
10 740
681 990 000,00
58,7
7
Новые чистовые вагонные оси
1435
84 665 000,00
7,8
8
3,3
Эластомерные поглощающие аппараты
520
13 000 000,00
2,8
9
Фрикционные поглощающие аппараты
ИТОГО
1478
72 422 000,00
8,1
18 308
Х
№
п/п
Вид запаса СУДД
Запасы на 31.12.2022 г.
ед.
руб. без НДС
Удельный
вес, %
1
Вагонная колесная пара СОНК
718
118 470 000,00
3,7
2
Вагонная колесная пара НОНК
437
92 644 000,00
2,2
3
Вагонная колесная пара, требующая ремонта
Новая балка надрессорная
34 470 000,00
39 075 000,00
5,9
4
1149
521
5
Новая рама боковая
1042
78 150 000,00
5,3
6
Новые колеса цельнокатаные
12 890
863 630 000,00
65,8
7
Новые чистовые вагонные оси
1190
65 450 000,00
6,1
8
Эластомерные поглощающие аппараты
410
10 455 000,00
2,1
Фрикционные поглощающие аппараты
ИТОГО
1237
73 230 400,00
6,3
19 594
Х
100,00
9
100,00
2,6
Из представленных данных табл. 5 и диаграмм 1-3 видно, что
наибольшую долю в запасах СУДД составляют новые колеса цельнокатаные с
ростом удельного веса в 2022 г. относительно 2020 г. на 11,6%. Данный факт
объясняется нестабильностью стоимости данного вида продукции на рынке на
протяжении последних трех лет, а также политикой компании по созданию
переходящего остатка дисков для бесперебойного ремонта и изготовления
вагонных колесных пар СОНК и НОНК. Также следует обратить внимание на
64
уменьшение доли в общей структуре запасов на 1.31.2022 г. по сравнению с
1.31.2020 г. остальных видов СУДД, в том числе по таким важным из них как
фрикционные поглощающие аппараты на 3,3%, колесные пары, требующие
ремонта 3,3%, новые рамы боковые 1,9%, новые чистовые вагонные оси 0,6%.
Рис. 3. Структура запасов СУДД ООО «Трансойл» в 2022 г.
Анализ структуры запасов будет неполным без динамики объема
поставок СУДД в места возникновения потребности (площадки ремонта
вагонов), представленной в таблице 7.
Таблица 7 – Объем поставок СУДД ООО «Трансойл» за период 2020-2022 гг.
Объем поставки деталей, ед.
Темп роста, %
Наименование
Годы
СУДД
2020
2021
2022
2022/2020 2022/2021
Вагонная колесная пара СОНК
7320
7615
7978
109
105
Вагонная колесная пара НОНК
6185
6749
6981
113
103
Вагонная колесная пара, требующая ремонта
5400
5842
6290
116
108
Новая балка надрессорная
4140
4629
4963
120
107
12492
12723
12997
104
102
Новая рама боковая
Новые колеса цельнокатаные
48000
96000
112000
233
117
Новые чистовые вагонные оси
7800
10308
12096
155
117
Эластомерные поглощающие аппараты
3000
5115
5434
181
106
Фрикционные поглощающие аппараты
7826
10227
11 348
145
111
Проведенный анализ по данным в таблице 7 динамики поставок деталей
за анализируемый период показал, что наибольший объем наблюдается по
такой позиции как новые колеса цельнокатаные с темпом роста +233%
относительно 2020 г. В целом наблюдается ежегодная тенденция к увеличению
числа поставок запасных частей ввиду увеличения объемов ремонта вагонов и
создания уровня неснижаемых запасов на складах вагоноремонтных депо [9].
3 Анализ системы управления и контроля запасов ООО «Трансойл»
Для оценки уровня запасов в местах хранения и осуществления операций
65
с СУДД, служба МТО использует в работе и применяет данные из
корпоративной системы SAP, которая является продуктом ERP (англ. Enterprise
Resource Planning System) – система планирования ресурсов предприятия. Это
интегрированная система на базе информационных технологий для управления
внутренними и внешними ресурсами компании. Она имеет различные модули,
одним из которых является логистический. Сотрудники в ежесуточном режиме
вносят данные по закупкам и реализации деталей, перемещения между
складами и т.д. В режиме реального времени возможно получать информацию
о фактическом местонахождении любой детали, ее статусе, выгружать отчеты
для проведения сверок и инвентаризаций товарно-материальных ценностей,
отражать и вносить соответствующие изменения в документы [4].
Для управления запасами в компании используется модель контроля за
состоянием запасов с фиксированным размером заказа. Ключевыми
параметрами системы являются показатели потребности в запасах, времени
поставки и возможной задержки поставки в целях недопустимости дефицита
запасов на складах. Модель управления подразумевает формирование и
определение потребности в закупке деталей и запасных частей на основании
ежемесячно предоставляемой программы ремонта вагонов, оценка наличия
СУДД на складах, согласование программы закупок и поиск поставщиков,
планирование плана-графика поставок и его исполнение, использование СУДД
в процессе съема-установки при ремонте вагонов, работа с неликвидными
деталями и т.д.
Основой подхода к управлению запасами в организации является
показатель оборачиваемости запасов. Чем он выше, тем более эффективно
используются оборотные средства. Норматива для данного коэффициента нет,
каждое предприятие устанавливает его самостоятельно, который определяется
как отношение себестоимости/выручки к среднегодовой стоимости запасов [5].
Показатели оборачиваемости запасов СУДД ООО «Трансойл» в 2020-2022 г.
представлены в табл. 8.
Таблица 8 – Анализ оборачиваемости запасов СУДД ООО «Трансойл» в 2020-2022 гг.
Наименование
показателей
Выручка (отчет о прибылях и
убытках), тыс. руб.
Себестоимость (отчет о прибылях и
убытках), тыс. руб.
Среднегодовая стоимость запасов,
тыс. руб.
Коэффициент оборачиваемости по
выручке, раз
Коэффициент оборачиваемости по
себестоимости, раз
Период оборота по выручке, дни
Период оборота по себестоимости,
дни
2020
Годы
2021
2022
Темп роста, %
2022/2020
2022/2021
85438198
93687122
99141466
116
106
70875361
78184496
81247631
115
104
442854
538641
571395
129
106
192,93
173,93
173,51
-
-
160,04
145,15
142,19
-
-
1,89
2,10
2,10
-
-
2,28
2,51
2,57
-
-
Из данных таблицы 8 видно, что показатели выручки, себестоимости и
среднегодовой стоимости запасов за период 2020-2022 гг. ежегодно росли.
Темп роста по стоимости запасов в 2022 г. по отношению к 2020 г. составил
66
129%, а по отношению к 2021 г. – 106%. В то же время за рассматриваемый
период оборачиваемость по выручке, себестоимости в разах уменьшилась, т.е.
замедлилась скорость оборота запасов, что подтверждается ростом оборота в
днях: по выручке на 0,22 дня, по себестоимости – на 0,29 дней. Это следует
рассматривать как отрицательную тенденцию на фоне сокращения
оборачиваемости запасов за весь анализируемый период и свидетельство того,
что компания накапливает на складах излишние запасы поставляемых деталей
определенных категорий, которые продолжительное время не принимаются в
работу (не устанавливаются под вагоны и т.д.) и отрицательно влияют на
прибыль компании. Такая ситуация говорит о необходимости оптимизации
объема заказа и совершенствования существующей системы управления
запасами.
Заключение
Проведенный анализ организации снабжения и состояния запасов в
транспортной компании ООО «Трансойл», позволил выявить следующие
проблемы:
недостаточность регламентированности системы принятия решений
при исполнении заказов на поставку СУДД из-за отсутствия объективной
оценки качества формирования заказа на СУДД, низкой скорости принятия
решений;
отсутствие утвержденных критериев в виде нормативов по
товарным запасам, позволяющих сделать оценку текущего состояния системы
для принятия управленческих решений;
высокий уровень длительно хранимых и неликвидных деталей в
общем объеме запасов;
отсутствие автоматизации операций по управлению запасами,
имеющих расчетную составляющую (определение потребности в запасах).
В ходе исследования было выявлен ряд частных проблем в управлении
запасами комплектующих:
потери времени в процессе согласования контрактных (договорных)
документов на закупку деталей внутри организации;
значительные сроки подтверждения наличия деталей на складе к
отгрузке от материально – ответственного лица;
несоответствие серийного учета номерных деталей в корпоративной
системе с фактическим классификатором;
недостаточный контроль складских остатков комплектующих,
срока хранения запаса на складе, образования неликвида вследствие отсутствия
концепции работы с различными категориями СУДД;
наличие ошибок при планировании потребности в деталях для нужд
организации, что приводит к дополнительным затратам и увеличению цикла
закупок;
проблемы с документооборотом, увеличивающие срок отражения
информации о состоянии запасов комплектующих в оперативном учете.
Комплексное решение обозначенных проблем возможно при изменении
текущей системы управления запасами на основе разработки нормативов
67
остатков запасов на складе, постоянном контроле их отклонений, утверждении
системы показателей состояния запасов (оборот по складу, затраты на
содержание, наполнение по категориям и пр.), внедрении разработанных
показателей в корпоративную информационную систему в целях повышения
оперативности принятия управленческих решений.
Представляется важным разработка методологической составляющей,
включающей в себя положение о механизме принятия решений при закупках
товарно-материальных ценностей, создание регламента, закрепляющего
процедуру подготовки к отгрузке СУДД, а также порядок взаимодействия с
материально – ответственными лицами на складе хранения запасов.
Решение перечисленных проблем на основе создания в информационной
системе компании инструментов автоматического формирования потребности в
запасных частях, технологии электронного формирования заказа на детали
обеспечит сокращение затрат на приобретение оборотных средств и повышения
эффективности деятельности компании.
Библиографический список
1.Официальный сайт Транспортной-логистической группы Трансойл [Электронный
ресурс].- Режим доступа http://transoil.com .- Загл. с экрана;
2.Годовая отчетность ТЛГ Трансойл за 2020-2022 год [Электронный ресурс].- Режим
доступа http://transoil.com/interactive/report2015/go_transoil.pdf.- Загл. с экрана;
3. INFOLineRailRussia TOP. Информационное агентство [Электронный ресурс].Режим доступа http://infoline.spb.ru/infoline-rail-russia-top/- Загл. с экрана;
4. Система SAP ERP: Общие сведения [Электронный ресурс].- Режим доступа
https://1s83.info/raznoe/chto-takoe-sap-erp.html- Загл. с экрана;
5.Оборачиваемость запасов (Inventory turnover) [Электронный ресурс]. - Режим
доступа https://www.audit-it.ru/finanaliz/terms/turnover/inventory_turnover.html- Загл. с экрана;
6.Операционные результаты за 2020-2022 год [Электронный ресурс]. – Режим
доступа: http://transoil.com/interactive/report2015/go_transoil.pdf – Загл. с экрана;
7. ПГК продает «Трансойлу» часть парка вагонов-цистерн [Электронный ресурс]. –
Режим доступа: http:// metaprom.ru/news/stainless/-Загл. с экрана;
8.Операторы грузовых вагонов 2022: первые итоги работы в новых условиях
[Электронный ресурс]. – Режим доступа: http:// rollingstockworld.ru/gruzovyevagony/operatory-gruzovyh-vagonov-2022-pervye-itogi-raboty-v-novyh-usloviyah//-Загл. с
экрана;
9. «Трансойл» увеличит вагонный парк [Электронный ресурс]. – Режим доступа:
https://www.gudok.ru/ content/transport/zd/881140/ – Загл. с экрана;
10. «Трансойл» купил вагоноремонтную компанию «Купино» [Электронный ресурс]. –
Режим доступа: https://rosinvest.com/novosti/919929 – Загл. с экрана.
Рецензент: проф., д-р техн. наук И.Б. Арефьев
68
©Д. В. Беляева1, Е. С. Юдникова2
СПб ГБУЗ «Городская больница № 40», Российская Федерация,
ФГБОУ ВО «Петербургский государственный университет путей
сообщения императора Александра I», Россия
1
2
ВЫБОР КОНЦЕПЦИИ КОНТРОЛЯ СОСТОЯНИЯ ЗАПАСОВ В
УЧРЕЖДЕНИЯХ ЗДРАВООХРАНЕНИЯ САНКТ-ПЕТЕРБУРГА
В УСЛОВИЯХ ЦИФРОВОЙ ЭКОНОМИКИ
Аннотация: С целью повышения качества учета запасов медикаментов и выбора
оптимальной системы управления ими в больничных комплексах Санкт-Петербурга
анализируется используемое на практике программное обеспечение. Выделены этапы
концептуального подхода контроля запасов медикаментов в лечебных учреждениях. На
основе статистических данных конкретной больницы приводится их апробация с
рекомендацией внедрения контроля состояния запасов по системе «минимум-максимум» как
способ повышения эффективности закупочной деятельности в больницах.
Ключевые слова: Товарные запасы, программное обеспечение, система «минимуммаксимум», медицинские изделия, лекарственные препараты.
Введение
Ускоренное развитие современной экономики невозможно без внедрения
цифровых технологий во всех сферах хозяйственно-финансовой деятельности
государственных учреждений. Закупочная деятельность как разновидность
организации снабжения относится к одной из наиболее динамично
развивающихся с позиции применения научных разработок практик,
важнейшей сфере деятельности госпредприятий. Уровень управления
государственными закупками в медицинской отрасли в нашей стране тесно
связан с развитием фармацевтического производства, научно – технического
прогресса в целом. Это объясняется тем, что любое государственное
медицинское учреждение не является самообеспечивающейся системой, оно
функционирует благодаря поступающим из внешней среды финансовым,
материальным, информационным ресурсам, которые при эффективном
использовании преобразуются на выходе в качественные медицинские услуги.
Расходы федерального бюджета России на реализацию программы
«Развитие здравоохранения» на период 2021-2023 годов запланированы в
размере 3,3 трлн. руб., в том числе бюджетные ассигнования в 2022 году
запланированы в объеме 1 123 959,2 млн. руб., в 2023 – 1 091 422,2 млн. руб. По
отношению к объему ВВП доля расходов на раздел «Здравоохранение»
составит в 2022 году – 0,9%, в 2023 году – 0,8%. После пандемии наблюдается
незначительное снижение расходов на здравоохранение [1].
Основополагающей операцией закупочной деятельности любого
медицинского учреждения следует считать планирование закупок. Не
оптимальность их планирования и выбора поставщика влечет за собой
значительные убытки, вызванные при излишних товарных запасах снижением
69
оборачиваемости, падением эффективности финансирования и нехваткой
складских помещений, а при недостаточности объемов закупки медицинской
продукции может тормозиться работа больничного учреждения, что идет в
противоречие с главной целью медицинского учреждения бесперебойного
обеспечения пациентов необходимой медицинской помощью [2].
Важнейшим резервом в решение проблемы оптимизации планирования
закупок является использование современных информационных технологий
для управления запасами. В соответствие со стратегией развития отрасли
информационных технологий в Российской Федерации на 2014 - 2020 годы и на
перспективу до 2025 года правительство РФ планирует в 2022-м выделить 210,7
млрд. руб. на реализацию национального проекта «Цифровая экономика», в
2023 и 2024 годах соответственно 190,53 млрд и 188,84 млрд. руб. [3]. В
результате реализации проекта "Медицинские платформенные решения
федерального уровня" будет обеспечено решение задачи, необходимой для
цифровой трансформации и предусматривающей создание и внедрение
специализированных
вертикально
интегрированных
медицинских
информационных систем по профилям медицинской помощи.
Цифровизация медицины представляет собой интеграцию передовых
информационных инструментов в процессы деятельности в области
здравоохранения как в частной, так и бюджетной организации. Правительством
РФ до 2024 года зафиксирована предложение по реализации следующих
проектов [4]:
- создание единого контура в цифровой среде;
- создание платформенных решений в медицине.
1.Анализ используемого программного обеспечения в больничных
комплексах Санкт - Петербурга
Типичным для больничных учреждений Санкт – Петербурга является
использование для всех видов учета запасов медикаментов программ «ПарусБюджет 8» и «1С: Предприятие».
Программное обеспечение (ПО) «Парус-Бюджет 8» предназначено для
учета всех операций финансово-хозяйственной деятельности предприятий в
области контроля и управления, планирования ресурсов предприятия, анализа
исполнения контрактов. Функциональные возможности в управлении
закупками в программе «Парус» заключаются в формировании и учете плана
закупок на основании потребностей, формирование плана-графика закупок,
согласовании планов закупки и передаче в единую информационную систему
[5].
Среди преимуществ программы «Парус» можно выделить следующие:
- централизация всех данных;
- контроль за целевым использованием средств;
- возможность расширять функциональные возможности;
- удаленный доступ к данным;
- формирование графического представления информации с помощью
различных инструментов.
70
В то же время данное ПО не лишено недостатков, в числе которых:
- необходимость постоянного обновления программы;
- высокая стоимость покупки программы и последующей модернизации;
- невозможность обновления пользователем, а только разработчиком;
- отсутствие редактора печати для документов.
Основным конкурентом программы «Парус» является программное
обеспечение «1С: Медицина. Больница», которое достаточно часто
используется в различных организациях. Преимущества данной программы
заключается в том, что есть возможность всех видов учета, отраслевая
универсальность программы, высокая производительность, обновление
системы пользователем на своем рабочем месте. Но следует отметить и ряд
недостатков, в числе которых необходимость обучения новых пользователей,
трудности при переносе информации из других баз данных.
В таблице 1 представлено сравнение стоимости внедрения программы
«Парус-Бюджет 8» и «1С: Медицина. Больница» [6,7].
Таблица 1 – Сравнение стоимости программного обеспечения
Стоимость, руб.
№
п/п
Наименование работ
Парус-Бюджет
1
2
Внедрение системы
Обновление системы
9 200 (на 1ПК)
18 400 (на 1ПК)
3
Стоимость одного базового модуля
или дополнительных модулей
22500*25 (всего модулей) = 562
500
Итого затрат:
590 100
1С: Медицина. Больница
86 400 (на сервер)
109 000 + 22 200 = 131 200
(дополнительные модули зарплата и бухгалтерия)
217 600
Из приведенных данных видно, что при внедрении и модернизации
программы «Парус-Бюджет» потребуется примерно на 50% больше
инвестиций. Исследования показали, что внедрение программы «1С: Медицина.
Больница» позволит обеспечить экономию денежных средств медицинского
учреждения, уменьшение трудоемкости работы сотрудников отдела закупок и
упрощение процесса закупочной деятельности. Внедрение программы «1С:
Медицина. Больница» будет способствовать повышению эффективности
электронного способа торгов.
2. Концептуальные основы контроля состояния запасов в лечебных
организациях
Эффективное планирование снабжения определяется оптимизацией
выбора момента (точки) закупки и объема закупки. Для оптимизации решений
по управлению товарными запасами в больницах необходимо понимание
значимости каждой позиции в лечебном процессе и необходимых объемов их
товарных запасов.
В связи с этим концептуально важно выделить следующие этапы
организации снабжения для обеспечения бесперебойности лечебного процесса:
71
1) проведение АВС -анализа денежных затрат на закупку медикаментов с
целью понимания доли затрат на закупку каждой позиции;
2) VEN-анализ закупаемых медикаментов для выявления их значимости
для лечебного процесса;
3) построение совмещенной матрицы АВС/ VEN-анализа для выявления
первоочередности закупки медикаментов;
4) расчет страхового, порогового и максимально желательного запаса
медицинских препаратов по системе управления товарными запасами
«минимум – максимум».
Апробацию предложенной концепции контроля состояния запасов в
лечебных организациях проведем с использованием данных больничного
комплекса 40 Санкт – Петербурга.
Закупаемая номенклатура в больничном учреждении №40 за октябрь 2021
и 2022 гг. представлена в таблице 2. Темп роста как отношение объемов
фактической закупки к объему закупки прошлого периода в процентах
характеризует уровень потребности за анализируемый период.
Таблица 2 – Номенклатура закупаемого ассортимента лекарственных препаратов в
больнице №40 Санкт – Петербурга в октябре 2021-2022 гг.
п/п
Сумма затрат, руб.
Наименование
Лекарственные препараты
Медицинские изделия
Реагенты для проведения
лабораторных исследований
Медицинское
оборудование (аппараты УЗИ,
дозаторы и т.д.)
2021
2022
16 829 217,
02
25 468 832,
65
19 742 638,
96
5 963 016,2
6
4 810 074,1
5
32 171 693,
94
100 432 629
,02
16 223 732,
95
Темп роста
2022 года к 2021
году, %
35,4
18,9
162,9
16,2
Из приведенных данных видно, что наиболее востребованы реагенты для
проведения лабораторных исследований - 162,9%, по остальным позициям
наблюдалось существенное снижение объемов закупки. Это было обусловлено
необходимостью при госпитализации пациентов проведения лабораторных
исследований по определению носителей вируса COVID-19.
Для апробации предложенной методики в расчетах использовались
данные по группе «Лекарственные препараты». Результаты последовательно
проведенных АВС- и VEN-анализа были объединены и приведены в таблице 3.
В соответствии с VEN анализом к группе V (Vital) относятся жизненно важные,
позиции Е (Essential) являются препаратами, необходимыми для лечения
серьезных заболеваний. Дефицит по позициям V Е недопустим [9].
Совмещенный ABC/VEN-анализ важен с точки зрения повышения
эффективности планирования затрат и оптимизации размера закупок. Исходя из
полученных данных можно сделать вывод, что наибольшее количество средств
расходуется на реагенты для проведения лабораторных исследований. В
72
группы A и B входят наименования препаратов, приносящих наибольшие
расходы, но они не все относятся к жизненно необходимым. По результатам
ABC/VEN – анализа видно, как расходуются средства на приобретение
необходимых и второстепенных позиций лекарственных средств.
Таблица 3 – Совмещенный АВС/ VEN-анализ лекарственных препаратов в «Городской
больнице № 40 города Санкт-Петербурга
№
п/п
1
1
2
3
4
5
4
5
7
9
Наименование
2
Смеси для энтерального питания
Онкологические
препараты
для
внутримышечного введения
Вакцины
для
профилактики
различных заболеваний
Паклитаксел
(противоопухолевый
препарат для в/в введения)
Пропофол (средство для анестезии)
Аминокислоты
Ампициллин и сульбактам
Наборы реагентов для проведения
лабораторных исследований
Витамины для беременных
Итого
Сумма затрат
(4
квартал
2022), руб.
3
15 650 000,00
%
от
общих
затрат
4
19,30
4 202 346,90
3 439 300,50
Группа
АВС
Группа
VEN
6
А
7
V
5,18
В
V
4,24
В
V
974 040,50
1,20
С
V
323 490,00
295 990,20
314 193,60
0,40
0,37
0,39
С
С
С
V
E
E
55 320 825,64
68,24
А
N
549 794,20
81 069 981,54
0,68
100,00
С
-
N
-
Повышения контроля запасов медикаментами наиболее эффективно
реализуется в смешанной системе контроля состояния товарных запасов
«минимум-максимум». Система «минимум-максимум» ориентирована на
ситуацию, когда затраты на учет запасов и издержки на оформление нового
заказа настолько значительны, что становятся соизмеримы с потерями от
дефицита запасов.
В рассматриваемой системе заказы производятся не через каждый
заданный интервал времени, а только при условии, что запасы на складе в
момент проверки оказались равными или меньше установленного
минимального уровня. В случае выдачи товаров размер запаса рассчитывается
так, чтобы объем поставки позволит пополнить запасы до максимального
желательного уровня [8].
Постоянно рассчитываемым параметром по системе «минимуммаксимум» является точка заказа. Вычисление размера запаса основывается на
прогнозируемом уровне потребления до момента поступления заказов на склад
медицинского учреждения.
В таблице 4 приведены параметры системы «минимум-максимум» для
жизненно важных лекарственных препаратов, входящих в группу V.
Исходными данными для расчета параметров системы «минимум-максимум»
рассматривались:
- потребность в товарах за период;
- интервал времени между заказами;
- время осуществления поставки;
73
- максимально возможная отсрочка времени поставки.
Переменными параметрами для этой системы являются минимальный и
максимальный уровни запаса, размер заказа.
Число рабочих дней отдела закупки в месяц – 22 дней, время поставки – 3
дня, задержка в поставке – 2 дня.
Таблица 4– Расчет параметров системы управления товарными запасами «минимуммаксимум» для лекарственных препаратов группы V для закупок в Городской больнице
№ 40 Санкт-Петербурга (ед.)
Показатель
Потребность,
кол-во/месяц
Интервал
времени между
заказами, дни
Время
поставки, дни
Возможная
задержка
в
поставках, дни
Ожидаемое
дневное
потребление,
кол-во/день
Ожидаемое
потребление за
время
поставки, колво
Максимальное
потребление за
время
поставки,
количество
Гарантийный
запас
Пороговый
уровень запаса
Максимальный
желательный
запас
Порядок расчета максимально желательного запаса Препараты группы V
Смеси для
Онкологические
Пропофол
Паклитаксел
препараты для
энтерального
Вакцины
внутримышечного
питания
введения
528
1762
5742
250
173
5
5
5
5
5
3
3
3
3
3
2
2
2
2
2
528/22=24
1762/22=80
5742/22=261
250/22=12
173/22=8
24∙2=48
80∙2=160
261∙2=522
12∙2=24
8∙2=16
(3+2) ∙24=120
(3+2) ∙80=400
(3+2) ∙261=1305
(3+2) ∙12=60
(3+2) ∙8=40
120–48=72
400–80=320
1305–522=783
60–12=48
40–8=32
72+48=120
320+160=480
783+522=1305
48+24=72
32+16=48
48+5∙12=108
32+5∙8=72
72+5∙24=192
783+5∙261=2088
320+5∙80=720
Сравнение фактических и рассчитанных гарантийных, пороговых и
максимально желательных запасов для лекарственных препаратов группы V в
табл. 5.
Из данных таблицы 5 видно, что фактические запасы значительно выше
рекомендованных по расчету в 1,5-2 раза, что говорит о перестраховке в
закупке жизненно важных препаратов, что в условиях нестабильности поставок
можно считать оправданной закупочной политикой по группе V. В условиях
стабилизации экономики расчет запасов лекарственных препаратов по системе
74
«минимум-максимум» в лечебных организациях позволит оптимизировать
финансовые затраты с учетом значимости медпрепаратов. Расчетная модель по
системе «минимум-максимум» позволяет контролировать уровень запасов,
своевременно проводить анализ остатков товаров, определять точку заказа при
уровне запасов меньше или равен пороговому.
Таблица 5 - Сравнение фактического и расчетного запасов по препаратам группы V в
«Городской больницы № 40» Санкт-Петербурга (ед.)
Препараты
Вакцины
Смеси для э/питания
Онкологические
препараты
Пропофол
Паклитаксел
Факт.
1827
168
Расчет
783
72
Факт.
2088
192
Расчет
1305
120
Максимально
желательный
Факт.
Расчет
5742
2088
528
192
560
320
640
480
1762
720
84
56
48
32
96
64
72
48
250
173
108
72
Гарантийный
Пороговый
Заключение.
Повышение эффективности снабжения играет важную роль в работе
любой организации, в том числе в здравоохранении. Важнейшим условием
результативной работы медицинских организаций является организация такой
системы закупки, которая обеспечивает поступление в необходимом объеме
медицинско-технических ресурсов и оборудования. Следовательно, выбор
оптимальной системы управления товарными запасами имеет первостепенное
значение в деятельности любого учреждения здравоохранения.
Внедрение современного информационного обеспечения позволит
оптимизировать основные процессы в области закупки, своевременно получать
актуальную информацию и обрабатывать ее значительные объемы, применять
искусственный интеллект для принятия оптимальных решений относительно
управления товарными запасами. Использование программных продуктов
последнего поколения обеспечит снижение затрат, выбор наиболее
оптимальных решений в расчете товарных запасов [9].
Предложенный концептуальный подход контроля товарных запасов
медпрепаратов имеет важное значение для совершенствования закупочной
деятельности в лечебных учреждениях. Проведенное исследование показало,
что проведение совмещенного АВС/VEN–анализа, внедрение системы
управления товарными запасами на основе системы «минимум-максимум» с
использованием ПО «1С: Медицина. Больница» обеспечит своевременность
снабжения медпрепаратами, что позволит повысить качество лечебных услуг в
медицинских учреждениях.
Библиографический список
1. Госпрограмма
«Развитие
здравоохранения».
Журнал
ТАСС.
[Электронный ресурс]. Режим доступа: https://tass.ru/ekonomika/9484327
75
-
2. Новая информационная система сферы закупок как инструмент реализации
социально-экономической политики государства. Старовойтов В.Г., Оборин М.С. //
Сетевой научный журнал. Сервис в России и за рубежом. 2021
3. «Стратегия развития отрасли информационных технологий в Российской
Федерации на 2014 - 2020 годы и на перспективу до 2025 года» от 1 ноября 2013 г.
№
2036-р.
–
[Электронный ресурс]. Режим доступа:
https://digital.gov.ru/ru/documents/4084/– Загл. с экрана
4. Альпаков Н.Г. Цифровизация медицины 2022: тренды и практическое применение//
Автоматизация
медицинского
центра
—
2022.
[Электронный ресурс]. Режим доступа: https://www.1cbit.ru/ (дата обращения
25.04.2022).
5. «Парус-Бюджет 8» – Электрон. дан. – СПб. Режим доступа: https://parussupport.admmegion.ru/upload/medialibrary/a1d/RUK_Bukhgalterskiy_uchet.pdf– Загл. с
экрана
6. ГБУЗ «Городская больница № 40»- [Электронный ресурс]. Режим доступа:
https://www.gb40.ru/. – Загл. с экрана.
7. ООО «Корпорация Парус» - [Электронный ресурс]. Режим доступа:
https://parus.com/. – Заглав. с экрана.
8. Высокие технологиии. 1С Франчайзинг– [Электронный ресурс]. Режим доступа:
https://1cv.tech/catalog/programmy-1c/. – Загл. с экрана
9. Использование АВС, VEN и частотного анализа при организации лекарственного
обеспечения
населения
и
учреждений
здравоохранения.
[Электронный ресурс]. Режим доступа:
https://управлениездравоохранением.рф/publ/lekarstvennoe_obespechenie/ispolzovanie_abc_ven_i_chasto
tnogo_analiza_pri_organizacii_lekarstvennogo_obespechenija_naselenija_i_uchrezhdenij
_zdravookhranenija/21-1-0-117
10. Официальный сайт Единой информационной системы в сфере закупок [Электронный ресурс]. Режим доступа: https://zakupki.gov.ru
11. Экспертный
журнал
в
сфере
закупок
«ПРОГОСЗАКАЗ.РФ»[Электронный ресурс]. Режим доступа: https://www.pro-goszakaz.ru/
12. Электронный документооборот в закупках. Электронный журнал Контур. [Электронный ресурс]. Режим доступа:
https://zakupki-kontur.ru/news/elektronnyjdokumentooborot-v-zakupkax/ – 2021.
13. Государственные и муниципальные закупки – 2022. Сборник докладов XVII
Всероссийской практической конференции-семинара. – М.: АО «Т 8 Издательские
Технологии», 2022
Рецензент: проф., д-р техн. наук И.Б. Арефьев
76
Л.А. Ведров1, В.А. Навацкая2, С.К. Нейрус2
1
Частное общеобразовательное учреждение «Школа «Шамир», Россия
2
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
СИСТЕМНЫЙ АНАЛИЗ И ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ:
ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННЫХ И ЛОГИСТИЧЕСКИХ
ПРОЦЕССОВ НА ПРОМЫШЛЕННОМ ПРЕДПРИЯТИИ
Аннотация. В статье рассматривается влияние и важность системного анализа,
который является важным инструментом в контексте имитационного моделирования на
промышленных предприятиях. Системный анализ позволяет анализировать сложные
системы и процессы в целом, а не только их компоненты. В процессе системного анализа,
исследователи проводят анализ системы, определяют ее ключевые компоненты и отношения
между ними, а также анализируют влияние внешних факторов на работу системы. В статье
приводится информация и примеры, каким образом данная тематика может быть
использована для улучшения производительности и экономической эффективности
предприятий.
Ключевые слова: система, исследование, моделирование, системный анализ, факторы.
Введение
Системный анализ – это методология исследования и проектирования
систем. Он основывается на анализе и моделировании взаимодействия между
компонентами системы с целью улучшения ее функционирования и повышения
эффективности [1,2].
Не секрет, что системный анализ может помочь в понимании
экономических систем. Например, можно изучать взаимодействия между
производством, потреблением и ценами на товары. Модели могут быть
использованы для прогнозирования изменений в экономической системе и
определения оптимальных стратегий для бизнеса.
В менеджменте системный анализ может быть применен для управления
бизнесом [3,4]. Менеджеры могут использовать системный анализ, чтобы
изучать взаимодействия между различными аспектами бизнеса, такими как
производство, финансы, маркетинг и т.д. Это помогает им принимать более
осознанные решения и оптимизировать бизнес-процессы. Не стоит забывать,
что системный анализ возможно применить даже для изучения климатических
систем, а также прогнозирования изменений в климате [5,6].
Существует ряд принципов, которые обеспечивают эффективность и
точность исследований, например системный подход, который представляет
систему как единство, что позволяет рассматривать ее разнообразие элементов
без пренебрежения основными свойствами системы. Следящий принцип – это
анализ возможных изменений. Системный аналитик должен уметь оценивать
предполагаемые изменения и их последствия в системе, которую он
анализирует [7,8]. Стоит отметить ещё один принцип - синтез. Аналитик
77
должен уметь синтезировать различные составляющие системы для создания
новых, эффективных методов и решений.
Обзор применения
Если более подробно рассматривать данную тему применимо
относительно промышленных предприятий, то можно отметить, что он будет
довольно полезен для оптимизации производственных процессов и улучшения
эффективности бизнеса [9,10]. При этом используются методы системного
анализа, такие как моделирование, оптимизация и анализ данных.
Одним из примеров применения системного анализа на промышленном
предприятии является анализ производственных процессов и оптимизация их
работы [11,12]. Данный подход может помочь определить оптимальные
стратегии для улучшения производительности предприятия и уменьшения
затрат [13,14]. Для этого используются модели, которые отображают
взаимодействия между различными компонентами производственных
процессов, такими как материалы, оборудование, персонал и т.д.
Отметим, что на промышленных предприятиях это может быть
необходимо для определения тенденций и различных паттернов в работе
предприятия. В этом случае могут быть применены методы статистического
анализа, машинного обучения и анализа данных [15,16]. Анализ данных
позволяет выявить проблемы в работе предприятия и определить оптимальные
стратегии для их решения.
Таким образом, системный анализ играет важную роль в оптимизации
производственных процессов [17,18] и улучшении эффективности бизнеса на
промышленных предприятиях. Применение системного анализа позволяет
увеличить производительность, уменьшить затраты и повысить качество
продукции.
Имитационное моделирование
В рассмотрении практических примеров использования имитационного
моделирования
на
промышленном
предприятии
можно
отметить
моделирование производственного процесса в целях оптимизации его работы
[19,20]. Для этого используются имитационные модели, которые отображают
производственный процесс и его компоненты, такие как оборудование,
материалы, персонал и т.д [21,22].
Моделирование – это процесс создания абстрактной модели системы. Эта
модель может быть использована для прогнозирования и оптимизации
функционирования системы. Существуют различные типы моделей [23,24],
которые могут быть использованы при системном анализе. Например,
математические модели, которые используются для обработки данных и
получения числовых решений. Другой тип модели – это графические модели,
которые используются для визуализации диаграмм и таблиц с помощью
графических элементов, таких как блоки, стрелки и т. д [25,26]. Моделирование
помогает информировать аналитиков об изменениях в системе, что позволяет
им принимать эффективные решения [27,28].
78
Например, предположим, что на производственном предприятии
производится продукция, которая требует обработки на нескольких станках.
Имитационная модель может отображать взаимодействия между станками [29,
30], материалами и персоналом, а также определить, как изменения в работе
одного станка могут повлиять на работу других станков и на
производительность предприятия в целом [31,32].
С помощью имитационного моделирования можно провести
эксперименты с различными стратегиями работы станков и определить
оптимальную последовательность их использования. Например, можно
определить, как изменения в настройках станков, скорости их работы или
распределении материалов между ними могут повлиять на производительность
предприятия [33,34].
Другой пример использования имитационного моделирования на
промышленном предприятии — это моделирование логистических процессов,
связанных с доставкой и хранением материалов и готовой продукции.
Имитационная модель может отображать взаимодействия между складами,
транспортными средствами и поставщиками, а также определить, как
изменения в работе одного склада или транспортной системы могут повлиять
на работу других компонентов логистической цепочки.
Таким образом, имитационное моделирование может быть полезным
инструментом для оптимизации производственных и логистических процессов
на промышленных предприятиях [35]. Оно позволяет проводить эксперименты
с различными стратегиями работы производственной или логистической
системы и определить оптимальные решения для улучшения эффективности
работы предприятия.
Моделирование – это процесс создания абстрактной модели системы. Эта
модель может быть использована для прогнозирования и оптимизации
функционирования системы. Существуют различные типы моделей, которые
могут быть использованы при системном анализе. Например, математические
модели, которые используются для обработки данных и получения числовых
решений.
Другой тип модели – это графические модели, которые используются для
визуализации диаграмм и таблиц с помощью графических элементов, таких как
блоки, стрелки и т.д.
Моделирование помогает информировать аналитиков об изменениях в
системе, что позволяет им принимать эффективные решения.
Оптимизация системы
Оптимизация – процесс нахождения оптимальных решений для сложных
проблем. В системном анализе оптимизация может быть реализована путем
выбора наиболее эффективных решений на основании модели системы.
Оптимизация может включать в себя изменения внутри системы, такие
как изменение компонентов системы, оптимизация процессов или изменение
управления системой.
79
Оптимизация также может включать в себя изменения внешних факторов,
которые могут влиять на систему, такие как изменения рыночных условий или
развитие технологий. Системный анализ может быть применен в бизнесе для
определения проблем, возникающих в предприятиях, и для оптимизации
процессов. Примеры использования системного анализа в бизнесе могут
включать в себя моделирование клиентской базы для выявления групп
клиентов, которые потребуют экономически выгодных услуг. Системный
подход может также помочь в управлении запасами, прогнозировании продаж и
определении оптимальных цен на продукцию.
Заключение
Системный анализ – это методология, которая может помочь улучшить
функционирование сложных систем и повысить эффективность бизнеса.
Без сомнений, эффективность системного анализа связана с применением
передовых технологий, а также обучением соответствующих кадровых
ресурсов. Тем не менее, принципы системного анализа, моделирование и
оптимизации системы, а также их применение в бизнесе – это основа, на
которой может быть построен долгосрочный успех.
Библиографический список
1.
Корельская А. С., Афанасьева О. В. Исследование деятельности
производственно-коммерческой компании с использованием методов имитационного
моделирования // Russian Journal of Logistics & Transport Management. – 2021. – Т. 6. – №. S. –
С. 53-57.
2.
Кочегурова Е. А., Репина Е. Ю., Цехан О. Б. Гибридный подход для
краткосрочного прогнозирования временных рядов на основе штрафного P-сплайна и
эволюционной оптимизации //Компьютерная оптика. – 2020. – Т. 44. – №. 5. – С. 821-829.
https://doi.org/10.18287/2412-6179-CO-667
3.
Пережогина А. В., Афанасьева О. В. Применение множественного
регрессионного анализа в MS Excel и Rstudio для определения прогноза дохода //Russian
Journal of Logistics & Transport Management. – 2021. – Т. 6. – №. S. – С. 75-80.
4.
Самыгин Д. Ю., Барышников Н. Г., Мизюркина Л. А. Модели сценарного
прогнозирования развития сельского хозяйства региона // Экономика региона. – 2019. – Т.
15. – №. 3. – С. 865-879. https://doi.org/10.17059/2019-3-18
5.
Martirosyan A. V., Ilyushin Y. V. Modeling of the Natural Objects’ Temperature
Field Distribution Using a Supercomputer // Informatics. – MDPI, 2022. – Т. 9. – №. 3. – С. 62.
https://doi.org/10.3390/informatics9030062
6.
Ilyushin A. N., Kovalev D. A., Afanasev P. M. Development of information
measuring complex of distributed pulse control system // 2019 International Multi-Conference on
Industrial Engineering and Modern Technologies (FarEastCon). – IEEE, 2019. – С. 1-5.
https://doi.org/10.1109/FarEastCon.2019.8934173
7.
Кропотов Ю. А., Проскуряков А. Ю., Белов А. А. Метод прогнозирования
изменений параметров временных рядов в цифровых информационно-управляющих
системах //Компьютерная оптика. – 2018. – Т. 42. – №. 6. – С. 1093-1100.
https://doi.org/10.18287/2412-6179-2018-42-6-1093-1100
8.
Blinova E., Ponomarenko T., Knysh V. Analyzing the Concept of Corporate
Sustainability in the Context of Sustainable Business Development in the Mining Sector with
Elements of Circular Economy // Sustainability. – 2022. – Т. 14. – №. 13. – С. 8163.
https://doi.org/10.3390/su14138163
80
9.
Ендовицкий Д. А., Коменденко С. Н. Систематизация методов анализа и
оценка инвестиционного риска // Инвестиции в России. – 2001. – №. 3. – С. 39-46.
10.
Разманова С. В., Андрухова О. В. Нефтесервисные компании в рамках
цифровизации экономики: оценка перспектив инновационного развития // Записки горного
института. – 2020. – Т. 244. – С. 482-492. https://doi.org/10.31897/PMI.2020.4.11
11.
Глущенко К. П. Проблемы оценки крупномасштабных проектов // Вестник
НГУЭУ. – 2019. – №. 4. – С. 26-40. https://doi.org/10.34020/2073-6495-2019-4-026-040
12.
Юрак В. В., Душин А. В., Мочалова Л. А. Против устойчивого развития:
сценарии будущего // Записки Горного института. – 2020. – Т. 242. – С. 242-247.
https://doi.org/10.31897/PMI.2020.2.242
13.
Малков С. Ю., Давыдова О. И. Модернизация как глобальный процесс: опыт
математического моделирования //Компьютерные исследования и моделирование. – 2021. –
Т. 13. – №. 4. – С. 859-873. https://doi.org/10.20537/2076-7633-2021-13-4-859-873
14.
Филимонова И. В. и др. Вопросы моделирования финансовой устойчивости
угледобывающих компаний в условиях неопределенности внешней среды // Уголь. – 2022. –
№. 5 (1154). – С. 18-25. http://dx.doi.org/10.18796/0041-5790-2022-5-18-25
15.
Лимитовский М. А., Минасян И. Г. Анализ рисков инвестиционного проекта
//Управление финансовыми рисками. – 2011. – №. 2. – С. 132-150.
16.
Зайцева Е. В. Вопросы стратегического управления предприятиями цементной
промышленности // Горный информационно-аналитический бюллетень (научно-технический
журнал). – 2019. – №. 2. – С. 214-220. https://doi.org/10.25018/0236-1493-2019-02-0-214-220
17.
Медведев А. В., Прокопенко Е. В., Кисляков И. М. Система поддержки
принятия решений в оценке экономической эффективности угледобывающей отрасли с
учетом экологических ограничений // Уголь. – 2021. – №. 12 (1149). – С. 28-33.
http://dx.doi.org/10.18796/0041-5790-2021-12-28-33
18.
Киселева И. А., Искаджян С. О. Инвестиционные риски и их моделирование //
ИТпортал. – 2017. – №. 1 (13). – С. 54-60.
19.
Любомудров С. А. и др. Повышение эффективности технологической
подготовки единичного и мелкосерийного производства на основе имитационного
моделирования // Записки Горного института. – 2019. – Т. 240. – С. 669-677.
http://dx.doi.org/10.31897/РМ1.2019.6.669
20.
Сюзев В. В., Смирнова Е. В., Пролетарский А. В. Алгоритмы многомерного
имитационного моделирования случайных процессов // Компьютерная оптика. – 2021. – Т.
45. – №. 4. – С. 627-637. http://dx.doi.org/10.18287/2412-6179-CO-770
21.
Лавренова Г. А., Лавренова Е. В. Анализ методов оценки рисков
инвестиционной деятельности предприятия //Экономинфо. – 2018. – №. 1. – С. 71-76.
22.
Ведмедь И. Ю. Анализ количественных методов оценки рисков
инвестиционных проектов // Российские регионы в фокусе перемен.—Ч. 1.—Екатеринбург,
2016. – 2016. – Т. 1. – №. 11. – С. 52-61.
23.
Захарян А. В., Лукянченко Е. В. Виды инвестиционных рисков, их
минимизация и ее влияние на получаемый инвестиционный доход // Эпомен. – 2018. – №. 15.
– С. 92.
24.
Vladimirovna E. O. Development of a financial analysis tool: risk assessment in the
process of studying the investment projects efficiency //Хуманитарни Балкански изследвания. –
2019. – Т. 3. – №. 4 (6). – С. 57-61. https://doi.org/10.34671/SCH.HBR.2019.0304.0014
25.
Беляков И. В. О количественной оценке рисков инфраструктурных проектов с
государственным участием //Вопросы государственного и муниципального управления. –
2022. – №. 4. – С. 30-60. https://doi.org/10.17323/1999-5431-2022-0-4-30-60
26.
Мозговая О. О. Проблема прогнозирования развития распределительного
электросетевого комплекса Российской Федерации //Экономическая политика. – 2017. – Т.
12. – №. 3. – С. 210-221. https://doi.org/10.18288/1994-5124-2017-3-08
81
27.
Novikova T. S., Baranov A. O., Korolkova M. V. Experience in evaluating the
project on research infrastructure of the center for collective use for the production of catalysts. –
2020. https://doi.org/10.17516/1997-1370-0589
28.
Аксянова А. В. К вопросу о проблемах разработки прогнозов социальноэкономического развития региона //Проблемы экономики и менеджмента. – 2011. – №. 1 (1).
– С. 45-47.
29.
Крюков В. А. и др. Проблемы развития единого комплекса средств
макроэкономического межрегионального межотраслевого анализа и прогнозирования
//Экономика региона. – 2020. – Т. 16. – №. 4. – С. 1072-1086.
https://doi.org/10.17059/ekon.reg.2020-4-5
30.
Узяков М. Н., Сапова Н. Н., Херсонский А. А. Инструментарий
макроструктурного регионального прогнозирования: методические подходы и результаты
расчетов // Проблемы прогнозирования. – 2010. – №. 2. – С. 3-20.
31.
Бондаренко И. С. Разработка планов-прогнозов на основе техникоэкономических показателей горнодобывающих предприятий // Горный информационноаналитический бюллетень (научно-технический журнал). – 2022. – №. 3. – С. 97-107.
https://doi.org/10.25018/0236_1493_2022_3_0_97
32.
Кетова К. В., Русяк И. Г., Вавилова Д. Д. Математическое моделирование и
нейросетевое прогнозирование структуры и динамики человеческого капитала Российской
Федерации
//Вестник
Томского
государственного
университета.
Управление,
вычислительная техника и информатика. – 2020. – №. 53. – С. 13-24.
https://doi.org/10.17223/19988605/53/2
33.
Khakhanaev U. S. E. The Study into Factors Reducing Investment Project Financing
Risks //Дайджест-финансы. – 2019. – Т. 24. – №. 4 (252). – С. 395-402.
https://doi.org/10.24891/df.24.4.395
34.
Ютяев А. Е. и др. Оценка проектных решений технологических систем
угольных шахт с учетом риска // Уголь. – 2019. – №. 7 (1120). – С. 5257.http://dx.doi.org/10.18796/0041-5790-2019-7-52-57
35.
Цыбатов В.А. и др. Стратегическое планирование энергоэффективного
развития субъекта Российской Федерации // Экономика региона. – 2018. – Т. 14. – №. 3. – С.
941-954. https://doi.org/10.17059/2018-3-18
Рецензент: д-р техн. наук, проф. В.Е. Трушников
82
М. П. Григорьева
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ЭКСПЛУАТАЦИЯ ОГНЕСТОЙКИХ МАСЕЛ ДЛЯ ПОВЫШЕНИЯ
ПОЖАРНОЙ БЕЗОПАСНОСТИ НА ТЕПЛОВЫХ ЭЛЕКТРОСТАНЦИЯХ
Аннотация. Электроэнергетика является значимой отраслью российской
экономики. В связи с тем, что большая часть электроэнергии производится на
тепловых электростанциях, обеспечение пожарной безопасности на них
является очень важной задачей. В статье изучена статистика аварий на объектах
отрасли и рассмотрена одна из мер по увеличению пожарной безопасности –
применение огнестойких жидкостей.
Ключевые слова: тепловые электростанции, аварийные ситуации,
пожарная безопасность, огнестойкие жидкости, старение масла.
Введение. Жизнь людей в настоящее время невообразима без
использования электричества. Электроэнергетика является отраслью
российской экономики, занимающейся производством электроэнергии с целью
обеспечения потребностей народного хозяйства и населения. Её устойчивое
функционирование значительно влияет на рост экономики государства.
Обеспечение пожарной безопасности объектов электроэнергетики представляет
собой важную задачу национальной безопасности. Одной из мер по
минимизации ущербов, вызванных проявлением дестабилизирующих
воздействий, таких как возгорания и пожары, является применение на тепловых
электростанциях (ТЭС) в системах автоматического регулирования (САР) и
смазки паровых турбин огнестойких жидкостей вместо пожароопасных
горючих нефтяных турбинных масел.
Тепловая энергетика России. Тепловая энергетика является ведущей
отраслью российской энергетики. По данным Росстата, количество
произведённой в России электроэнергии в 2022 году составило
1167 млрд кВт∙ч, причём 63 % выработано тепловыми электростанциями [1].
Одной из причин лидирующего положения тепловых электростанций
является то, что наша страна богата различными энергоресурсами, в том числе
природным газом и углём. Данные виды топлива используются на ТЭС.
В связи с научно-техническим прогрессом в области робототехники и
автоматизации производственных процессов у человечества возникает
потребность в постоянном увеличении используемой электроэнергии.
Поскольку большая доля в производстве электроэнергии принадлежит газу,
непрерывный рост энергопотребления ведёт к неспособности газовой
энергетики обеспечивать в полном объёме потребности страны в
электроэнергии [2]. Обеспечение энергетической безопасности государства
возможно при использовании различных видов топлива и энергии.
83
Рис. 1. Диаграмма процентного соотношения электроэнергии, выработанной тепловыми
электростанциями, от общего объёма производства электроэнергии в России
Согласно данным Минэнерго за последние несколько лет, доля
природного газа, сжигаемого на ТЭС, составляет более 70 %, доля угля –
примерно 25 % [3]. Существенная разница объясняется тем, что использование
угля сдерживается такими обстоятельствами, как загрязнение окружающей
среды продуктами сгорания и отсутствие промышленно освоенных технологий
глубокой комплексной его переработки.
Тепловые электрические станции, работающие на угольном топливе,
являются
источниками
массированных
атмосферных
выбросов
и
крупнотоннажных твердых отходов (золошлаковых материалов) [4]. В
настоящее время ведётся разработка схем переработки углеродсодержащего
техногенного сырья.
Другой причиной преобладания выработки электрической энергии на
ТЭС служит то, что кроме электроэнергии, тепловая энергетика обеспечивает
потребителей горячей водой и теплом, что очень важно. Наша страна является
одной из северных. Следствием этого факта являются суровые климатические
условия. В связи с большой протяжённостью России с севера на юг она
характеризуется расположением в четырёх климатических поясах. Во всех, т.е.
от арктического до субтропического, есть чёткое разделение на холодные и
тёплые сезоны, поэтому теплоснабжение требуется на всей российской
территории.
Наша страна отличается многообразием температурных режимов. В
отличие от Западной Европы, в России сложилась система централизованного
теплоснабжения. Главным преимуществом является её надёжность. Наиболее
ярко это достоинство проявляется при характерной для современных
развивающихся российских мегаполисов концентрации тепловых нагрузок [5].
84
Причины возникновения аварийных ситуаций на ТЭС. Создание
условий надёжного энергообеспечения и обеспечение устойчивости топливноэнергетического комплекса к внешним и внутренним угрозам природного и
техногенного
характера
являются
наиболее
значимыми
задачами
энергетической политики государства.
Оборудование теплоэнергетических объектов, содержащее горючие масла
и изоляцию электропроводов, представляет значительную пожарную опасность
на тепловых электростанциях. Крупные аварии и пожары на энергетических
объектах влекут за собой огромный материальный ущерб, травмоопасные
последствия для персонала, а также нарушение обеспечения населения
электричеством и теплом. В последние годы число пожаров увеличивается [6].
Большая часть крупных аварий, а именно 90 % от их общего числа, происходит
вследствие отказов систем теплоэнергетического оборудования. Случаи
пожаров, вызванных деформациями строительных конструкций, составляют
всего 10 %. Если рассматривать очаги возгорания, то можно сказать, что
наиболее пожароопасным является машинный зал. Число происходящих там
аварий составляет 72 %. Следующим по опасности считается котельный цех. За
счёт хранения в нём больших объёмов взрывоопасного топлива число пожаров,
возникающих в этих цехах, также является значительным – 23 %. Наименьшим
количеством происшествий характеризуются кабельные конструкции. На их
долю приходится около 5 % [7].
Основной причиной возгораний в машинных залах ТЭС служат поломки
систем, содержащих масло, т.е. устройств смазки и систем автоматического
регулирования паровых турбин блоков парогазовых установок (ПГУ). В данных
системах используется нефтяное турбинное масло. Температура его
воспламенения составляет 180 °C. В зависимости от мощности энергоблоков
объём маслосистем варьируется от 45 до 60 м3. Давление, под которым
находится масло, очень высокое: в САР турбоагрегатов составляет 4 МПа, что
примерно в 10 раз выше, чем в системах смазки [8]. В связи с близким
расположение маслосистем к источникам искрообразования и действием на них
высоких температур поверхностей турбин пожар может возникнуть из-за
любого их повреждения.
Применение огнестойких жидкостей для обеспечения пожарной
безопасности. В мировой энергетике зафиксированы аварийные ситуации,
возникшие из-за возгорания нефтяных турбинных масел, температура
самовоспламенения которых варьируется от 350 до 450 °C. Пожары влекли за
собой загрязнение атмосферы и значительное радиационное влияние на людей.
По этой причине в середине XX века весьма актуальной задачей являлось
создание таких жидкостей и смазочных масел, у которых температура
самовоспламенения была бы выше 600 – 650 °C [9].
К началу 1970-х годов сотрудники Всесоюзного теплотехнического
института им. Ф.Э. Дзержинского (ВТИ) разработали масло, физикохимические показатели которого почти не отличались от показателей
минеральных турбинных масел, однако температура его самовоспламенения
85
была в 2 раза выше, а температура вспышки составляла 240 °C вместо 180 °C у
минерального масла [9]. Данная жидкость получила наименование ОМТИ, т.е.
огнестойкое масло теплотехнического института.
Огнестойкие жидкости, создававшиеся на основе сложных эфиров
фосфорной кислоты, эксплуатировались не только в СССР, но и в других
странах мира [10]. К сожалению, производство этой продукции в России было
прекращено. В настоящее время на российских электростанциях применяются
зарубежные огнестойкие масла. По причине того, что качество зарубежных
материалов ухудшается, проблема отсутствия в России производства
огнестойких жидкостей стоит довольно остро.
Опыт применения огнестойких масел показал, что их качество довольно
сильно влияет на сохранность и надёжность работы тепломеханического
оборудования [10]. Снижение качества происходит за счёт процессов гидролиза
и естественного старения жидкости. В качестве основных причин старения
турбинного масла можно выделить:
1. Загрязнение механическими примесями, которые возникают при
контакте огнестойкой жидкости с металлами маслосистемы (вследствие
процесса коррозии).
2. Окисление масла. Обводнение может происходить после контакта с
паром высокой температуры или в результате конденсации.
3. Воздействие высоких температур.
Одним из способов продления эксплуатационного ресурса турбинного
масла служит его очистка. Эффективные современные маслоочистительные
установки дают возможность существенно продлить срок службы жидкости
[10]. Однако, такие вопросы, как увеличение срока эксплуатации огнестойких
масел и надёжности работы маслосистем паровых турбин, до сих пор являются
популярными с научной и производственной точки зрения.
Заключение. Тепловые электростанции являются основой генерации
электрической энергии в России. Одной из мер по увеличению пожарной
безопасности ТЭС является широкое применение огнестойких масел в
маслосистемах паровых турбин. По причине отсутствия в России производства
огнестойких жидкостей актуальной задачей является изучение факторов,
влияющих на процесс старения огнестойкого масла, с целью дальнейшего
увеличения срока его эксплуатации.
Библиографический список
1. Федеральная служба государственной статистики: официальный сайт. – URL:
https://rosstat.gov.ru (дата обращения: 12.03.2023).
2. Мартемьянова А.Н., Соловьева Е.А. Повышение экономической эффективности
использования угля на внутреннем рынке // Записки Горного института. 2007. № 173. С. 181–
183.
3. Отчет о функционировании и развитии ТЭК России в 2020 году. – М.: Минэнерго
РФ, 2021. – 150 с.
4. Шабаров А.Н., Николаева Н.В. Комплексное использование отходов переработки
теплоэлектростанций // Записки Горного института. 2016. № 220. С. 607–610.
86
5. Теплоснабжение: Учебник для вузов // А. А. Ионин, Б. М. Хлыбов, В. Н. Братенков,
Е. Н. Терлецкая; Под ред. А. А. Ионина. – М.: Стройиздат, 1982. – 336 с.
6. Кудашкин А. В. Пожарная безопасность на объектах энергетики // Новая наука:
Проблемы и перспективы. 2016. № 7-1. С. 15–18.
7. Белов В. В., Пергаменщик Б. К. Крупные аварии на ТЭС и их влияние на
компоновочные решения главных корпусов // Вестник МГСУ. 2013. № 4.
С. 61–69.
8. Рукин М. В. Анализ аварийных ситуаций на теплоэлектростанциях. Ч. 2 // Системы
безопасности. 2016. № 2 (128). С. 94–96.
9. Вайнштейн А. Г. Российские огнестойкие турбинные масла: создание, освоение
производства и 45-летний опыт эксплуатации в энергетическом оборудовании ТЭС и АЭС //
Новое в российской электроэнергетике. 2011. № 6. С. 30–39.
10. Охлопков А. В., Орлов К. А. Исследование возможности перевода
механогидравлических систем регулирования паровых турбин блоков ПГУ на ТЭС на
электрические, а также снижения класса опасности огнестойких жидкостей в указанных
системах // Развивая энергетическую повестку будущего. 2021. С. 41–46.
Рецензент: д-р техн. наук, проф. В.Е. Трушников
87
А.А. Демидов
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
СИСТЕМНОЕ ИССЛЕДОВАНИЕ ПОДРАЗДЕЛЕНИЯ IT-КОМПАНИИ С
ПРИМЕНЕНИЕМ МНОГОМЕРНОГО КОРРЕЛЯЦИОННОРЕГРЕССИОННОГО АНАЛИЗА
Аннотация. В данной научной статье представлены результаты многомерного
корреляционно-регрессионного анализа показателей функционирования консалтингового
подразделения IT-компании. Исследование позволило выявить значимые факторы, влияющие
на эффективность работы подразделения, а также оценить силу связи между этими
факторами и показателями эффективности. Полученные результаты могут быть
использованы для оптимизации деятельности консалтингового подразделения IT-компании и
повышения его эффективности.
Ключевые слова: регрессионный анализ, оценка показателей функционирования,
оптимизация бизнес-процессов, статистический анализ, повышение эффективности.
Введение
В современном мире все люди сталкиваются с необходимостью обработки
огромного объёма информации. В течение дня мы получаем новости, слухи и
наблюдаем мир вокруг себя. Для получения каких-либо полезных сведений
сырых данных недостаточно. Вся эта информация требует тщательного анализа.
Данное исследование посвящено процессу анализа консалтингового
подразделения ООО "ЭмСиБи Консалтинг". В процессе исследования были
собраны данные и проведён многомерный корреляционно-регрессионный
анализ, который позволяет проанализировать данные и сделать выводы.
Анализ объекта исследования
Для проведения анализа необходимо использовать несколько рядов
значений факторов и результата. Объектом исследования является
подразделение консалтинга в компании ООО "ЭмСиБи Консалтинг", которое
занимается разработкой бизнес-моделей компаний-клиентов на базе вебплатформы, анализом бизнес-процессов, созданием отчётности и настройкой
интеграций со сторонними сервисами.
Процесс работы подразделения начинается с поступления заявки от
клиента, что является первым шагом. Заявка образует проект, на который
выделяется определённое количество сотрудников Компании и команда
сотрудников компании-клиента, которые образуют рабочую группу.
Рабочая группа разрабатывает модель. Её можно разместить на
внутренних серверах Компании или на серверах компании-клиента, и её размер
измеряется в гигабайтах. На схеме (см. рис. 1), представлен процесс реализации
заявки.
88
Рис. 1. Схема процесса реализации заявки
Компания заключает договор с клиентом на выполнение проекта и
предоставляет лицензию на использование Платформы. Стоимость лицензии
влияет на выручку, являющуюся целевой функцией.
После составления схемы появляется возможность выделить факторы,
которые влияют на выручку компании. К ним относятся сложность модели ( ),
временные затраты на её разработку ( ), объём модели, занимаемый ею на
сервере ( ), количество пользователей по лицензии ( ) и количество
сотрудников компании-клиента в рабочей группе ( ).
Сложность модели определяется бизнес-аналитиком, проводящим анализ
запроса клиента. Временные затраты на разработку модели определяются как
сумма часов в неделю, отработанных каждым участником рабочей группы на
проекте. Объём модели определяется как количество гигабайт, занятых
разработанной моделью на сервере. Количество пользователей по лицензии
заранее принятое количество сотрудников компании-клиента, которые имеют
полный доступ к модели. Количество моделеров заранее устанавливается
лицензией, каждый последующий моделер добавляется в лицензию на платной
основе. Количество сотрудников компании-клиента в рабочей группе
определяет количество человек, трудящихся на проекте со стороны компанииклиента [1].
Выручка компании является результатом выполнения проекта и
измеряется в миллионах рублей. Продукцией компании является программный
продукт Модель, работающая на Платформе, а услугой – анализ бизнес-модели
компании-клиента.
Исследование
Исходными данными в данном исследовании являются выборка из 25
проектов. По каждому проекту известна выручка, сложность модели, затраты
времени, объём модели, количество пользователей по лицензии и количество
сотрудников клиента, участвующих в разработке. Данные хранятся в формате
csv, удобном для дальнейшего использования.
89
Процесс анализа был реализован с помощью языка программирования
Python, широко использующий в сфере анализа данных. Помимо стандартных
библиотек, были использованы numpy и pandas – для удобного управления
данными, scipy, sklearn и statmodels – для статистических вычислений, и plotly –
для визуализации.
Первым шагом в любой разработке является импортирование
необходимых библиотек и их содержимого [2].
Листинг 1 – Импорт необходимых библиотек
import numpy as np
import pandas as pd
import scipy.stats as stats
from plotly import express as px
from sklearn.feature_selection import f_regression
from sklearn.linear_model import LinearRegression
from statsmodels.stats import stattools
Далее необходимо прочитать данные из файла и сформировать DataFrame
из библиотеки pandas, создать линейную регрессионную модель и вычислить
коэффициент детерминации [3].
Листинг 2 – Чтение данных, создание модели и вычисление коэффициента детерминации
# Создание массива данных
df = pd.read_csv('dataset_v2.csv', sep=';')
X = df[['x1', 'x2', 'x3', 'x4', 'x5']]
y = df['y']
# Создание объекта модели
model = LinearRegression()
# Обучение модели на исходных данных
model.fit(X, y)
coef = model.coef_
print('=== Построение модели ===')
print('Коэффициенты регрессии:', coef)
print('Свободный коэффициент:', model.intercept_)
r_square = model.score(X, y)
print('Коэффициент детерминации R2:', r_square)
При выполнении этой программы появляется следующий текст.
Рис. 2. Результат выполнения программы из Листинга 2
Как видно на рисунке 2, коэффициент детерминации достаточно высок,
чтобы говорить о хорошей близости модели к фактическим данным, он равен
0,95. Уравнение полученной регрессионной модели следующее:
.
(1)
90
Далее была произведена оценка силы связи с помощью вычисления
коэффициентов эластичности. Эта задача также была решена на языке Python.
Листинг 3 – Расчёт коэффициентов эластичности
elastic = df[X.columns].mean() / df['y'].mean() * coef
print('\n=== Коэффициенты эластичности ===')
print(', '.join(f'{x:.3f}' for x in elastic))
Полученные коэффициенты равны: 0,243, 0,564, 0,070, 0,212 и -0,236.
Например, средний коэффициент эластичности, равный 0,243, показывает, что с
увеличением сложности модели на 1%, выручка увеличится в среднем на
0,243%, при условии, что другие факторы остаются постоянными [4].
Необходимо провести
оценку значимости уравнения с помощью
критерия Фишера. Этот критерий позволяет сделать вывод о неслучайности
полученной модели [5]. На языке Python вычисление критерия Фишера
реализовано так:
Листинг 4 – Вычисление значения критерия Фишера
n = len(y) # число наблюдений
k = len(X.columns) # число факторов
y_mean = y.mean() # среднее значение y
y_pred = model.predict(X)
SSR = sum((y_pred - y_mean) ** 2)
# объяснённая сумма
квадратов
SSE = sum((y - y_pred) ** 2) # остаточная сумма квадратов
MSR = SSR / (k - 1) # СКО объяснённой суммы квадратов
MSE = SSE / (n - k) # СКО остаточной суммы квадратов
F = MSR / MSE # статистика F-теста
p_value = stats.f.sf(F, k - 1, n - k) # p-value
Выполнение этой программы позволит получить вывод (см. рис. 3):
Рис. 3. Результат выполнения программы из Листинга 4
Значение критерия Фишера является очень высоким, при этом p-значение
крайне низкое, что говорит о низкой вероятности случайного получения такого
значения критерия.
На оценке значимости модели процесс не заканчивается – необходимо
оценить значимость выбранных факторов [6]. Это выполняется с помощью Fстатистики. Используя Python, сделать это довольно просто. Необходимо
воспользоваться функцией f_regression из библиотеки sklearn (см. рис. 4) [7].
91
Рис. 4. Результат использования функции f_regression
Такие значения F-статистики позволяют сделать следующие выводы. Fстатистики для всех факторов больше 1, что говорит о том, что регрессионная
модель в целом имеет статистическую значимость. P-значения для первых 4
факторов значительно меньше 0,05, что говорит о том, что эти факторы имеют
статистическую значимость. P-значение для пятого фактора сильно больше
0,05, что говорит о том, что этот фактор не имеет статистической значимости.
Самое высокое значение F-статистики у фактора 2, что может указывать на то,
что этот фактор является наиболее значимым в модели. Фактор 5 не имеет
статистической значимости, что может говорить о том, что его можно
исключить из модели, чтобы улучшить её точность.
Определение значимости коэффициентов, которое является следующим
этапом регрессионного анализа, позволяет оценить вклад каждой независимой
переменной в зависимую переменную [8, 9].
Листинг 5 – Вычисление t-статистик коэффициентов
t_stats = coef / se
p_values = (1 - stats.t.cdf(np.abs(t_stats), n - k - 1)) * 2
Результаты представлены на рисунке 5.
Рис. 5. Вычисленные значения T-статистик
Такие оценки значимости позволяют сделать вывод о том, что
коэффициенты при
и
являются статистически значимыми. При этом
фактор
– затраты времени на реализацию модели – влияет на результат
сильнее всего.
Следующим шагом является оценка качества модели с помощью средней
ошибки аппроксимации. На языке Python эти вычисления можно реализовать
вручную или же воспользоваться функцией mean_absolute_percentage_error из
библиотеки sklearn. При текущих исходных данных функция возвращает
значение 15,8%. Такое значение является достаточным во многих задачах.
Далее следует определение информативных факторов с помощью
вычисления парных корреляций. Эта операция производится простым
применением метода corr() класса DataFrame, в котором хранятся исходные
данные. Результаты приведены на рисунке 6 [10].
92
Рис. 6. Коэффициенты парной корреляции
Значения парной корреляции позволяют сделать множество выводов об
исходных данных. Например:
- коэффициент корреляции между и ,
и довольно высокий (0,81–
0,95), что может свидетельствовать о наличии сильной связи между этими
переменными;
- коэффициент корреляции между
и
довольно низкий – 0,46, что
может означать отсутствие или слабую связь между этими переменными;
- коэффициент корреляции между
и
очень низкий – 0,01, что
свидетельствует о практически отсутствии связи между этими переменными;
- между
и
, а также между
и
, наблюдается высокий
коэффициент корреляции – 0,80 и 0,77, что может свидетельствовать о наличии
мультиколлинеарности между этими переменными.
Резюмируя выводы, можно сделать вывод, что факторы
и
имеет
смысл отбросить, однако после проведения эксперимента, было решено
оставить оба фактора, так как при их удалении точность модели снижается.
Заключение
Завершив корреляционно-регрессионный анализ исходных данных,
можно сформулировать определённые выводы. Данный регрессионный анализ
показывает высокую значимость всех факторов, за исключением
(количество
равен
человек от клиента, занятых проектом). Коэффициент детерминации
0,947, что говорит о том, что примерно 95% вариации зависимой переменной
(чистый доход) объясняется выбранными факторами.
Коэффициенты регрессии и коэффициенты парной корреляции
показывают, что чистый доход (y) наиболее сильно коррелирует с факторами
(сложность модели),
, (временные затраты, час./нед.),
(объём сервера,
занятый проектом),
(количество пользователей по лицензии). Значение
средней ошибки аппроксимации говорит о том, что модель может допускать
ошибки в предсказании чистого дохода на уровне 15,8%.
Коэффициенты эластичности показывают, что наибольшее влияние на
чистый доход оказывает временные затраты ( ) с эластичностью 0,564, за ним
следует сложность модели ( ) с эластичностью 0,243. Количество человек от
клиента, занятых проектом ( ), оказывает отрицательное влияние на чистый
доход – -0,236. Остальные факторы ( и ) оказывают более слабое влияние
на чистый доход.
93
Таким образом для увеличения чистого дохода необходимо обращать
внимание на факторы, которые наиболее сильно влияют на чистый доход, а
именно: сложность модели ( ), временные затраты ( ), объём сервера,
занятый проектом ( ), количество пользователей по лицензии ( ). Также стоит
уменьшить количество человек от клиента, занятых проектом ( ), чтобы
увеличить чистый доход.
Библиографический список
1.
Демидов, А. А. Многомерный корреляционно-регрессионный анализ
показателей функционирования структурного подразделения IT-компании / А. А. Демидов //
Анализ и прогнозирование систем управления в промышленности, на транспорте и в
логистике : Сборник трудов XXII Международной научно-практической конференции
молодых ученых, студентов и аспирантов, Cанкт-Петербург, 19–21 апреля 2022 года /
Петербургский государственный университет путей сообщения Императора Александра I. –
Cанкт-Петербург: ООО "Медиапапир", 2022. – С. 133–138. – EDN PNIWXK.
2.
Первухин Д.А., Ильюшин Ю.В. Параллельный анализ геоданных
гидролитосферных пластов минеральной воды Кисловодского месторождения Нарзана //
Записки Горного института. 2016. Том 221. C. 706.
3.
Брюс, П. Практическая статистика для специалистов Data Science: пер. с англ. /
П. Брюс, Э. Брюс. – СПб.: БХВ-Петербург, 2018. – 304 с.: ил.
4.
Уатт, Дж. Машинное обучение: основы, алгоритмы и практика применения:
Пер. с англ./ Дж. Уатт, Р. Борхани, А. Катсаггелос. – СПб.: БХВ-Петербург, 2022. – 640 с.: ил.
5.
Кобзарь А.И. Прикладная математическая статистика. Для инженеров и
научных работников. – М.: ФИЗМАТЛИТ, 2006. – 816 с.
6.
Фёрстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа: пер. с
нем. – М.: Финансы и статистика, 1983. – 302 с.
7.
Scikit-learn. Documentation. [Электронный ресурс]. Режим доступа: https://scikitlearn.org/stable/documentation.html (дата обращения: 03.04.2023)
8.
SciPy.
Documentation.
[Электронный
ресурс].
Режим
доступа:
https://docs.scipy.org/doc/scipy/reference/ (дата обращения: 03.04.2023)
9.
NumPy.
Documentation.
[Электронный
ресурс].
Режим
доступа:
https://numpy.org/doc/stable/ (дата обращения: 03.04.2023)
10.
pandas.
Documentation.
[Электронный
ресурс].
Режим
доступа:
https://pandas.pydata.org/docs/ (дата обращения: 03.04.2023)
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
94
Я.А. Ильюхина
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
АНАЛИТИЧЕСКИЕ ИССЛЕДОВАНИЯ СОВРЕМЕННЫХ
ПОДХОДОВ К РАССЧЕТАМ И МОДЕЛИРОВАНИЮ РАБОЧИХ
ПРОЦЕССОВ В МЕТОДИЧЕСКОЙ ПЕЧИ НАГРЕВА ДЛИННОМЕРНЫХ
МЕТАЛЛИЧЕСКИХ ИЗДЕЛИЙ
Аннотация. Существуют значительные возможности для сокращения расходов в
металлургической отрасли России, особенно за счет повышения энергоэффективности
металлургических печей, включая нагревательные печи станов горячей прокатки.
Цель исследования заключается в анализе современных подходов повышения
энергоэффективности и оптимизации работы методических печей металлургических
предприятий, в анализе методов повышения качества производимой продукции на этапе
отжига, а также проблем, возникающих при эксплуатации печей, и существующих способов
их решения, как уже реализуемых на практике, так и разрабатываемых на теоретическом
уровне.
Ключевые слова: металлургическая печь, нагрев длинномерных металлических
изделий, температурное поле, математическая модель, АСУ ТП.
Введение
В черной металлургии одним из ключевых этапов в процессе
производства является нагрев металлических изделий в методической печи.
Основная задача заключается в достижении необходимых температур и их
равномерном распределении по сечению и поверхности стальных заготовок.
Если расход топлива не оптимизирован, это приводит к повышению
себестоимости выпускаемой продукции и негативно сказывается на её качестве.
Возникает потребность в модернизации производства, в том числе в
разработке и внедрении новых систем управления технологическим процессом.
Анализ существующих исследований. Процесс модернизации и
оптимизации работы металлургической печи нагрева металлических изделий
можно представить с помощью различных аспектов. Рассмотрим их.
Конструкционный аспект. В статье авторов Дружинин Г. М., Ашихмин
А. А., Маслов П. В и др. [1] представлена методология технического
перевооружения и комплексной модернизации конструкций и режимов работы
нагревательных и термических печей. Были приведены результаты
реконструкции морально и физически устаревших печных агрегатов с
использованием предложенной методологии и показано, что комплексный
подход дает значительное улучшение основных показателей работы печей в
соответствии с современными требованиями по качеству нагрева,
энергосбережению и экологическим показателям.
Недавнее исследование “Влияние положения горелки на процесс
аустенизации в нагревательной печи с шагающими балками” [2] показало, что
положение и тип горелок в печи сильно влияют на ее эффективность и качество
95
продукции. В результате было обнаружено, что наиболее подходящая
конфигурация горелки зависит от геометрии печи.
Энергетический аспект. В статье “Экономия энергии в нагревательных
печах за счет моделирования процессов” [3] обсуждается важность
энергоэффективности на производственных предприятиях, особенно в
отношении
нагревательных
сталеплавильных
печей.
Предлагается
математическая
модель
для
оптимизации
температурно-временных
зависимостей печи. Модель демонстрирует потенциальную экономию энергии
до 14% по сравнению с существующей политикой планирования. В целом, это
исследование подчеркивает экономические и экологические преимущества
реализации инициатив по снижению энергопотребления для нагревательных
печей.
Временной аспект. В исследовании “Оптимизация времени нагрева
металлических изделий в печах периодического действия” [4] обсуждается
новый подход оптимизации, включающий группирование продуктов на основе
их характеристик. Предлагаемое решение основано на простой математической
модели. Имитационное моделирование показало сокращение общего времени
обработки примерно на 9% по сравнению с текущей практикой эксплуатации.
Топливный аспект. Исследование «Анализ эффективности воздушнотопливного и кислородно-топливного сжигания в нагревательной печи» [5]
показало,
что
использование
кислородно-топливного
сжигания
в
нагревательных печах для стали приводит к повышению эффективности на 50%
по сравнению с воздушно-топливным сжиганием. Похожее исследование
проводилось и в работе “Моделирование высокотемпературных печей в
условиях воздушно-топливной и обогащенной кислородом среды” [6].
Результаты показали, что кислородно-топливное сжигание обеспечивает более
высокую температуру среды и радиационную теплопередачу к слябам, что
приводит к большей общей скорости теплопередачи.
Аспект технологии производства. В статье “Разработка технологии
изготовления высокопрочной корпусной стали, обеспечивающей сокращение
цикла производства и высокое качество листов” [7] рассмотрено производство
высокопрочных листов корпусной стали на производстве «ОМЗ-Спецсталь».
Испытания
металла,
выполненного
с
использованием
элементов
усовершенствованной технологии, показали высокую степень чистоты проката
по неметаллическим включениям, а уровень качества листов соответствует
требованиям действующей технической документации. Продолжительность
технологического цикла сокращается на 10-12% за счет реализации
разработанных мероприятий.
Разработка и внедрение математической модели. Важным аспектом в
модернизации
металлургического
производства
является
разработка
математической модели, отражающей с высокой точностью процесс нагрева
металлических заготовок.
В статье “Эффективная в вычислительном отношении альтернатива
полномасштабному моделированию переходных процессов в печи повторного
96
нагрева” [8] представлен новый подход, известный как усеченная переходная
модель сляба. Модель использует усеченную область для имитации
непосредственной среды вокруг плиты на основе информации, полученной из
стационарной модели. В статье показано, что модель способна прогнозировать
температуру сляба с высокой эффективностью и точностью и значительно
быстрее, чем современные гидродинамические модели.
Статья авторов Богатова М.Ж. и Чибизова С.И. [9] представляет способ
улучшения тепловой работы нагревательных печей для горячей прокатки
металла с помощью статистической математической модели нагрева металла.
Авторы провели 15 автоматизированных направленных промышленных
экспериментов на методических печах чтобы разработать и адаптировать
статистическую модель, описывающую с допустимой точностью процесс
нагрева стальных заготовок. Созданная модель и прогнозные значения
обладают достаточной надежностью.
Также теме разработки и внедрении математической модели посвящены
статьи авторов Джи Ян и соавторы [10], Швантнер М. и соавторы [11].
Разработка регулятора и АСУ ТП. В целях модернизации производства
ключевым аспектом является разработка распределенного высокоточного
регулятора (РВР) (пространственно-распределенного аналога ПИД-регулятора)
и
автоматизированной
системы
управления
технологическим
процессом (АСУ ТП).
В работе “Разработка методики управления процессом нагрева
металлических заготовок в методической печи” [12] представлено решение по
синтезу РВР управления температурным полем печи непрерывного действия,
которое предполагает разработку математической модели и проведение
пространственно-частотного анализа для создания системы управления
температурой посредством программной реализации.
Работа
“Пространственно-распределенная
система
управления
температурным полем: синтез и моделирование” авторов Ильюшин Ю.В. и
Афанасьева О.В. [13] ориентирована на модернизацию технологии
производства листовых пакетов за счет разработки и внедрения РВР. В статье
анализируется существующая система, синтезируется регулятор и выполняется
математическое моделирование полученной системы. В исследовании
подчеркиваются преимущества реализации РВР с использованием
программируемых микроконтроллеров и управляющих модулей вывода.
Также общей теме разработки автоматизированной системы управления
нагревом слябов в печи посвящены работы авторов Кухтик М.П. и соавторы
[14], Белоглазов И.И. и соавторы [15].
Заключение
Только комплексный подход к задаче оптимизации металлургической
отрасли позволит достичь хороших результатов.
Основываясь на проведенном анализе литературных источников, были
сделаны следующие выводы:
97
1.
Нагревательные печи станов горячей прокатки являются
ключевыми агрегатами для производства металлургической продукции.
2.
Задачей нагрева является достижение заданных температур и их
равномерное распределение по металлической заготовке.
3.
Неоптимизированный расход топлива приводит к повышенной
себестоимости производства. Неконтролируемый нагрев металла отрицательно
сказывается на качестве готовой продукции.
4.
Оптимальный нагрев слябов перед прокаткой не только
обеспечивает пластичность и хорошее качество стали, но и уменьшает расход
топлива, предотвращает поломки оборудования на этапе прокатки.
5.
Повышение эффективности работы нагревательных печей станов
горячей прокатки, является одним из ключевых факторов для снижения затрат,
повышения качества и увеличения прибыли в металлургической отрасли.
6.
Влияние качества нагрева на качество готового продукта
определяется различными физико-химическими свойствами стали, условиями
нагрева, конструкцией печи и размерами нагреваемых изделий.
7.
Эффективный и экологически безопасный технологический процесс
нагрева металла достаточно сложен в реализации.
8.
Для управления режимом нагрева используются показания
зональных термопар печи. Измерения дают лишь среднюю температуру и не
отслеживают реальное распределение температур сляба в печи.
9.
Иметь представление о реальном изменении температуры металла
необходимо для высокой воспроизводимости процесса управления нагревом.
10. Создание и внедрение системы управления нагревом металла в
методической печи может решить поставленные задачи.
11. Перевооружение оборудования печей также может помочь в
повышении эффективности производства.
12. Способы модернизации и автоматизации нагрева металла в печи
находятся на стадии изучения и разработок, существующие разработки
обеспечивают недостаточный уровень энергоэффективности печей.
Библиографический список
1.
Дружинин, Г. М., Ашихмин, А. А., Маслов, П. В., Попов, А. Б., Хамматов, И.
М., Лошкарев, Н. Б. Методология технического перевооружения и модернизации
конструкций и режимов работы нагревательных и термических печей // Металлург. 2020. №
6. C. 77–81.
2.
García A.M. et al. Effect of the burner position on an austenitizing process in a
walking-beam type reheating furnace // Appl. Therm. Eng. 2019. № 153. C. 633–645. doi:
10.1016/j.applthermaleng.2019.02.116
3.
Zanoni S., Ferretti I., Zavanella L.E. Energy savings in reheating furnaces through
process modelling // Procedia Manuf. 2020. № 42. C. 205–210. doi: 10.1016/j.promfg.2020.02.071
4.
Rötzer F. et al. Reheating time optimization for metal products in batch-type
furnaces // Int. J. Heat Mass Transf. 2022. № 186. C. 122474. doi:
10.1016/j.ijheatmasstransfer.2021.122474
5.
Han S.H. et al. Efficiency analysis of air-fuel and oxy-fuel combustion in a reheating
furnace // Int. J. Heat Mass Transf. 2018. № 121. C. 1364–1370. doi:
98
10.1016/j.ijheatmasstransfer.2017.12.110
6.
Mayr B. et al. Modelling of high temperature furnaces under air-fuel and oxygen
enriched conditions // Appl. Therm. Eng. 2018. № 136. C. 492–503. doi:
10.1016/j.applthermaleng.2018.03.013
7.
Milyuts V.G. et al. Development of Manufacturing Technology for High-Strength
Hull Steel Reducing Production Cycle and Providing High-Quality Sheets // Journal of Mining
Institute. 2019. № 239, № 5. C. 536–543. doi: 10.31897/pmi.2019.5.536
8.
Ahmed Z.Y. et al. Computationally efficient alternative to a full-scale transient
simulation of a reheating furnace // Therm. Sci. Eng. Prog. 2023. № 40. C. 101775. doi:
10.1016/j.tsep.2023.101775
9.
Богатова, М.Ж., Чибизова С.И. Статистическое моделирование температурных
режимов работы нагревательных печей листовых станов горячей прокатки // Известия
высших учебных заведений. Черная Металлургия. 2021. № 64, № 5. C. 374–381. doi:
10.17073/0368-0797-2021-5-374-381
10.
Yang Z., Luo X., Qiao J. Optimal investigation of the reheating furnace based on a
3D numerical model with the formation of both oxide scale layer and skid marks // Comput. Math.
with Appl. 2022. № 128. C. 12–20. doi: 10.1016/j.camwa.2022.09.015
11.
Švantner M., Študent J., Veselý Z. Continuous walking-beam furnace 3D zonal
model and direct thermal-box barrier based temperature measurement // Case Stud. Therm. Eng.
2020. № 18. C. 100608. doi: 10.1016/j.csite.2020.100608
12.
Kukharova T. V., Ilyukhina Y.A., Shestopalov M.Y. Development of a Methodology
for Controlling the Process of Heating Metal Blanks in a Methodical Furnace // 2022 Conference of
Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). IEEE, 2022. C.
718–721. doi: 10.1109/ElConRus54750.2022.9755574
13.
Ilyushin Yu. V., Afanasieva O. V. Spatial distributed control system of temperature
field: synthesis and modeling // ARPN J. Eng. Appl. Sci. 2021. № 16. C. 1491–1506.
14.
Кухтик М.П., Сердобинцев Ю.П., Баев С.В. Автоматизированная система
управления нагревом слябов в методической печи // Известия Волгоградского
государственного технического университета. 2022. № 1, № 260. C. 65–68. doi:
10.35211/1990-5297-2022-1-260-65-68
15.
Beloglazov I., Petrov P., Martynov S. Application of Production Processes Control
Algorithm Using Adaptive Control System // 2018 International Russian Automation Conference
(RusAutoCon). IEEE, 2018. C. 1–4. doi: 10.1109/RUSAUTOCON.2018.8501801
Рецензент: канд. техн. наук, доц. Т.В. Кухарова
99
Е.К. Коровяковский1, М.Б. Сабуров1, С.К. Худайберганов2,
Р.Я. Абдуллаев2
ФГБОУ ВО «Петербургский государственный университет путей
сообщения императора Александра I», Россия
2
Ташкентский государственный транспортный университет, Узбекистан
1
АНАЛИЗ ГРУЗОПОТОКОВ АГРОПРОДУКЦИИ ИЗ
УЗБЕКИСТАНА ДЛЯ ПОЕЗДОВ «АГРОЭКСПРЕСС»
Аннотация.
В
работе
проведен
анализ
грузопотоков
Узбекистана,
специализированных для перевозки в поездах «Агроэкспресс». Цель работы – выбор
оптимального маршрута курсирования поезда «Агроэкспресс» исходя из региональных
особенностей зарождения потоков агропродукции и расстояний перевозки.
Ключевые слова: грузопоток, агропродукция, поезд «Агроэкспресс», выбор
маршрута.
В условиях Узбекистана, где отсутствует морской транспорт, место этого
вида транспорта занимает железнодорожный транспорт. Железнодорожный
транспорт имеет возможность перевозить грузы в крупном объеме с низкой
стоимостью перевозки относительно автомобильного транспорта. В 2022 году в
Республике произведено более 26 млн.тонн сельскохозяйственной продукции,
из них экспортировано 1,6 млн.тонн на сумму 1 млрд.долл [1]. Курсирование
маршрутных поездов, специализированных на перевозку агропродукции,
повышает экспорт свежих овощей и фруктов и снижает себестоимость
импортируемых продуктов питания в рассматриваемых регионах. Поэтому
изучение этой задачи востребовано в Узбекистане. В настоящее время поезда
«Агроэкспресс» курсируют по маршруту Москва (Россия) – Чунцин, и Москва
– Сучжоу (города Китая). В Центральной Азии и на Кавказе эти поезда ходят в
пилотном режиме.
Анализ грузопотоков и выбор более выгодных маршрутов для поездов
«Агроэкспресс» приводит к снижению себестоимости доставки продуктов
питания, где курсируют эти поезда. Поэтому анализ и изучение грузопотоков из
(в) Узбекистан целесообразно. На рисунке 1 приведены отправленные на
экспорт виды агропродукции из областей Узбекистана в процентном
соотношении. Из рисунка видно, что более 75% экспорта составляет
следующие регионы Узбекистана:
1.
Фергана, Ташкентская область и Наманган (41%) - Восточная часть
Узбекистана.
2.
Самарканд (11,3%) – Центральная часть Узбекистана.
3.
Сурхандарья (9,8%) – Юг страны.
4.
Хорезм (9%) – Север Узбекистана.
100
Рис. 1. Объем экспорта агропродукции по регионам Узбекистана [1]
Далее, на рисунке 2, изображены грузопотоки агропродукции в страны
назначения. Из этого рисунка видно, что первая пятёрка стран — это Казахстан,
Россия, Кыргызстан, Китай и Пакистан.
Рис. 2. Объем экспорта агропродукции по странам назначения в 2022 году [2]
На рисунке 3 изображен импорт продуктов питания в Узбекистан в
процентном соотношении. На этой диаграмме не учтена перевозка
пшеницы из Казахстана и России. Следовательно, разработан
схематическое изображение зарождения грузопотоков агропродукции по
регионам Узбекистана (рис.4).
101
Рис. 3. Объем импорта агропродукции в Узбекистан за 2022 года [3]
На рисунке 4 предложены 4 региона Узбекистана, которые будут
использоваться
для
формирования
грузопотоков
для
поездов
«Агроэкспресс».
1.
Северный регион – Каракалпакстан и Хорезмская область –
доля экспорта составляет 10,5% от общего объема производства.
2.
Центральный регион – Бухарский, Навоинский, Самаркандский,
Джизакский и Сырдарьинский областей – в этом регионе доля экспорта
составляет 23,8%.
3.
Южный регион – Сурхандарьинский и Кашкадарьинский
областей – доля экспорта составляет 12,9%.
4.
Восточный регион – Ташкентский, Ферганский, Андижанский,
Наманганский областей и город Ташкент, здесь объем экспорта составляет
53% [4,5].
Центральный и
южный КАЗАХСТАН
Западный
КАЗАХСТАН
Наманган 8,9%
г.Ташкент - Ташкент обл 13,6%
5,6%
Каракалпакстан 1,5%
Сырдаря 2,8%)
Навои 0,7%
Хорезм 9%)
Кашкадарья 3,1%
Фергана 18,1%
Джизак 4,8%
Самарканд 11,3%
Бухара 4,2%
Андижан 6,7%
Сурхандарья
- 9,8%
ТАДЖИКИСТАН
Хорезм - Название и доля экспорта
региона
9%)
Рис 4. Схематическое изображение объема экспорта агропродукции из Узбекистана
за 2022 года
102
Анализируя вышесказанное, можно сделать вывод о том, что при
привлечении грузопотоков для организации поездов «Агроэкспресс»
целесообразно выполнить следующее.
1.
Направить эти поездов из Москвы через центральный и южный
Казахстан.
2.
Распределить количество подвижного состава по объему
экспорта регионов.
3.
В дальнейшем привлечь в рамках проекта «Агроэкспресс»
агропродукцию Таджикистана, Кыргызстана и Туркменистана.
Реализация проекта «Агроэкспресс» приведет к следующим
результатам:
У экспортеров агропродукции появится возможность выхода на
международные рынки с более конкурентоспособной себестоимостью
продукции;
Население будет обеспечено продуктами питаниями с относительно
низкой себестоимостью;
Вырастет объем экспорта сельскохозяйственной продукции,
производимой в этих странах.
Библиографический список
1.
Официальная статистика. – Государственный комитет Узбекистана по
статистике – URL: https://www.sof.uz/uz/joh8 (дата обращения 08.02.2023 г.).
2.
Официальная статистика. – Государственный комитет Узбекистана по
статистике – URL: https://www.sof.uz/uz/m3f0 (дата обращения 10.02.2023 г.).
3.
Официальная статистика. – Государственный комитет Узбекистана по
статистике – URL: https://www.stat.uz/ru/ofitsialnaya-statistika (дата обращения 12.02.2023 г.).
4.
Сабуров М.Б. Оценка факторов, влияющих на экспортный потенциал
Республики Узбекистан/ Е.К.Коровяковский, М.Б.Сабуров, Ш.Х.Султонов//Известия ПГУПС
- 2021. №1(18). – С. 132-142с.
5.
Сабуров М.Б. Пути повышения эффективности логистического обеспечения
деятельности международной транспортной системы «Агроэкспресс» на основе
инструментария однокритериальной оптимизации / Е.К.Коровяковский, М.Б.Сабуров
//Известия ПГУПС - 2022. №2(19). – С. 276-286с.
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
103
Ю.В. Коровяковская, Ю.В. Пахомова
ФГБОУ ВО «Петербургский государственный университет путей сообщения
императора Александра I», Россия
ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
В ЗАДАЧАХ УПРАВЛЕНИЯ
ТРАНСПОРТНО-ЛОГИСТИЧЕСКИМ КОМПЛЕКСОМ
Аннотация.Цепи поставок транснациональных компаний в условиях международных
санкций постоянно усложняются, изменяются процессы планирования производственных
мощностей. В ответ на эти вызовы многие компании обращаются к использованию
программного обеспечения с использованием искусственного интеллекта (ИИ), чтобы резко
повысить эффективность работы транспортно-логистического комплекса. В этой статье
рассматриваются достижения технологии ИИ и то, как они меняют подходы к управлению
цепями поставок.
Ключевые слова: искусственный интеллект, управление цепями поставок, транспортнологистический комплекс.
Введение
В последние годы глобальный транспортно-логистический комплекс
претерпел значительные изменения, вызванные ростом электронной коммерции
и спросом на быстрые и эффективные поставки. Транспортно-логистический
комплекс (ТЛК) становится все более сложным, а управление цепями поставок
требует получения информации в режиме реального времени для оптимизации
операций и опережения конкурентов в санкционных условиях [1].
Транспортно-логистический комплекс (ТЛК) - это взаимосвязанная система
транспортировки, складирования и распределения, которая обеспечивает
перемещение товаров от поставщиков к клиентам. ТЛК является важнейшим
компонентом глобальной экономики, поскольку предприятия полагаются на
эффективное управление цепями поставок для своевременной и экономически
выгодной доставки продукции клиентам. Однако растущая сложность ТЛК
создает значительные проблемы для предприятий, а традиционные подходы к
управлению цепями поставок оказываются неадекватными вызовам настоящего
времени.
Искусственный интеллект (ИИ) предполагает наличие способности
алгоритмов выполнять задачи, для которых обычно требуется человеческий
интеллект. Это задачи, связанные с нечеткими правилами и системами, такие
как обучение, решение проблем и принятие решений. Использование
программного обеспечения с элементами ИИ способно преобразовать ТЛК,
позволяя предприятиям в режиме реального времени получать информацию о
своей деятельности и принимать решения на основе данных, повышая
эффективность и снижая затраты. Технологии ИИ, такие как машинное
обучение, обработка естественного языка и компьютерное зрение,
используются для автоматизации и оптимизации различных функциональных
104
областей управления цепями поставок, от транспортировки до складирования и
управления запасами.
Рис. 1. Распределение технологий ИИ в российских компаниях [2]
Преимущества ИИ в ТЛК
ИИ имеет множество преимуществ в ТЛК, включая повышение точности
планирования, снижение затрат и повышение эффективности [3].
Автоматизация рутинных задач и предоставление информации о логистическом
процессе в режиме реального времени позволяют предприятиям
оптимизировать свою деятельность и снизить риск ошибок и задержек. ИИ
также может помочь предприятиям выявить закономерности и тенденции,
которые было бы трудно или невозможно обнаружить традиционными
методами, что позволяет им принимать более обоснованные решения и быстро
реагировать на меняющиеся условия рынка [4].
Управление транспортом является важнейшим компонентом ТЛК,
предприятия полагаются на эффективные транспортные сети для перемещения
товаров от поставщиков к клиентам. Решения на базе ИИ используются для
оптимизации управления транспортом, при этом с помощью алгоритмов
анализируются данные о маршрутах, трафике, погоде и других факторах, чтобы
определить оптимальные маршруты, виды транспорта и схемы доставки. ИИ
также используется для составления расписания и диспетчеризации, что
снижает нагрузку на операторов и минимизирует риск ошибок.
105
Управление складом - еще одна ключевая область, где ИИ используется
для оптимизации операций. Решения на базе ИИ помогают автоматизировать
отслеживание запасов, комплектацию, упаковку и отгрузку, снижая нагрузку на
операторов и повышая эффективность работы ТЛК. ИИ также используется на
стадии проектирования логистических объектов для оптимизации планировки и
дизайна склада и терминала, минимизируя время и затраты, необходимые для
перемещения товаров по складу [5,6].
Управление запасами - важнейший компонент управления цепями
поставок, поскольку предприятиям необходимо соизмерять затраты на
хранение запасов с риском их отсутствия на складе и выплатой штрафных
санкций в случае нарушений поставки товаров. Программные комплексы с
элементами ИИ используются для оптимизации управления запасами, при этом
алгоритмы анализируют данные о спросе, сроках выполнения заказа и других
факторах, чтобы предсказать будущий спрос и оптимизировать уровень
запасов. ИИ также может использоваться для автоматизации таких задач, как
прогнозирование, пополнение запасов и распределение, что позволяет снизить
нагрузку на операторов и повысить точность планирования при управлении
цепями поставок.
В управлении запасами компании зачастую сталкиваются с рядом
проблем, таких как дефицит, затоваривание и неточное планирование уровня
запаса. Эти проблемы могут привести к потере продаж, снижению
производительности и увеличению затрат. Однако с появлением решений по
управлению запасами на основе искусственного интеллекта компании могут
снизить риски возникновения этих проблем. Управление запасами на основе
ИИ предполагает использование алгоритмов машинного обучения для анализа
данных и составления прогнозов относительно будущего спроса. Эти
алгоритмы могут помочь предприятиям оптимизировать уровень запасов,
сократить количество отходов и повысить общую эффективность компании.
Используя управление запасами на основе ИИ, предприятия могут добиться
экономии затрат, повышения точности и улучшения процесса принятия
решений.
Существует несколько преимуществ использования решений по
управлению запасами на основе ИИ. К ним относятся:
Экономия затрат
Решения по управлению запасами на основе ИИ могут помочь
предприятиям сократить расходы за счет оптимизации уровня запасов.
Благодаря точному прогнозированию будущего спроса предприятия могут
избежать затоваривания и недозагрузки, что может привести к потерям и
упущенным продажам. Кроме того, управление запасами на основе ИИ может
помочь предприятиям сократить расходы на хранение запасов за счет
минимизации необходимости создания резервных запасов.
Повышенная точность
Управление запасами на основе ИИ может повысить точность
прогнозирования спроса, что поможет предприятиям принимать более точные
106
решения об уровне запасов. Анализируя исторические данные и выявляя
закономерности, решения по управлению запасами на базе ИИ могут точно
прогнозировать будущий спрос. Это может помочь предприятиям избежать
дефицита и затоваривания складов, что может привести к потере продаж и
увеличению расходов.
Улучшенная производительность
Управление запасами на основе ИИ может помочь предприятиям
повысить производительность за счет автоматизации таких задач, как
прогнозирование спроса, планирование пополнения запасов и выполнение
заказов. Автоматизируя эти задачи, предприятия могут высвободить время и
ресурсы сотрудников, позволяя им сосредоточиться на других областях
бизнеса.
Как работает управление запасами на основе искусственного
интеллекта
Управление запасами на основе ИИ предполагает использование
алгоритмов машинного обучения для анализа данных и составления прогнозов
относительно будущего спроса. Эти алгоритмы обучаются на основе
исторических данных о продажах, погодных условиях, сезонных тенденциях и
других факторах, которые могут повлиять на спрос. После обучения
алгоритмов их можно использовать для прогнозирования будущего спроса. Эти
прогнозы могут быть использованы для оптимизации уровня запасов,
сокращения отходов и повышения общей эффективности работы предприятия.
Некоторые компании уже используют решения по управлению запасами
на основе ИИ для оптимизации своей деятельности. Например, компания
Walmart внедрила систему управления запасами на основе ИИ, которая
использует алгоритмы машинного обучения для прогнозирования будущего
спроса и оптимизации уровня запасов. Эта система помогла Walmart
значительно сократить расходы. Другой пример - компания Amazon, которая
использует систему управления запасами на основе ИИ для оптимизации
работы своих центров выполнения заказов. Анализируя данные о заказах
клиентов и уровне запасов, Amazon сокращает время выполнения заказов.
Влияние ИИ на точность уровня запасов
Управление запасами на основе ИИ может оказать значительное влияние
на точность прогнозов при управлении запасами. Благодаря точному
прогнозированию будущего спроса предприятия могут избежать дефицита и
затоваривания запасов, что может привести к потере продаж и увеличению
расходов.
Внедрение управления запасами на основе ИИ в бизнесе
Внедрение управления запасами на основе ИИ на конкретном
предприятии требует тщательного планирования. Ниже представлен алгоритм
для внедрения управления запасами на основе ИИ:
1. Определение потребностей вашего бизнеса
Прежде чем внедрять управление запасами на основе ИИ, важно
определить потребности вашего бизнеса. Определите, какие проблемы вы
107
пытаетесь решить и каких преимуществ вы надеетесь достичь за счет
использования ИИ. Являются ли задачи, требующие решения, релевантными
для использования ИИ.
2. Выберите правильное решение для управления запасами на основе ИИ
На рынке представлено несколько программных продуктов для
управления запасами на основе искусственного интеллекта. Необходимо
подобрать веса критериев, которые будут использоваться для выбора
программного обеспечения, таким образом, чтобы эффективность
использования конкретного программного продукта была максимальной с
учетом того, что как правило на предприятии, имеются работающие средства
автоматизации.
3. Обучите систему
После того как вы выбрали программный продукт для управления
запасами на основе искусственного интеллекта, важно обучить систему. Для
этого необходимо ввести исторические данные и обучить алгоритмы делать
прогнозы приемлемой точности.
4. Мониторинг и корректировка
После внедрения программного обеспечения по управлению запасами на
основе ИИ важно осуществлять контроль за работой системы и при
необходимости вносить коррективы. Это может включать в себя дообучение
модели, настройку алгоритмов или корректировку уровней запасов.
Распространенные заблуждения об управлении запасами на
основе ИИ
Существует несколько заблуждений относительно управления запасами
на основе ИИ. Вот некоторые из наиболее распространенных:
1. Высокие затраты на использование ИИ при управлении запасами
Хотя управление запасами на основе ИИ может потребовать
значительных первоначальных затрат, в конечном итоге оно может привести к
экономии средств и повышению эффективности.
2. Высокий уровень сложности внедрения систем ИИ
Хотя управление запасами на основе ИИ может показаться сложным, его
можно внедрить с помощью квалифицированного консультанта или ИТкоманды.
3. Управление запасами на основе ИИ приведет к увольнению работников
Хотя управление запасами на основе ИИ может автоматизировать
некоторые задачи, оно не заменит работников. Наоборот, оно может освободить
время и ресурсы сотрудников, позволяя им сосредоточиться на других областях
бизнеса.
Выбор правильного решения для управления запасами на основе ИИ
требует тщательного рассмотрения. Вот некоторые факторы, которые
необходимо учитывать:
1. Интеграция с существующими системами
Необходимо
выбирать
решение,
которое
интегрируется
с
существующими системами, с целью избегания сбоев в работе.
108
2. Масштабируемость
Следует выбирать программное обеспечение, которое масштабируется и
может расти вместе с бизнесом.
3. Простота использования
Следует выбирать программный продукт, который прост в использовании
и требует минимального обучения.
Перспективы использования ИИ в ТЛК
ИИ в ТЛК имеет значительные перспективы, поскольку технологические
достижения позволяют предприятиям автоматизировать и оптимизировать все
больше аспектов управления цепями поставок. Такие технологии ИИ, как
блокчейн и Интернет вещей (IoT), используются для создания более связанных
и интеллектуальных цепочек поставок, а обмен данными и анализ в режиме
реального времени позволяют предприятиям быстро реагировать на изменение
рыночных условий. По мере совершенствования ИИ он способен изменить
методы работы предприятий, создавая более эффективные и оперативные
цепочки поставок, обеспечивающие большую ценность для клиентов.
Несмотря на многочисленные преимущества ИИ в ТЛК, существуют и
проблемы, связанные с его внедрением. Одной из самых острых проблем
является недостаточное количество специалистов, владеющих необходимыми
навыками по внедрению ИИ в логистические процессы компании [7].
Существуют опасения по поводу этических и социальных последствий ИИ,
особенно в таких вопросах, как неприкосновенность частной жизни и
сокращение количества рабочих мест.
Несмотря на существующие проблемы, многие компании видят
значительные преимущества от внедрения решений на основе ИИ в ТЛК [8].
Например, компания DHL внедрила решение на основе ИИ для комплектации
на складах, что позволило увеличить количество комплектаций в единицу
времени на 25% и сократить количество ошибок на 60%. UPS внедрила
решение на основе ИИ для оптимизации маршрутов, что позволило снизить
расход топлива на 10%, экономя миллионы долларов ежегодно. Другие
примеры включают использование компанией Maersk блокчейна для создания
более прозрачной и эффективной цепи поставок и использование компанией
Amazon ИИ для оптимизации всей цепи поставок, от заказа до доставки.
Заключение
Технологии управления цепями поставок быстро меняются, а решения на
основе ИИ меняют методы работы предприятий. ИИ способен произвести
революцию в ТЛК, позволяя предприятиям в режиме реального времени
получать представление о своей деятельности и принимать решения на основе
данных, повышающие эффективность и снижающие затраты. По мере
совершенствования ИИ он способен создавать более эффективные и
оперативные цепочки поставок, обеспечивающие большую ценность для
клиентов. Однако внедрение ИИ сопряжено с определенными трудностями, и
предприятиям придется инвестировать значительные средства в необходимые
109
технологии, навыки и опыт для эффективного внедрения и управления
решениями на основе ИИ.
Решения по управлению запасами на основе ИИ предлагают широкий
спектр преимуществ для предприятий любого размера. От экономии затрат до
повышения точности и производительности, управление запасами на основе
ИИ революционизирует методы ведения бизнеса. Используя управление
запасами на основе ИИ, предприятия могут добиться экономии затрат,
повышения точности планирования и улучшения процесса принятия решений.
Библиографический список
1.
Фурсова Е.А. Мониторинг санкционных последствий для мировой экономики,
транспорта и логистики // В сборнике: Анализ и прогнозирование систем управления в
промышленности, на транспорте и в логистике. Сборник трудов XXII Международной
научно-практической конференции молодых ученых, студентов и аспирантов.
Петербургский государственный университет путей сообщения Императора Александра I.
2022. С. 244-249.
2.
Статья
Искусственный
интеллект
(рынок
России)
URL:
https://www.tadviser.ru/index.php/Статья:_Искусственный_интеллект_(рынок_России) (дата
обращения: 01.03.2023)
3.
Бадецкий А.П., Медведь О.А. Использование онтологий для разработки
единого цифрового пространства мультимодальных перевозок // Russian Journal of Logistics
& Transport Management. 2020. Т. 5. № 2. С. 57-68.
4.
Рыбин П.К., Ахмедов Р.Р., Бадецкий А.П., Медведь О.А. Использование
искусственной нейронной сети в целях прогнозирования поступления вагонов в порт //
Известия Петербургского университета путей сообщения. 2015. № 1 (42). С. 57-64.
5.
Арефьев И.Б., Коровяковский Е.К. Анализ и моделирование транспортных
узлов // Санкт-Петербург, 2018.
6.
Покровская О.Д., Коровяковский Е.К. Роль и задачи логистического центра в
региональной геополитике // Геополитика и безопасность. 2015. № 4 (32). С. 63-71.
7.
Коровяковский Е.К. Проблемы развития системы логистических центров на
железнодорожном транспорте // Логистические системы в глобальной экономике. 2013. № 31. С. 121-125.
8.
Коровяковский Е.К., Симушков А.М. Взаимодействие транспортных систем и
применение комплексного подхода к решению основных проблем смешанных перевозок //
Известия Петербургского университета путей сообщения. 2012. № 4 (33). С. 5-10.
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
110
В.М. Ларченков, Н.Г. Янковская, В.А. Болотин
ФГБОУ ВО «Петербургский государственный университет путей
сообщения императора Александра I», Россия
ПРОБЛЕМЫ И ТЕНДЕНЦИИ ТРАНСПОРТНОЙ ЛОГИСТИКИ В
СОВРЕМЕННЫХ УСЛОВИЯХ
Аннотация. В статье отмечены особенности функционирования транспортной
логистики во время ковидных ограничений. Рассмотрены трудности, вызванные
санкционными ограничениями, наложенными на РФ. Приведены некоторые тенденции,
направленные на преодоление кризисного состояние транспортно-логистической отрасли.
Ключевые слова: Транспортная логистика, ковидные ограничения, условия санкций,
направления развития транспортной логистики.
В последние десятилетия экономика многих стран развивалась по пути
глубокой интеграции и кооперации. Каждая страна, вовлеченная в процесс
интеграции, обладает конкурентными преимуществами, которые определяют ее
место в этом процессе. Для Российской Федерации одной из
системообразующих отраслей экономики в силу ее географических факторов
является транспорт [1].
Процессами, сопутствующими интеграции, являются транспортнологистические процессы. Интеграция предопределяет развитие транспортной
логистики и является одной из важнейших составляющих успешного развития
экономических связей [2]. Налаженные логистические цепочки способствуют
функционированию предприятий, позволяют организовывать бесперебойное
обеспечение их всем необходимым.
Однако мировая экономика время от времени переживает кризисы,
которые оказывают влияние на развитие экономики большого количества
стран, вызывают серьезный перекос и дисбаланс в их развитии. Сильнейшим за
последние 90 лет назван кризис, вызванный вирусом COVID-19, разразившийся
в 2019 году, который оказал существенное влияние на глобальные
транспортные маршруты, вызвав разрушение налаженных за долгие годы
логистических цепочек и приведший к дисбалансу грузопотоков.
Распространение коронавируса создало ряд трудностей для транспортной
логистики как глобальных, так и локальных.Страны мирового сообщества в
попытке предотвратить распространение пандемии предпринимали различные
ограничительные меры, порой разные в пределах одной страны. Например,
изменение порядка пересечения границы между Республикой Казахстан и КНР
потребовало от логистов рассматривать возможные варианты и искать наиболее
приемлемый [3]. Так невозможность прогнозировать развитие событий в начале
пандемии привели к ажиотажному спросу на перевозки сборных грузов на
некоторых направлениях, в частности из России в страны Скандинавии [4].
111
Из-за резкого роста стоимости контейнерного фрахта товары народного
потребления, комплектующие из Китая стали массово перевозиться по
железнодорожной сети России в Европу [5] .
По мнению Д.А. Воронецкого [6] за время пандемии в транспортной
логистике произошли существенные изменения, ставшие ответом на
наметившиеся тенденции в этой области:
- снижение грузопотока в мировом и локальных масштабах вследствие
ограничения выпуска продукции. Многие предприятия снижали свою
деятельность или вовсе закрывались;
- отсутствие простых, понятных правил игры в условиях карантина для
представителей логистического рынка;
- смещение грузопотоков на железнодорожный транспорт (Китай, РФ);
- усиление карантинных мер при прохождении таможни, провоцирующее
задержки и увеличение сроков доставки от нескольких дней до нескольких
недель и другие.
Для преодоления негативных явлений, вызванных кризисом, все страны и
отдельные компании предпринимали усилия, чтобы минимизировать его
последствия [7].
Логистические компании вынуждены были в условиях спада объема
перевозок бороться за немногочисленных потенциальных клиентов путем
демпинга.
Вследствие жесткой конкуренции с рынка перевозок вынужденно
уходили малые и даже средние логистические и транспортные компании.
Выжить могли только сильные, происходило присоединение мелких и средних
к крупным, бывшие конкуренты совместно предпринимали взаимовыгодные
шаги, чтобы остаться на рынке. Результатом взаимодействия являлась
разработка совместных эксклюзивных проектов и предложений.
В период пандемии произошел значительный рост объемов онлайн
торговли, который продолжает увеличиваться, что положительно сказывается
на логистических процессах движения товаров.
Пандемия дала мощный толчок для развития IT технологий во многих
отраслях экономики, включая сектор мировой логистики, и эта тенденция будет
развиваться.
Можно констатировать, что глобальный логистический шок, с которым
столкнулась мировая экономика, в целом преодолен, однако этого нельзя
сказать о нашей стране.
Новым, еще более суровым испытанием для отрасли транспортной
логистики, не совсем восстановившейся поле пандемии коронавируса, стало
введение экономических санкций в отношении России.
С осложнением геополитической ситуации в 2022 году и ужесточением
санкций, в России начался грандиозный процесс «разворота логистики на
Восток», сталкиваясь при этом с рядом трудностей, вызванных недостатком
инфраструктуры на дальневосточном и южном направлениях.
112
При этом на Ближнем, Дальнем Востоке, на Каспии и в Средней Азии
разворачивается воистину большая игра за контроль над глобальными
грузопотоками. В этой игре активное участие принимают Китай, Россия,
Турция, Иран и другие государства.
Связанные с этим задачи и пути их решения, в частности, обсуждались в
ходе Транспортной недели-2022 в Москве. Так, по словам председателя
правительства России Михаила Мишустина, первостепенное внимание в сфере
международной
логистики
сейчас
необходимо
уделять
развитию
международных транспортных коридоров (МТК) [8] .
Серьёзные изменения произошли и при прямом импорте/экспорте,
который осуществляется морским, железнодорожным и воздушным
транспортом, где был введен ряд ограничений.
Значительные искусственные ограничения при прямом импорте/экспорте
заставили российский бизнес искать альтернативные пути доставки сырья и
товаров. В этих условиях возникло понятие «параллельный импорт». Под
параллельным импортом понимается доставка номенклатуры товаров,
производимых западными брендами, однако не входящих в западные
санкционные пакеты. Данные товары невозможно доставить через страны
Восточной Европы из-за региональных санкционных ограничений, поэтому их
транспортировка осуществляется через территории третьих государств с
использованием различных внешнеторговых операций. Параллельный импорт
позволяет перемещать практически полную номенклатуру товаров,
необходимую для отечественного бизнеса в Россию и из России [9].
В зависимости от номенклатуры товара, присутствия грузополучателя в
западных санкционных списках, отношения грузоотправителя к отправке
товара в Россию и других нюансов, российский импортер по согласованию с
выбранным им транспортно-логистическим провайдером определяет
необходимую схему доставки товара.
Как при прямом, так и при параллельном импорте/экспорте стоимость
транспортировки грузов и сопутствующие затраты увеличились в разы. Как
пример, стандартная перевозка автопоездом из Берлина в Москву до двадцатых
чисел февраля 2022 стоила около 2000 евро [10]. Сегодня ставка фрахта
составит около 6600 евро с учетом того, что товар отсутствует в санкционных
списках и доставка осуществляется путём прямого импорта через ТЛЦ в
Республике Беларусь. Стоимость же подобной перевозки путём параллельного
импорта для номенклатуры товаров, входящих в санкционные списки, ещё
выше и зависит от многих факторов – номенклатуры товара, его стоимости,
характера упаковки и прочего [10].
Срок перевозки товаров также увеличился. На примере того же маршрута
Берлин – Москва, стандартный срок доставки увеличился с 5 до 8-9 дней (на 20
июля) при прямом импорте через ТЛЦ и до 40 дней при параллельном импорте
(через территории третьих государств с использованием различных
внешнеторговых операций) [10].
113
Как сказано выше, основные риски связаны с увеличившимся сроком
доставки, повышением стоимости перевозки. Кроме того, возникают новые
риски [11]. Переход с унимодальной перевозки на мультимодальную, что
происходит в создавшихся условиях довольно часто, увеличивает вероятность
несохранности груза, так как в большинстве случаев товар перегружается из
одного транспортного средства в другое. Возникновению несохранности
способствует также скопление автотранспортных средств на границе, на
терминалах и транзитных складах, задержки железнодорожных составов в
связи с возросшей нагрузкой на транспортную сеть.
В условиях неопределенности активизируются кибермошенники. Растет
количество инцидентов, связанных с кражей данных, проникновением во
внутренние системы контроля и формированием подложных электронных
документов. При параллельном импорте/экспорте к рискам и сложностям,
перечисленным
выше,
добавляется
такой
важный
фактор
как
неопределенность, поскольку перемещение грузов через территории третьих
стран сопряжено с рисками, на которые участники ВЭД повлиять не всегда
могут. Речь идет о действиях органов власти в третьих государствах и
повышенных рисках разного рода мошенничества. Сложившаяся в логистике в
2022 году сложная ситуация заставляет компании искать новые возможности,
искать новые пути транспортировки грузов. Примером служит сеть
транспортных коридоров «Север-Юг», по которому импорт из стран Восточной
Азии идёт в страны СНГ и Европу.
Существует шесть основных составляющих этого маршрута,
обозначенных на рис.1.
Перспективность данных маршрутов в текущих реалиях является
неоспоримой и имеет также некоторые перспективы, которые не являются
явными и будут завесить от геополитической ситуации.
1)
Для реализации движения по коридору необходимо улучшение
состояния маршрутной сети юга России. Направление маршрутов
грузоперевозки потребует модернизации транспортной инфраструктуры в
Дагестане, Чечне, Калмыкии и Астраханской области.
2)
Перспектива создания хаба в Тегеране для авиаперевозки товаров
из Китая транзитом в Россию, что обусловлено невозможностью большинства
грузовых самолётов российских авиакомпаний выполнять рейсы в Китай из-за
принадлежности западным лизингодателям и двойной регистрации [13] .
3)
Увеличение контейнерного транзита через порты Ирана, в
частности через Бендер-Аббас и перспективная возможность ввоза через
данный порт такой номенклатуры, как автотранспорт из ОАЭ.
114
Рис.1. Схема маршрутов в рамках системы транспортных коридоров «Север-Юг» [12]
Помимо данного транспортного коридора в рамках обозначенных
маршрутов изменяется структура судоходства. Так компании берут суда в
тайм-чартер и ставят на прямые судозаходы, например, из портов Индии в
Новороссийск, из портов Юго-Восточной Азии в Санкт-Петербург с
судозаходом в порты Северной Африки, но без судозаходов в базовые порты
Северной Европы. Нишу ушедших крупных международных линий и
экспедиторов занимают новые компании, зарегистрированные как в России, так
и в Китае, Турции, Южной Корее, странах Ближнего Востока. В связи с общим
замедлением роста мировой экономики, снижением объёмов перевозок,
фрахтовые ставки в линейном судоходстве снизились на таких направлениях
как Азия – Европа и Азия – Северная Америка в разы. Но это практически не
отразилось на стоимости транспортировки в Россию и из нее, ставки пока
сохраняются на высоком уровне.
Экспертная оценка даёт различные прогнозы относительно логистики в
ближайшем будущем. В частности, 2023 году продолжится тенденция роста
115
объёмов перевозок по альтернативным направлениям. Это, например, транзит
через порты Дальнего Востока, прямое железнодорожное сообщение с Китаем
и Вьетнамом, транзит через Турцию и Иран, морская транспортировка в
линейном сообщении и последовательными рейсами, соединяющими порты
России с портами Азии, Северной Америки, Латинской Америки, Африки,
перевозки по Северному морскому пути [14]. Изменилась география торговли,
изменились и логистические коридоры.
Отрасль транспортной логистики подстраивается под сложившиеся
условия с учетом появившейся специфики, адаптируется к ним несмотря на
меняющуюся ситуацию от месяца к месяцу. Компаниям приходится изучать
новые рынки и их особенности. Для реализации новых логистических
маршрутов Российсское правительство продолжает стремительно развивать
транспортную инфраструктуру.
Одним из направлений движения товаров, которое имеет стабильную
положительную динамику, является торговля с КНР, поэтому большое
значение придается развитию Восточного полигона [15]. В случае
благоприятной геополитической ситуации в долгосрочной перспективе
возможны инвестиции в строительство транспортного коридора с
железнодорожным сообщением через Среднюю Азию, Афганистан и Пакистан
с выходом на морские порты Индийского океана [16].
В целом можно сказать, что рынок логистических услуг РФ «остался на
плаву» хотя существенно возросли сроки и стоимость доставки грузов.
Принципы выстраивания рабочих процессов остались прежними — изменились
условия, в которых приходится их реализовывать, появились специфические
особенности движения товаров по направлениям, которые необходимо
учитываеть при разработке логистических цепей.
Библиографический список
1. В.Н. Круглов, Е.В. Алексеева, А.Д. Воронина, Н.А. Хохлова Проблемы интеграции
России в международные транспортно-логистические системы // Вестник Академии знаний.
2021.
№4
(45).
URL:
https://cyberleninka.ru/article/n/problemy-integratsii-rossii-vmezhdunarodnye-transportno-logisticheskie-sistemy
2. Асадуллина Н. Р. Транспортная логистика как составная часть мировой
транспортной системы // Экономика и финансы (Узбекистан). 2012. №4. URL:
https://cyberleninka.ru/article/n/transportnaya-logistika-kak-sostavnaya-chast-mirovoytransportnoy-sistemy
3. Болотин В.А., Янковская Н.Г. Анализ эффективности логистических схем доставки
грузов на направлении Чиндао (КНР) – Алматы (РК) в условиях ковидных ограничений //
Экономика устойчивого развития 2023 №1 (53) в печати
4. Рабийчук К.О., Янковская Н.Г. Проблемы доставки грузов сборными перевозками
из стран Скандинавии в условиях пандемии // Russian Journal of Logistics & Transport
Management. 2021. Т. 6. № S. С. 84-90.
5. Виталий Чернов Кого пошлют коридорами: вокруг России развернулась большая
логистическая игра URL: https://portnews.ru/comments/3270/
6. Воронецкий Д.А. Логистические тренды 2020-2021 года: жизнь во время и после
пандемии // The Scientific Heritage. 2021.- №75. – С.23-29.
116
7. Тенденции развития мировой логистики в 2021 году. Почему Китай – снова один из
лидеров рынка? URL: https://mjr.ru/blog/tendentsii-razvitiya-mirovoy-logistiki-v-2021/
8. Михаил Мишустин принял участие в работе XVI Международного форума
«Транспорт России» URL: http://government.ru/news/47042/
9. В России легализовали параллельный импорт товаров // Ведомости URL:
https://www.vedomosti.ru/economics/news/2022/03/30/915873-parallelnii-import-tovarov
10. Логистика в новых условиях — 4 URL: https://seanews.ru/2022/07/29/ru-logistika-vnovyh-uslovijah-4/
11. Логистика-2022: актуальные риски на глобальном рынке грузоперевозок URL:
https://www.panditrans.com/news/2022-aktualnye-riski-na-rynke-gruzoperevozok/
12. Прокофьев М.Н., Тохиров М.М. ПЕРСПЕКТИВЫ ТРАНСПОРТНОГО
КОРИДОРА
«СЕВЕР–ЮГ». Мир
транспорта.
2019;17(5):
200
213. URL:
https://doi.org/10.30932/1992-3252-2019-17-5-200-213
13. Конвенция о международной гражданской авиации (Чикаго, 7 декабря 1944 г.) (с
изменениями
и
дополнениями),
ст.
18,
Двойная
регистрация
самолётов.
URL:https://base.garant.ru/2540490/a573badcfa856325a7f6c5597efaaedf/
14. Все, что происходило в логистике в этом году, было похоже на американские горки
URL:
https://trans.ru/news/vse-chto-proishodilo-v-logistike-v-etom-godu-bilo-pohozhe-naamerikanskie-gorki
15. Баженов Ю., Денежкин А. Восточный полигон РЖД как пример региональной
интеграции на Дальнем Востоке // Постсоветский материк. 2019. №1 (21). URL:
https://cyberleninka.ru/article/n/vostochnyy-poligon-rzhd-kak-primer-regionalnoy-integratsii-nadalnem-vostoke
16.
Россия
пробила
коридор
к
Индийскому
океану
URL:
https://vz.ru/economy/2022/6/23/1164309.html
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
117
©Д.А. Леванович
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
АНАЛИЗ РАБОТЫ ОТДЕЛА КАК СИСТЕМЫ МАССОВОГО
ОБСЛУЖИВАНИЯ
Аннотация. В данной работе проводится оценка эффективности деятельности
предприятия ООО «Бетароботикс». Данные, на основании которых проводится анализ,
получены при изучении сведений о количестве поступающих заявок на реализацию проекта.
В данной работе рассматривается аутстафф-отдел IT-компании «Бетароботикс» как система
массового обслуживания. Целью данного исследования является разработка имитационной
модели, которая в свою очередь поможет оценить качество работы отдела компании,
отвечающего за аутстафф.
Ключевые слова: прогнозирование, имитационная модель, система массового
обслуживания, моделирование, аутстафф.
На современном этапе развития экономики страны в целях обеспечения
конкурентоспособности отечественных предпринимательских структур остро
встал вопрос о совершенствовании управления как основными, так и
вспомогательными бизнес-процессами предприятий. В данной работе
постараемся раскрыть экономическое содержание аутстаффинга как
инструмента организационной технологии, позволяющей при определенных
условиях повысить эффективность финансово-хозяйственной деятельности
предприятия, в том числе его конкурентоспособность. Основная цель
аутстаффинговой услуги — это решение вопросов, связанных с оптимизацией
штатного расписания и оперирования бюджетом компании, а также снижением
рисков, связанных с решением трудовых споров [1]. При аутстаффинге
персонал заключает трудовые договоры не с фирмой, являющейся фактическим
работодателем, а с организацией-посредником, или аутстаффером. Аутстаффер
берет на себя функции выплаты заработной платы, уплаты налогов, исполнения
трудового законодательства (прием на работу, увольнение и т.д.). В то же время
работу персонал выполняет непосредственно для компании, являющейся
фактическим заказчиком. Договорные отношения между аутстаффером и
компанией — фактическим работодателем оформляются через договор о
предоставлении персонала.
Имитационная система массового обслуживания (СМО) — модель,
отражающая поведение системы и изменение ее состояния во времени при
заданных потоках требований, поступающих на входы системы. С целью
повышения качества и эффективности работы аутстафф-отдела компании ООО
«Бетароботикс» представим отдел как СМО, разработаем имитационную
модель путем изменения ее отдельных параметров и сформируем ряд
рекомендаций по улучшению.
118
Рассмотрим один рабочий день сотрудников отдела. В нем работают 4
человека: начальник отдела и 3 специалиста, которые отвечают за работу с
заявками, поступающими из других структурных подразделений предприятия.
За время прохождения практики было установлено, что в среднем отдел
обслуживает 5 заявок в час (интенсивность поступления заявок λ = 5
заявок/час). Рабочий день длится 8 часов, однако следует учитывать, что в
среднем полчаса уходит на обсуждение плана работы и постановку задач, а
также полчаса сотрудники тратят на обеденный перерыв, т.е. чистое рабочее
время составляет 7 часов (Траб = 7 часов). В рассматриваемом отделе
максимальная длина очереди в ожидании обработки заявки равна 4. Если же
очередь равна данному значению, то заявка получает отказ. В среднем каждый
сотрудник обрабатывает заявку 60 минут (среднее время обслуживания tобс = 1
час). При этом порядок назначения заявки на обслуживание и выбора
свободного канала являются произвольными. Исходные данные имитационной
модели представлены в таблице 1.
Tраб
7
λ
5
n
4
Таблица 1 - Исходные данные имитационной модели
m
tосб
ЗР
Ε
4
1
exp
0,15
Где приняты следующие обозначения:
Траб – время работы СМО, час;
λ – интенсивность поступления заявок ед./час;
n – число обслуживающих каналов, ед.;
m – максимальная длина очереди, ед.;
tобс – среднее время обслуживания, час;
ЗР – закон распределения времени обслуживания;
ε – погрешность вычислений.
На рис. 1 представлена программа моделирования СМО с исходными
данными. Сперва объявляется число каналов с помощью оператора STORAGE,
затем на вход подаются заявки с экспоненциальным распределением и
интенсивностью λ=5 заявок/час. Далее с помощью оператора TEST L
происходит проверка длины очереди, и если она больше 4, то заявка покидает
СМО необслуженной. Если же длина очереди меньше 4, то заявка встает в нее,
занимает свободный канал и покидает очередь.
Время обслуживания заявки задается с помощью экспоненциального
закона, затем заявка освобождает канал, после чего покидает СМО. В конце
задается таймер с временем работы 7 часов с помощью оператора GENERATE.
119
Текст программы с исходными данными в GPSS
Рис. 1. Текст программы в GPSS World.
Задав 1 прогон на
представленный на рис. 2.
старт,
получается
отчет
моделирования,
Отчет моделирования СМО в программе GPSS
Рис. 2. Отчет моделирования СМО.
Исходя из отчета: сгенерировано 33 заявки, обслужено 28 заявок,
коэффициент загрузки 0,918, среднее число занятых каналов 3,671,
120
необслуженными ушли 5 заявок, средняя длина очереди – 1,758 заявок, среднее
время ожидания в очереди – 0,439 часа.
Чтобы определить функцию отклика, проведем расчет наиболее
информативных показателей эффективности СМО: вероятности отказа,
абсолютной и относительной пропускных способностей, коэффициента
загрузки каналов.
При интенсивности поступления заявок λ = 5 (рис. 2):
вероятность отказа:
;
-
относительная пропускная способность:
-
абсолютная пропускная способность:
-
коэффициент загрузки каналов:
;
;
.
Теперь изменим интенсивность поступления заявок для определения
номинального режима работы СМО. Опытным путем было выявлено, что при
увеличении интенсивности поступления заявок на 1 и 2 единицы, увеличились
вероятность отказа и коэффициент загрузки каналов. По сравнению с
начальными данными при λ=5 с λ=7 вероятность отказа возросла и составляет
39%, что недопустимо. Относительно других показателей, абсолютная
пропускная способность и коэффициент загрузки также увеличились.
Аналогично проанализируем, как будут изменяться эти показатели при
уменьшении интенсивности.
Моделирование СМО при λ = 4
Рис. 3. Моделирование СМО при λ = 4.
121
При интенсивности поступления заявок λ = 4 (рис. 3):
;
вероятность отказа:
-
относительная
пропускная
способность:
;
-
абсолютная пропускная способность:
-
коэффициент загрузки каналов:
;
.
При дальнейшем уменьшении λ тенденция сохраняется. По рассчитанным
значениям видно, что при значении интенсивности поступления заявок λ = 5
заявок/час режим работы СМО ближе всего к номинальному, так как при нем
приемлемая вероятность отказа и максимальная абсолютная пропускная
способность при необходимом уровне загруженности отдела.
Теперь определим число прогонов, прогоняя программу в номинальном
режиме с разными генераторами, выписывая среднее время ожидания из
отчетов в таблицу 2.
Таблица 2 - Среднее время ожидания заявки определенного генератора
Номер генератора
1
Среднее
время
0,439
ожидания, час
2
3
4
5
6
7
0,243
0,275
0,609 0,413 0,915 0,232
По данной таблице найдем среднеквадратическое отклонение времени
ожидания:
Тогда число прогонов рассчитывается по формуле при коэффициенте
Стьюдента t=2,365 и погрешности ε=0,15:
Тогда необходимое число прогонов равно 13.
Таким образом, был определен номинальный режим работы и
оптимальное число прогонов при λ=5 и N=13. При моделировании было
обнаружено, что при текущей нагрузке на отдел, он работает на 94% своей
возможности, а вероятность отказа составляет 25,2 %. Для снижения
количества необработанных заявок и снижения нагрузки рекомендуется нанять
еще одного сотрудника.
Для того, чтобы наглядно подтвердить точность разработанной
имитационной модели, исследование будет продолжено. Мы можем
смоделировать аналогичную систему, а также исследовать эффективность
122
работы аутстафф-отдела в пакетах прикладных программ Simulink Matlab и
AnyLogic.
Библиографический список
1.
Арефьев И.Б., Афанасьева О.В. Реализация задач управления и
прогнозирования человеко-машинных комплексов на основе логико-рефлексивного
моделирования Конспект лекций в сетях и системах. 2022. №422. стр. 187-197. 10.1007/9783-030-98832-6_17.
2.
Аутсорсинг и аутстаффинг : учебное пособие / Н. Е. Рябикова, Р. И. Рябиков,
Л. Ю. Гербеева, Е. И. Куценко. — Оренбург : ОГУ, 2016. — 114 с. — ISBN 978-5-7410-13991. — Текст : электронный // Лань : электронно-библиотечная система. — URL:
https://e.lanbook.com/book/98132 (дата обращения: 16.02.2023). — Режим доступа: для
авториз. пользователей.
3.
Голов, Р. С. Организация производства, экономика и управление в
промышленности : учебник / Р. С. Голов, А. П. Агарков, А. В. Мыльник. — Москва : Дашков
и К, 2019. — 858 с. — ISBN 978-5-394-02667-6. — Текст : электронный // Лань : электроннобиблиотечная система. — URL: https://e.lanbook.com/book/229568 (дата обращения:
16.02.2023). — Режим доступа: для авториз. пользователей.
4.
Дзахмишева, З.А. МЕТОДИКА ВЫБОРА ОРГАНИЗАЦИИ-АУТСОРСЕРА
КАК ИНСТРУМЕНТ, ПОЗВОЛЯЮЩИЙ ЭФФЕКТИВНО ПЕРЕРАСПРЕДЕЛЯТЬ
ВНУТРЕННИЕ И ВНЕШНИЕ РЕСУРСЫ ПРЕДПРИЯТИЯ / З.А. Дзахмишева, М.Н.
Камбачокова // Вестник Белгородского университета кооперации, экономики и права. —
2015. — № 1. — С. 239-244. — ISSN 2223-5639. — Текст : электронный // Лань : электроннобиблиотечная система. — URL: https://e.lanbook.com/journal/issue/295496 (дата обращения:
20.02.2023). — Режим доступа: для авториз. пользователей.
5.
Мансурова, Г.И. РОЛЬ И ЗНАЧЕНИЕ АУТСОРСИНГА В СОВРЕМЕННЫХ
УСЛОВИЯХ / Г.И. Мансурова, А.А. Антонов // Вестник Ульяновского государственного
технического университета. — 2012. — № 2. — С. 70-74. — ISSN 1684-7016. — Текст :
электронный //
Лань
:
электронно-библиотечная
система.
—
URL:
https://e.lanbook.com/journal/issue/307677 (дата обращения: 16.02.2023). — Режим доступа:
для авториз. пользователей.
6.
Первухин Д.А., Клавдиев А. А. Оценка качества сложных систем на основе
методов стохастического подобия. Записки Горного Института. 2015. №214. pp. 85-91.
Рецензент: д-р техн. наук, проф. В.Е. Трушников
123
Л.Ю. Литовченко, И.А. Бригаднов
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ОБРАБОТКА И АНАЛИЗ ИЗОБРАЖЕНИЙ В ЗАДАЧАХ
КОМПЬЮТЕРНОГО ЗРЕНИЯ
Аннотация. Статья посвящена обзору методов обработки изображений,
используемых в компьютерном зрении. Исследование направлено на изучение
существующих подходов и стилей машинного обучения в компьютерном
зрении, анализ областей применения и прогнозирование будущих тенденций.
Ключевые слова: компьютерное зрение, машинное обучение, нейронные
сети, обработка изображений, распознавание.
Компьютерное зрение - это область искусственного интеллекта, которая
позволяет компьютерам и системам извлекать значимую информацию из
цифровых изображений, видео и других визуальных входных данных, а также
предпринимать действия или давать рекомендации на основе этой
информации. Если искусственный интеллект позволяет компьютерам думать,
то компьютерное зрение позволяет им видеть, наблюдать и понимать.
Способность распознавать значимые паттерны в визуальных объектах
неразрывно связана со сферой человеческого восприятия стилистических и
семантических признаков художественного произведения, по сути, берет
начало из композиции цветовых, фактурных и формообразующих признаков,
зрительно воспринимаемых человеческим глазом, и может зависеть от
предшествующих исторических знаний (или их отсутствия) [1].
Существует множество различных алгоритмов обработки и анализа
изображений разной сложности, включая методы на основе машинного
обучения. В настоящее время машинное обучение стала одной из самых
обсуждаемых тем из-за прямого обучения машин с меньшим взаимодействием
с человеком. На рисунке 1 представлены различные стили машинного
обучения.
Методика обработки изображений в задачах распознавания и
обнаружения обычно состоит из пяти основных этапов:
1. Загрузка набора данных.
2. Предварительная обработка. Очень важно, чтобы изображение было
отфильтровано и улучшено. Цифровые изображения могут содержать
различные артефакты, включая шум. Масштабирование, шумоподавление и
улучшение изображения - все это этапы предварительной обработки [3].
3. Сегментация (кластеризация). На этом этапе изображение разбивается
на части. Определяются признаки сходства и различия данных. Сегментация
включает точное определение объектов или областей интереса на изображении
путем присвоения метки каждому пикселю изображения.
124
4. Применение классификаторов к набору уже обработанных
изображений. Классификация способна точно предсказать принадлежность
данного изображения к определенному классу.
5. Распознавание объектов. Целью процедуры распознавания является
ответ на вопрос: относится ли объект, описанный заданными
характеристиками, к интересующим нас категориям и если относится, то к
какой именно.
Рис. 1. Классификации стилей машинного обучения [2]
Предварительная обработка. Эффективность аналитической обработки
информации в первую очередь зависит от качества входного массива данных.
Наличие шумов и других аномалий на изображениях может значительно
повлиять на результат исследования и привести к ошибочному заключению [4].
Алгоритмы, предназначенные для решения проблем прикладного
технического зрения, должны работать на реальных изображениях в
неидеальных условиях. В то же время те, кто разрабатывал алгоритмы
обработки реального изображения, хорошо знают, сколько существует
переменных и независимых факторов, влияющих на процесс обработки
изображений. К ним можно отнести задымления, атмосферные осадки, пыль,
искусственные помехи и многие другие [5].
Обычно перед сложным анализом изображения проходят несколько
этапов предобработки для устранения дефектов, таких как шумы, размытость
(расфокусировка), дефекты цвета и т. д., которые могут существенно повлиять
на результаты анализа. Фильтрация изображений может быть применена для
уменьшения количества нежелательных шумов, устранения эффекта размытия,
смягчения или затемнения цвета и яркости изображения [6].
125
Как правило, первым шагом перед анализом изображений является
процесс устранения шумов (шумоподавление), который, несмотря на большое
количество исследований в данной области, до сих пор является
фундаментальной проблемой в области обработки изображений [1].
Применяются следующие методы фильтрации [7]:
1. Усредненный фильтр позволяет уменьшить шум и уровень
детализации, полагаясь на среднее значение, однако есть риск потерять края
важных структурных объектов на изображении.
6. Размытие по Гауссу использует взвешенное среднее, где соседние
пиксели, расположенные ближе к центральному пикселю, вносят больший
“вес” в среднее значение. Таким образом, изображение менее размыто, но более
естественно, чем при использовании усредненного метода.
7. Двусторонняя фильтрация позволяет сохранить края изображения, при
этом уменьшая шум. Самым большим недостатком этого метода является то,
что он значительно медленнее, чем его аналоги.
8. Метод медианного размытия заменяет центральный пиксель медианой
окрестности. Медиана устойчива к выбросам, поэтому шум на изображении
будет меньше влиять на медиану, чем другой статистический метод.
Рис. 2. Применение метода медианного размытия: (а) исходное изображение с шумом;
(б) метода медианного размытия с ядром 7х7.
Кластеризация. Кластеризация — одна из фундаментальных задач
машинного обучения. Кластеризация преследует цель найти в данных
естественное группирование, при котором элементы в одном кластере будут
больше похожими друг на друга, чем на элементы из других кластеров.
Кластеризация,
иными
словами
сегментация, изображения
может
использоваться для распознавания образов, извлечения признаков, поиска
изображений на основе содержимого [2].
C момента своего появления алгоритм кластеризации k-means получил
широкое
распространение
благодаря
простоте
реализации
и
эффективности. Например, с использованием эффективной сегментации
изображений и системы на основе машинного обучения можно оценить
качество пищевых продуктов. Для начала используется исключение Гаусса для
удаления шума с изображений. Затем фотографии подвергаются выравниванию
гистограммы для улучшения их качества. Сегментация изображения
осуществляется с использованием метода кластеризации k-средних. Затем
126
фотографии пищевых продуктов классифицируются с использованием таких
методов машинного обучения, как k-means, метод опорных векторов и др. [3].
Распознавание. Визуальное отслеживание, в частности отслеживание
отдельных объектов привлек значительное внимание в сообществе
компьютерного зрения из-за его широкого применения, такого как
интеллектуальный анализ видео, взаимодействие человека и машины и
автономное вождение. За последнее десятилетие был достигнут значительный
прогресс в визуальном отслеживании. Нейронная сеть может приблизить
любую функцию и обучиться решать любую задачу, а глубокая нейронная сеть
способна более эффективно выполнить определенные задачи с помощью
обработки большого объема данных и выявить в них закономерности [8].
В последнее время сверточные нейронные сети (CNN) стали одними из
наиболее широко используемых методов в архитектурах глубокого обучения.
Основное преимущество модели CNN перед своими предшественниками
заключается в том, что она автоматически определяет важные особенности без
какого-либо контроля со стороны человека. Модель CNN состоит из двух
частей: извлечение признаков и классификация. Слои объединения свертки
извлекают функции, в то время как полносвязные слои служат
классификатором. Кроме того, CNN имеет несколько динамических
параметров, позволяющих легко обучить машину [9]. Развитие компьютерных
технологий позволяет накапливать базы данных для обучения нейросетей,
делая её более точной. При этом, каждая нейросеть является ориентированной
под определенные области и объекты, поэтому важно расширять их [10].
Эффективно себя показал алгоритм извлечения признаков горных инженерных
изображений, основанный на алгоритме имитации отжига. Алгоритм имитации
отжига имеет функцию автоматического обучения. Его преимущество состоит
в том, что он сочетает в себе извлечение и классификацию признаков
изображения, а также проявляет свою эффективность за счет взаимной
настройки обратной связи, в то время как традиционные методы
разделены. Алгоритм имитации отжига решает такие узкие места, как низкая
степень распознавания и длительное время обучения алгоритма при
традиционном распознавании изображений [11].
Перспектива. Достижения в области информационных технологий
привели к ежедневному генерированию огромных объемов информации [12].
Следовательно, сбор достоверных данных, которые полезны для дальнейшего
процесса, является важной проблемой, возникающей при сборе данных из
разных источников, но гарантирующей, что данные относятся к определенной
области. В большинстве случаев, как видно из научных трудов, особые
сложности вызывает набор данных, будь то недостаток данных или слабая
чувствительность данных к разнообразным видам изменчивости. Разработка
алгоритмов с более низкими требованиями к обучающим данным, чем
существующие модели, является ключом к будущему технологии
компьютерного зрения. Отрасль начала исследовать несколько потенциально
127
новаторских тем исследований, чтобы решить эту проблему, применяя
обучение с подкреплением, трансфертное обучение и многозадачное обучение.
Обучение с нулевым выстрелом (обучение с нуля) — установка, в
которой модель может научиться распознавать вещи, которые она раньше явно
не видела при обучении. Существуют разные подходы к обучению с нулевым
выстрелом, но общим является то, что вспомогательная информация, такая как
текстовые описания, используется или кодируется в процессе обучения вместо
явных меток.
Обучение с несколькими выстрелами — это тип метаобучения, при
котором учащийся работает над множеством похожих задач на этапе
метаобучения, чтобы он мог успешно обобщить их на неизвестные (но
связанные) задачи всего на нескольких примерах. Это обучение обычно
используется для представления многих задач и подготовки классификаторов
для конкретных задач [2].
Трансферное обучение — это метод машинного обучения, при котором
модель, обученная одной задаче, переназначается для второй связанной задачи.
Исследование публикаций в Scopus по теме компьютерного зрения за период
2015-2022 годы показывает, что за последние 2 года интерес к данному стилю
обучение значительно возрос из-за перспективности его применения. График с
исследованием представлен на рисунке 3.
Рис.3. Количество публикаций стилей обучения за 2015-2022 [2]
Помимо решения проблемы с нехваткой данных также существуют и
другие преимущества перехода к рассмотренным алгоритмам машинного
обучения:
•
улучшение обобщающей способности модели;
128
•
•
улучшение масштабируемости;
повышение надежности.
Библиографический список
1.
Castellano G., Vessio G. (2022). A Deep Learning Approach to Clustering Visual
Arts. International
Journal
of
Computer
Vision,
130(11),
2590–2605.
https://doi.org/10.1007/s11263-022-01664-y
2.
Mahadevkar S. V. et al. (2022). A Review on Machine Learning Styles in Computer
Vision—Techniques and Future Directions. IEEE Access,
10, 107293-107329.
https://doi.org/10.1109/ACCESS.2022.3209825
3.
Hemamalini V., Rajarajeswari S., Nachiyappan S., Sambath M., Devi T., Singh B.K.,
Raghuvanshi A. (2022). Food Quality Inspection and Grading Using Efficient Image Segmentation
and Machine Learning-Based System. Journal of Food Quality, 2022, 350-356.
https://doi.org/10.1155/2022/5262294
4.
Иванова И.В. Удаление шумов на изображениях при помощи автокодировщика
/ И. В. Иванова, П. А. Пальмин // Научные исследования в современном мире. Теория и
практика: Сборник избранных статей Всероссийской (национальной) научно-практической
конференции, СПб., 10 мая 2021 года. – СПб: ЧНОУДПО Гуманитарный национальный
исследовательский институт «НАЦРАЗВИТИЕ», 2021. С.74-78.
5.
Zou Y., Ma Y., Zhuang L., Wang G. (2021). Image Haze Removal Algorithm Using
a Logarithmic Guide Filtering and Multi-Channel Prior. IEEE Access, 9, 11416-11426.
https://doi.org/10.1109/ACCESS.2021.3050260
6.
Иванова И. В. Фильтрация и редактирование изображений в Python /
И.В. Иванова, П.А. Пальмин // Научные исследования в современном мире. Теория и
практика : Сборник избранных статей Всероссийской (национальной) научно-практической
конференции, Санкт-Петербург, 10 мая 2021 года. – СПб: ЧНОУДПО Гуманитарный
национальный исследовательский институт «НАЦРАЗВИТИЕ», 2021. – С. 69-73.
7.
Milan Sonka, Image Processing, Analysis and Machine Vision / Milan Sonka,
Vaclav Hlavac, Roger Boyle // Cengage Learning, Fourth Edition – 2015 – P. 920
8.
Перегудина, Э.С. Анализ деятельности промышленного предприятия с
применением искусственного интеллекта / Э. С. Перегудина, Д.А. Первухин // Russian Journal
of Logistics & Transport Management. – 2021. – Т. 6. – № S. – С. 70-74.
9.
Dey S., Singh A. K., Prasad D. K. & Mcdonald-Maier K. D. (2019). SoCodeCNN:
Program Source Code for Visual CNN Classification Using Computer Vision Methodology. IEEE
Access, 7, 157158-157172. https://doi.org/10.1109/ACCESS.2019.2949483
10.
Афанасьева О. В. Применение машинного зрения в процессе производства
продукции предприятиями минерально-сырьевого комплекса / О.В. Афанасьева,
Д.В. Ромашин, М.П. Григорьева // Автоматизированное проектирование в машиностроении.
– 2022. – № 13. – С. 147-149. – DOI 10.26160/2309-8864-2022-13-147-149.
11.
Nianhua Q., Yubiao Y., Tong C., Yajun W., Xin S., Limin W. (2022). Mining
Engineering Image Recognition Method Based on Simulated Annealing Algorithm. Mobile
Information Systems, 2022, 450-463. https://doi.org/10.1155/2022/1832836
12. Маховиков А. Б. Инструменты для обработки больших объемов информации и
перспективы их использования в горнодобывающей промышленности / А.Б. Маховиков,
А.С. Лутонин, С.Б. Крыльцов // Высокие технологии и инновации в науке: сборник
избранных статей Международной научной конференции, Санкт-Петербург, 27 ноября 2020
года. – Санкт-Петербург: ЧНОУДПО Гуманитарный национальный исследовательский
институт «НАЦРАЗВИТИЕ», 2020. – С. 164-169. – DOI 10.37539/VT188.2020.93.31.022.
Рецензент: канд. техн. наук, доц. Е.Б. Мазаков
129
©А.А. Панова
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
АНАЛИЗ ЭТАПОВ СТАЛЕЛИТЕЙНОГО ПРОИЗВОДСТВА
Аннотация. В работе исследуется производство стали в электросталеплавильной печи
как на мировом уровне, так и в России, а также разработка концептуальной модели
производства
стали.
Объектом
исследования
в
данной
работе
является
электросталеплавильная печь. В качестве цели работы выбрана разработка концептуальной
модели производства стали. В рамках данного исследования были изучены основные этапы
производств стали, построена концептуальная модель на основании экспертных оценок и
соответствующих расчетах.
Ключевые слова: электросталеплавильная печь; сталь; производство стали; дуговая
сталеплавильная печь; концептуальная модель производства стали; этапы плавления стали;
технологический процесс плавления стали; входные параметры, влияющие на производство
стали.
Целью
научно-исследовательской
работы
является
построение
концептуальной модели производства стали.
Задачи данной работы:
изучение конструкции и работы электросталеплавильной печи;
изучение этапов производства стали;
построение концептуальной модели.
Объектом
исследования
в
данной
работе
является
электросталеплавильная печь. Предмет исследования - процессы, протекающие
в электросталеплавильных печах.
Сталь — главный продукт железной металлургии, в состав которой
входит сплав железа с углеродом. Получение стального продукта требует
множества трудоемких операций.
В данной работе рассматривался завод «Электросталь» в городе Тюмень.
«Электросталь» Тюмени — один из новейших видов металлургических
комбинатов, недавно созданных в России. В 2013 году электросталеплавильный
цех предприятия впервые произвел сталь, а официально начал работу в 2014
году. Итальянская компания Danieli стала поставщиком оборудования, а
инвестиции в проект оцениваются в 22 млрд руб. Данное предприятие имеет
два цеха – электросталеплавильный и прокатный.
Для того, чтобы произвести сталь, должно пройти несколько этапов.
1 этап. Подготовка печи к плавке.
Перед началом плавки печь нужно тщательно проверить, очистить от
остатков шлака и металла. Если из печи не убрать металлический шлам, то при
переходе с выплавки одной марки стали на другую можно не попасть в нужный
состав металла.
2 этап. Загрузка шихты в дуговую печь.
Качество загрузки электропечи шихтой сильно влияет на будущий состав
стали. В состав металлической шихты входит стальной лом, чугун и отходы
сталеплавильного производства. Перед плавкой обязательно нужно точно
130
взвесить шихту. Неправильное взвешивание или смешение компонентов шихты
серьезно затруднит ведение плавки и приводит к ошибочному анализ. При
выборе лома следует учитывать не только его химический состав, но и другие
характеристики, такие как насыпная масса, соотношение тяжелого лома к
легкому и порядок размещения лома в печи.
3 этап. Плавление шихты.
Этап плавления проходит при высокой температуре, мощности и
напряжении дуг. Но в начале нужно применить низкое напряжение, во
избежание излучения на стены печи. Электрические дуги электропечи
образуют в процессе плавления колодцы в шихте, которые на 30-40% больше
диаметров электрода, после этого уже можно повысить напряжение. Если была
произведена правильная загрузка лома и шихты, то плавку можно вести при
полной мощности.
4 этап. Окисление.
Данный этап заключается в: понижении содержания фосфора в готовой
стали сверх разрешенных пределов; исключении фракционированных газов,
особенно углерод; нагреве металла до предела плавления, прибавив 120 –
130 °С и получается жидкий металл; подготовке ванны в подходящие условия
для этого процесса.
5 этап. Раскисление. Восстановительный этап.
На данном этапе происходит раскисление металла, удаление серы,
корректирование химического состава стали, регулирование температуры
ванны, подготовка жидкоподвижного хорошо раскисленного шлака для
обработки металла во время выпуска из печи в ковш.
6 этап. Выпуск плавки.
Для того чтобы выпустить плавку, нужно повторно использовать
раскисляющую и обессеривающую способность белого шлака. В начале в ковш,
который используется для разливки стали, очень плотно заливается шлак, а
затем сверху на него выпускают металл. Плавление металла колеблется в
диапазоне от 5 до 10 минут, это зависит от наклона печи. Под конец выпуска
металла сливают остатки шлака.
Для того чтобы построить концептуальную модель, нужно рассмотреть
входные параметры, влияющие на производство стали: шлак, остатки металла,
заправочные смеси, тепловые нагрузки, тепловая нагрузка, состояние
футеровки печи, состав металлической шихты, вес шихты, насыпная масса
лома, габаритность лома, последовательность размещения лома в печи,
состояние электродов, продолжительность завалки, исправность изоляции,
пыль, исправность охлаждающей системы, зазоры, емкость печи, мощность
трансформатора, состав выплавляемой стали, электрический режим,
напряжение на дуге, фосфор, добавка железной руды с известью, температура,
активность продувки, объем углерода, шлак с высокой основностью,
раскислители, электроэнергия, температура ванны, жидкоподвижный
раскисленный шлак, легирующие добавки, время, белый печной шлак. Данные
параметры были отправлены на оценивание к экспертам. Число факторов n=34,
число экспертов m = 5.
131
Разработка концептуальной модели производства стали происходила в
11 этапов
Этап 1. Создание экспертной комиссии.
Этап 2. Сбор экспертного мнения с помощью опроса.
Этап 3. Составление сводной матрицы оценок.
Этап 4. Составление сводной матрицы рангов.
Этап 5. Вычисление суммы рангов.
Этап 6. Расположение факторов по значимости.
Этап 7. Вычисление коэффициента конкордации.
Этап 8. Оценка значимости коэффициента конкордации.
Этап 9. Вычисление показателей весомости рассмотренных параметров.
Этап 10. Выбор значимых параметров для построения концептуальной
модели.
Этап 11. Построение концептуальной модели.
Для построение концептуальной модели было отобрано 15 параметров,
влияющих на производство стали, у которых вес был
. Параметры:
добавка железной руды с известью, шлак с высокой основностью,
электроэнергия, напряжение на дуге, электрический режим, объем углерода,
продолжительность завалки, тепловая нагрузка, габаритность лома,
последовательность размещения лома в печи, состояние футеровки печи,
температура, состав выплавляемой стали, фосфор, время.
Таким образом, было изучено и исследовано производство стали в
электросталеплавильной печи. Были рассмотрены этапы производства стали в
дуговой сталеплавильной печи, после этого была построена таблица с
входными параметрами, влияющие на выплавку стали. Была проведена и
организована экспертная оценка по таблице с параметрами и на основании
оценок были проведены расчеты, благодаря которым была построена
концептуальная модель. В данную модель были включены 15 параметров из 34,
у которых вес был ≥0,03. Данные параметры являются самыми важными,
влияющими на производство стали.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Лапшин И.В. Автоматизация агрегатов внепечной обработки стали и
спецэлектрометаллургии. Москва.: Издательство МИСиС, 2009, 109 с.
2. Производство стали в электропечах (электрометаллургия)[Электронный
ресурс]. Режим доступа: https://markmet.ru/tehnologiya_metallov/proizvodstvo-stali-velektropechakh-elektrometallurgiya
3. Описание технологического процесса и технологического оборудования
[Электронный
ресурс].
Режим
доступа:
https://studbooks.net/1677920/tovarovedenie/opisanie_tehnologicheskogo_protsessa_tehnol
ogicheskogo_oborudovaniya
4. Глинков Г.М., Маяковский В.А. АСУ ТП в черной металлургии.
Издательство «Металлургия», 1999, 310 с.
5. Черная металлургия за рубежом [Электронный ресурс]. Режим доступа:
https://www.metalinfo.ru/ru/news/130855
Рецензент: д-р техн. наук, проф. В.Е. Трушников
132
@ А.С. Панова, Р. С. Федьков, А. В. Гурко
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ПРЕДИКТИВАНАЯ ДИАГНОСТИКА ПРОМЫШЛЕННОГО
ОБОРУДОВАНИЯ НА ОСНОВЕ РАСПОЗНАВАНИЯ ТЕХНИЧЕСКИХ
ЗВУКОВ
Аннотация. Проводится анализ подходов для решения задачи предиктивной
диагностики промышленного оборудования на основе систем распознавания технических
звуков с помощью алгоритмов машинного обучения.
Ключевые слова: предиктивная диагностика, диагностический комплекс, контроль
технического состояния, машинное обучение, распознавание звуков, нейронные сети
Введение
Система предиктивной диагностики представляет собой реализацию идеи
раннего обнаружения неисправностей оборудования на основе информации
поступающей от датчиков, наблюдения за оборудованием с помощью систем
видеонаблюдения с возможностью распознавания, прослушивание технических
звуков оборудования с возможностью распознавания отклонений в работе
оборудования. Данный подход предполагает, что все эти процессы
выполняются в комплексе в режиме реального времени.
Цель такой диагностики – предотвратить аварию или поломку
оборудования путем ее выключения, снижения нагрузки и информирования
оператора о ситуации.
Подобные системы обеспечивают значительный эффект:
•
повышение готовности оборудования за счет сокращения времени
ремонта при одновременном снижении общих ремонтных затрат за счет
качественного и своевременного планирования ремонтных работ;
•
снижение частоты отказов оборудования;
•
возможность гибкого управления рисками и потерями производства
за счет расширения горизонта планирования при принятии решений.
Системы предиктивной аналитики на производстве должны уметь
проводить анализ критичности оборудования, выявлять важные и рискованные
для производства элементы, анализировать исторические данные, на основе
подготовленной информации строить и обучать модели, создавать
диагностические правила.
Отдельная задача - это сопровождение созданных моделей после
подключения их к реальным данным, анализ обнаруживаемых системой
проблем, подготовка отчетов по результатам работы системы предиктивной
диагностики.
Одним из направлений, предиктивной диагностики является
распознавание звуков технического оборудования. При решении задачи
необходимо учитывать.
133
Контекстное распознавание звуков окружающей среды – область
исследования, состоящая из акустической обработки, например, речи, музыки,
звуков природы, техники и оборудования для распознавания событий и
ситуаций, происходящие в конкретном месте в определенном контексте.
В отличие от распознавания речи в звуках окружающей среды нет четкого
фонетического разбиения. Распознавание звуков окружающей среды также
осложняется тем, что в них граница между сигналом и шумом крайне низкая в
связи с тем, что микрофон не располагается рядом с источником звука,
перекрытием одного звука другим.
На данный момент приобретают популярность разные виды нейронных
сетей: сверточные.
Целью работы является применение моделей нейронных сетей на всех
этапах распознавания звуков окружающей среды, точности их результатов,
выявления имеющихся проблем и предложение путей их решения.
Обсуждение научных результатов
Процесс распознавания звуков окружающей среды состоит из
следующих этапов: сбор данных для анализа, предварительная обработка,
классификация и идентификация, выбор значимых параметров.
Этап сбора данных. Исследования в области создания наборов данных для
дальнейшего
обучения
системы предполагается использовать три
общедоступных библиотеки звуков окружающей среды: ESC-10, ESC-50,
UrbanSound8k (environmental sound classification, ESC).
Этап предварительной обработки. На данном этапе решаются задачи
удаления лишних шумов, улучшения и сглаживания полезных данных.
Удаление шума происходит путем усиления сигнала и набора фильтров и
метода на основе подпространства.
Этап извлечения признаков. Этап направлен на нахождение
отличительных характеристик звука, которые позже будут переданы в функции
классификации. Поскольку производительность и качество распознавания
звуков напрямую зависит от полученных параметров, данный этап является
одним из самых важных во всем процессе.
Этап классификации. После извлечения и выбора признаков аудиосэмплы
классифицируются по разным категориям. Существует множество подходов к
классификации. К традиционным системам относятся скрытые марковские
модели (Hidden Markov Model, HMM), модели гауссовской смеси (Gaussian
Mixture Model, GMM), опорные векторы.
Однако в настоящее время набирают популярность исследования с
использованием глубоких нейронных сетей. Утверждается, что данные
подходы позволяют достичь лучших результатов в распознавании звуков.
Например, классификация на основе одномерной сверточной сети
позволяет достичь точности распознавания 89% на наборе UrbanSound8k за
счет использования нескольких сверточных слоев при захвате точной
временной структуры сигнала [1]. Сверточная нейронная сеть (convolutional
neural network, CNN) – это нейронная сеть с глубоким обучением. Предложены
134
различные версии реализации данного алгоритма, которые показали высокую
точность в распознавании и применяются в разных сферах. Предлагаемый
подход может работать со звуковыми сигналами любой длины, поскольку он
разбивает сигнал на перекрывающиеся кадры с использованием скользящего
окна. Подход превосходит большинство современных алгоритмов,
использующих в качестве входных данных элементы, созданные вручную, или
2D-представления. Кроме того, одномерная CNN имеет небольшое количество
параметров по сравнению с другими архитектурами, встречающимися в
литературе, что уменьшает объем данных, необходимых для обучения.
Применение двухпоточных сверточных нейронных сетей позволяет
добиться точности 95,7% на том же наборе данных [2]. Сеть объединяет в себе
CNN, основанную на необработанном звуковом сигнале (Retrieval-Augmented
Convolutional Neural Networks, RACNN), и логарифмическую CNN (logmel
Convolutional Neural Networks, LMCNN). Обработанные аудиоданные и
логарифмические данные импортируются в RACNN и LMCNN,
соответственно, для получения как временных, так и частотных характеристик
звука.
Особо перспективным направлением исследования является разработка
ансамблевых сверточных нейронных сетей. Для создания такой модели сначала
разрабатывается пятиуровневая стековая сеть CNN для распознавания звуковых
событий, а затем сквозная многоуровневая модель CNN для распознавания
звуковых событий из необработанных сигналов без разработки признаков. В
процессе их объединения модель DS-CNN (Dual-Source Deep Convolutional
Neural Networks), превосходит по своим характеристикам аналоги и стала
первым случаем применения алгоритма DS в распознавании звуков
окружающей среды [6].
Также при использовании ансамблевых сверточных нейронных сетей
применяется байесовская оптимизация [9]. Предлагаемый метод может
работать с любой длиной аудиосигнала, поскольку скользящее окно делит
сигнал на перекрывающиеся кадры. Такая CNN позволила достигнуть точности
94,46% на наборе UrbanSound8K, что выше существующих сквозных подходов
с меньшим количеством обучаемых параметров.
Способность нейронных сетей самостоятельно извлекать необходимые
параметры из звука, использовано в модели сверточной нейронной сети,
основанная на частотно-временном внимании (Temporal-Frequency AttentionBased Convolutional Neural Network, TFCNN) [8]. Ее точность на разных
наборах достигает от 84 до 93%.
Среди новых открытий является разработка расширенного подхода для
обработки многоуровневых функций из иерархических слоев CNN вместе с
звуковыми функциями, чтобы улучшить текущую производительность.
Сверточная рекуррентная нейронная сеть (CRNN) представляет CNN,
сочетающуюся с рекуррентной нейронной сетью (RNN). Функции извлекаются
с использованием CNN, а временная агрегация извлеченных функций
выполняется с помощью RNN. Модель CRNN доказала свою эффективность
135
для ESC. В предлагаемом методе softmax используется в качестве функции
масштабирования для генерации весов внимания.
Помимо сверточных сетей для распознавания звуков используются
глубокие нейронные сети, основу которых составляют биологические
нейронные сети, состоящие из нескольких многофункциональных слоев [3].
Также учеными разработана стековая конкатенированная модель DNN,
основанная на принципе ансамблевого обучения, что улучшило способность
генерации модели SDNN (standard deviation of all NN intervals), где NNинтервал – интервал между двумя сигнальными пиками [7]. DNN используются
в задачах обнаружения аномалий в звуке (anomaly detection systems, ADS).
Новый принцип оптимизации определяет оптимальность как целевую функцию
на основе леммы Неймана-Пирсона, которая утверждает - утверждает, что
среди всех критериев проверки гипотезы H0 против альтернативы H1 с уровнем
значимости α, указанный критерий является наиболее мощным, т. е. для него
вероятность ошибки второго рода (вероятность отвергнуть H1, когда она верна)
минимальна [5]. Целевая функция работает на увеличение TPR (True Positive
Rate) при произвольно низком FPR (False Positive Rate).
Предиктивная диагностика – одна из самых широких областей
применения технологий распознавания звуков окружающей среды. Их главным
преимуществом
перед
аналогичными
видеотехнологиями
является
возможность всенаправленного анализа, что позволяет более точно определить
ситуацию и уменьшить количество используемого оборудования [10]. Однако
помимо предиктивной диагностики оборудования, распознавание звуков
окружающей среды используется на производстве, например, для определения
параметров материалов в процессе геотехнических исследований [4].
Несмотря на то, что в настоящее время изучение самого процесса
распознавания речи является весьма актуальным вопросом, остается немало
проблем, решение которых улучшит системы распознавания речи, а также
увеличит область их применения. Одной из важных проблем ESR является то,
что для эталонной модели распознавания звуков нет консолидированного
набора данных, используемого независимо от поставленной задачи. Основная
масса наборов данных имеют ограниченные выборки, негативно влияющие на
глубокие нейронные сети в плане достижения хорошей точности. Некоторые из
методов увеличения данных используются для искусственного увеличения
количества аудиовыборок, что сильно повышает точность глубоких нейронных
сетей.
Сложность сбора, анализа и распознавания звуков окружающей среды
заключается в том, что вместе с информативным сигналом в запись попадают
посторнние шумы, что отрицательно сказывается на точности ESC [12, 14].
Отсутствие совместного набора данных для ESC негативно сказывается
на качестве и оперативности исследований. Различные ученые работали с
комбинацией функций, однако единичная функция не имеет возможности
обеспечить необходимую точность распознавания звуков окружающей среды.
В настоящее время наивысшая точность достигается с помощью использования
136
сверточных нейронных сетей, обеспечивающих высокую устойчивость к
изменениям масштаба, смещениям, поворотам, смене ракурса и прочим
искажениям [1].
Заключение
Вопросы, связанные с процессом сбора, анализа, классифицирования и
распознавания звуков окружающей среды должны быть качественно изучены
для получения точных результатов планируемых исследований. Данное
исследование, в большей степени, позволит решить представленные выше
задачи [13].
В результате проведенного анализа были сделаны следующие выводы:
Распознавание звуков окружающей среды с использованием
искусственного интеллекта открыло для человечества новые возможности в
изучении окружающей среды.
Современные методы искусственного интеллекта, используемые в ESC,
используют статические наборы эталонных данных.
Процесс распознавания звуков окружающей среды строится на
нескольких аспектах: сбор данных для анализа, предварительная обработка,
классификация и идентификация, выбор значимых параметров.
Сбор, анализ, классификация и распознавание различных паттернов
осложняется наличием аудиошумов в среде.
Приобретают популярность и разные виды нейронных сетей: сверточные
нейронные сети, глубокие нейронные сети, многослойный перцептрон и
рекуррентные нейронные сети, имеющие большую производительность и
точность.
Самыми перспективными методами на данный момент являются методы
на основе сверточных нейронных сетей, точность которых в распознавании
звуков окружающей среды превышает 97%.
Решение
перспективных
предложений
позволит
улучшить
производительность системы, уменьшить затраты ресурсов и время,
необходимые для распознавания звуков окружающей среды.
Библиографический список
1.
Bansal, A., Garg, N. K. (2022). Environmental Sound Classification: A descriptive
review of the literature. Intelligent Systems with Applications, 16, 200115.
https://doi.org/10.1016/j.iswa.2022.200115
2.
Dong, X., Yin, B., Cong, Y., Du, Z. & Huang, X. (2020). Environment Sound Event
Classification With a Two-Stream Convolutional Neural Network. IEEE Access, 8, 125714125721. https://doi.org/10.1109/ACCESS.2020.3007906
3.
Fan, X., Sun, T., Chen, W., Fan, Q. (2020). Deep neural network based environment
sound classification and its implementation on hearing aid app. Measurement, 159, 107790.
https://doi.org/10.1016/j.measurement.2020.107790
4.
Guo, H., Jiang, H., & Gao, M. (2022). Research on Sound Source Material
Recognition Technology in Indoor Geotechnical Inspection. Geofluids, 2022, 1-12.
https://doi.org/10.1155/2022/9433757
5.
Koizumi, Y., Saito, S., Uematsu, H., Kawachi, Y. & Harada, N. (2019).
Unsupervised Detection of Anomalous Sound Based on Deep Learning and the Neyman–Pearson
137
Lemma. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 27(1), 212-224.
https://doi.org/10.1109/TASLP.2018.2877258
6.
Li, S., Yao, Y., Hu, J., Liu, G., Yao, X. & Hu, J. (2018). An Ensemble Stacked
Convolutional Neural Network Model for Environmental Event Sound Recognition. Applied
Sciences, 8(7), 1152. https://doi.org/10.3390/app8071152
7.
Liu, C., Hong, F., Feng, H. (2021). Environmental Sound Classification Based on
Stacked Concatenated DNN using Aggregated Features. J Sign Process Syst, 93, 1287–1299.
https://doi.org/10.1007/s11265-021-01702-x
8.
Mu, W., Yin, B., Huang, X. (2021). Environmental sound classification using
temporal-frequency attention based convolutional neural network. Scientific Reports, 11, 21552.
https://doi.org/10.1038/s41598-021-01045-4
9.
Ragab, M.G., Abdulkadir, S.J., Aziz, N., Alhussian, H., Bala, A., Alqushaibi, A.
(2021). An Ensemble One Dimensional Convolutional Neural Network with Bayesian Optimization
for
Environmental
Sound
Classification.
Applied
Sciences,
11(10),
4660.
https://doi.org/10.3390/app11104660
10.
Лутонин А.С., Богданова К.А. (2021). Разработка роботизированной
платформы для подземного геомониторинга. Известия Тульского Государственного
Университета. Технические Науки, 12, 209-216. https://doi.org/10.24412/2071-6168-2021-12209-217
11.
Маховиков А.Б., Лутонин А.С., Крыльцов С.Б. (2020). Инструменты для
обработки больших объемов информации и перспективы их использования в
горнодобывающей промышленности. Высокие Технологии И Инновации В Науке, 164-169.
https://doi.org/10.37539/VT188.2020.93.31.022
12.
Палкин П.О., Маховиков А.Б. (2015). Исследование способов очистки речевого
сигнала от фонового шума. Современные Образовательные Технологии В Преподавании
Естественно-Научных
И
Гуманитарных
Дисциплин,
679-683.
https://www.elibrary.ru/item.asp?id=27168238
13.
Перегудина Э.С, Первухин Д.А. (2021). Анализ действия промышленного
предприятия с применением искусственного интеллекта. Russian Journal Of Logistics &
Transport Management, 6(S), 70-74. https://www.elibrary.ru/item.asp?id=45787360
14.
Чернова А.А., Маховиков А.Б. (2015). Оценка качества аудио-кодеков для
систем IP-телефонии в условиях шумов. Современные Образовательные Технологии В
Преподавании
Естественно-Научных
И
Гуманитарных
Дисциплин,
722-726.
https://www.elibrary.ru/item.asp?id=27168261
Рецензент: канд. техн. наук, доц. Е.Б. Мазаков
138
© С.Ю. Путило
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ОЦЕНКА СТРАТЕГИЙ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ АНАЛИЗА
ФУНКЦИОНИРОВАНИЯ ОТДЕЛА ОРГАНИЗАЦИИ ТЕХНИЧЕСКОГО
ОБСЛУЖИВАНИЯ ГАЗОТРАНСПОРТНОГО ПРЕДПРИЯТИЯ
Аннотация. В работе проведена оценка стратегий принятия решений в рамках
анализа функционирования отдела организации технического обслуживания предприятия по
транспортировке природного газа. В результате анализа причин отказов в обслуживании
были предложены три варианта для изменения сложившейся ситуации к лучшему. Для их
оценки и выбора наиболее результативной стратегии использовались классические и
производные критерии. Применение вышеприведенных критериев позволило сделать выбор
в пользу наиболее предпочтительной стратегии.
Ключевые слова: принятие решений, промышленность, стратегическое управление,
техническое обслуживание, классические и производные критерии.
Введение
Согласно исследованию деятельности отдела предприятия на
эффективность работы также могут влиять количество новых заявок, договоров
и контрактов с другими компаниями. Кроме того, снизить показатель
эффективности может занятость определенного количества отсутствующих
сотрудников из-за больничных, командировок или конференций. Работа отдела
рассматривается с точки зрения функционирования сложных систем. В
настоящее время образцы сложных систем сравниваются по определенному
набору методов сравнения. К данному классу систем относятся разного уровня
организационно-технические системы [1]. Одним из наиболее важных
направлений деятельности структурного подразделения является повышение
показателей надежности и готовности оборудования [2].
Исследования, ранее проведенные в результате многомерного
корреляционного регрессионного анализа, выявили, что загруженность отдела
организации технического обслуживания на предприятии ООО «Газпром
Трансгаз Санкт-Петербург» в большей степени зависят от таких факторов как:
ошибка персонала и проблема с подключением к сети [5]. С целью
предотвратить дальнейшее увеличение загруженности отдела, при которой он
не сможет в полной мере справляться в поступающими в него задачами,
предложены следующие стратегии:
1.
регулярно
тестировать
и
устранять
неисправности
в
локальной сети;
2.
создать систему мотивации для выдающихся работников;
3.
повысить квалификацию работников.
При оценке предложенных вариантов в условиях неопределенности были
применены классические и производные критерии, а также критерий «среднего
выигрыша», критерий Вальда и «max-max» критерий [8]. Для применения
139
перечисленных критериев
представленная в таблице 1.
Стратегия
а1
а2
а3
К1
35
10
25
была
составлена
матрица
эффективности,
Таблица 1 – Матрица эффективности [составлено автором]
К2
30
25
15
К3
25
5
40
К4
10
15
15
В качестве экспертов были привлечены: К1 – главный программист
отдела; К2 –главный менеджер по инновациям; К3 – менеджер технического
управления; К4 – внешний эксперт.
Переходя к этапу оценки стратегий принятия решений, необходимо
отметить, что минимаксный критерий использует такую оценочную функцию,
которая
соответствует
позиции
крайней
осторожности.
Согласно
минимаксному критерию надлежит выбрать стратегию номер 3, которая
подразумевает то, что необходимо повысить квалификацию работников.
Выбранная таким образом стратегия полностью исключает риск. Это означает,
что принимающий решение не может столкнуться с худшим результатом, чем
тот, на который он ориентируется [4].
В отличии от минимаксного критерия, критерий Байеса-Лапласа способен
учесть каждое из возможных следствий. На основании критерия БайесаЛапласа, выбор падает на первую стратегию, т.е. регулярно тестировать и
устранять неисправности в локальной сети.
Для критерия Сэвиджа определяется максимальный дополнительный
выигрыш. Составляется матрица остатков ||aij|| представленная в таблице 2.
Стратегия
а1
а2
а3
К1
0
15
15
К2
5
0
25
Таблица 2 – Матрица остатков [составлено автором]
К3
10
20
0
К4
25
5
25
еir
25
20
25
Согласно критерию Сэвиджа надлежит выбрать стратегию номер 2, т.е.
создать систему мотивации для выдающихся работников.
Правило выбора, согласно HW-критерию, формулируется следующим
образом: матрица решений ||eij|| дополняется столбцом, содержащим средние
взвешенные наименьшего и наибольшего результатов для каждой строки [3].
Весовой множитель принимается равным 0,8.
В соответствии с критерием Гурвица также надлежит выбрать третью
стратегию, т.е. регулярно тестировать и устранять неисправности в локальной
сети.
140
При оценке стратегий по HL-критерию, параметр v принимается равным
0,4. Согласно критерию Ходжа-Лемана также надлежит выбрать третью
стратегию.
Вероятности осуществления стратегий для критерия Гермейера
составляют: для а1 – 0,3; для а2 – 0,2; для а3 – 0,5. Соответственно критерию
Гермейера также надлежит выбрать третью стратегию.
Критерий «среднего выигрыша» предполагает задание вероятностей
состояний обстановки pj, то есть компетентности экспертов, полученные
.
экспертным или другим путём, пусть
По расчетам, оптимальной является первая стратегия.
Критерий Вальда гарантирует определённый выигрыш при наихудших
условиях.
Критерий основывается на том, что если состояние ситуации неизвестно,
то нужно поступать самым осторожным образом, ориентируясь на
минимальное значение эффективности каждого варианта.
Оптимальное решение – стратегия № 3.
Критерием «max-max» предписывается оценивать варианты по
максимальному значению эффективности и выбирать в качестве оптимального
решения вариант, обладающий эффективностью с наибольшим из максимумов.
Оптимальной стратегией согласно данному критерию признана третья.
В результате анализа основных факторов загруженности отдела
организации технического обслуживания были предложены три варианта для
изменения сложившейся ситуации к лучшему. Для их оценки и выбора
наиболее результативной стратегии использовались классические и
производные критерии, критерий «среднего выигрыша», критерий Вальда и
критерий «max-max».
Результаты применения критериев представлены на рисунке 1.
Рис. 1. Результаты сравнения стратегий принятия решений [составлено автором]
141
Применение вышеприведенных критериев позволило установить, что
наиболее предпочтительной является третья стратегия, т.е. повышение
квалификации работников.
Заключение
В статье были разработаны и оценены стратегии снижения загруженности
отдела организации технического обслуживания, проведен анализ деятельности
структурного подразделения промышленного предприятия по транспортировке
природного газа.
Деятельность отдела организации технического обслуживания можно
охарактеризовать, рассмотрев несколько основных направлений работы.
Одним из наиболее важных направлений деятельности структурного
подразделения является повышение показателей надежности и готовности
оборудования. Этапы технического обслуживания средств вычислительной
техники включают в себя как обслуживание аппаратного обеспечения, так и
обслуживание программного обеспечения средств [6]. В первый этап входит
профилактика и диагностика аппаратного обеспечения, во второй этап
охватывает установку и сопровождение программного обеспечения,
антивирусную профилактику. Отдел выполняет работы по диагностированию и
ремонту аппаратных средств в случае их отказа.
Деятельность отдела также заключается в оказании помощи при решении
следующих
оперативных
запросов:
техническое
консультирование,
предоставление сертификатов и деклараций на продукцию, выпуск новых
инструкций. Результаты детального анализа всех обращений в компании
адаптируется под задачи и потребности пользователей [7]. На предприятии
проводятся деловые встречи с участием работников для анализа обращений и
улучшения сервиса.
Для исследования эффективности отдела организации технического
обслуживания была проведена оценка стратегий принятия решений. В ходе
которой, использовались классические и производные критерии, критерий
«среднего выигрыша», критерий Вальда и критерий «max-max». Применение
вышеприведенных критериев позволило установить, что наиболее
предпочтительной является стратегия, которая направлена на повышение
квалификации работников. Данное решение поможет повысить эффективность
предприятия и улучшить производительность.
Библиографический список
1.
Викторова
К.В.
Эффективность
производственной
деятельности
газотранспортного
предприятия
//
Символ
науки,
2019,
№9.
URL:
https://cyberleninka.ru/article/n/effektivnost-proizvodstvennoy-deyatelnosti-gazotransportnogopredpriyatiya
2. Широкова Е.Ю. Факторы экономического роста регионов северо-западного
федерального округа // Вестник Самарского государственного экономического университета,
2020, №7, с.40-51.
3. Власов М.П. Моделирование экономических систем и процессов: Учебное пособие /
М.П. Власов, П.Д. Шимко – М.: НИЦ ИНФРА-М, 2013, 336с.
142
4. Гвоздев, В.Е. Построение модели многосвязного объекта на основе совместного
исполь-зования данных и экспертных оценок / В.Е. Гвоздев, Р.А. Мунасыпов, Д.Р. Ахметова
// Онтология проектирования, 2019, Т.9, №3(33), с.361-368.
5. Путило С.Ю., Афанасьева О.В. «Многомерный корреляционно-регрессионный
анализ работы структурного подразделения предприятия по транспортировке природного
газа» / Анализ и прогнозирование систем управления в промышленности, на транспорте и в
логистике: труды XXII научно-практической конференции молодых ученых, студентов и
аспирантов – СПб: Медиапапир, 2022. – С.208-214.
6. Y. V. Ilyushin. Development of a Process Control System for the Production of HighParaffin Oil. Energies. 2022; 15 (17): 6462. DOI: 10.3390/en15176462.
7.
D. Zakaev, L. Nikolaichuk., F. Irina. Problems of oil refining industry development
in Russia. International Journal of Engineering Research and Technology. 2020; 13 (2): 267-270.
8.
I. B. Movchan, A. A. Yakovleva. Refined assessment of seismic microzonation with
a priori data optimisation. Journal of Mining Institute. 2019; Vol.236: 133. DOI:
10.31897/pmi.2019.2.133
Рецензент: д-р техн. наук, проф. В.Е. Трушников
143
Р.Б. Разяпов, В.Е. Жигалов, А.В. Гурко
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ОБЗОР ТЕХНОЛОГИЙ ВНУТРЕННЕГО ПОЗИЦИОНИРОВАНИЯ
Аннотация. В статье рассматривается текущее состояние технологий IPS,
предлагается поход к повышению эффективности одной из технологий. Представлено
краткое описание процессов передачи данных, разобраны основные преимущества и
недостатки, в том числе и в сравнении с характеристиками, плюсами и минусами
технологий. Определены сферы применения IPS и сделаны выводы о степени изученности
технологии в РФ.
Ключевые слова: GPS, Li-Fi, Wi-Fi, RTLS, IPS, передача данных, сетевые технологии,
радиоволны, световые волны, системы определения местоположения
Введение
Глобальная система позиционирования (GPS) предлагает широкий спектр
решений, хорошо функционирующих на открытой местности. Прогнозирование
погоды, отслеживание транспортных средств, картографирование, сельское
хозяйство, получение местоположения и скорости объекта – основные сферы
применения системы.
Однако, использование технологии GPS затруднено в закрытых
помещениях. Этому способствуют фактор отсутствия прямой видимости,
низкий уровень сигнала внутри строений, интерференционные помехи,
эффекты затухания, отражения, глубокого затенения сигнала.
Как следствие в закрытых помещениях применяют технологии
внутреннего позиционирования (IPS). Системы IPS могут предоставлять как
систему определения местоположения объектов в реальном времени (RTLS),
так и внутреннюю навигацию, и управление запасами на складах.
Причиной появления технологий по типу IPS или RTLS послужило то,
что в помещениях возможности использования GPS или эквивалентных
спутниковых систем определения местоположения ограничены из-за
отсутствия прямой видимости и ослабления сигналов GPS при прохождении
сквозь стены. Такая технология дает погрешность, приближенную пятидесяти
метрам, и в коммерческих условиях бесполезна [1].
Существующие решения
Типичным подходом к локализации объектов в закрытой среде является
использование различных технологий отслеживания [2].
Лучшие оценки местоположения могут быть определены путем
гибридизации информации о местоположении с использованием разных
технологий. Таким образом, комбинация подходов может повысить точность и
доступность системы в различных местах [3].
Известно о решении в области безопасности персонала: для контроля
наличия на сотрудниках средств индивидуальной защиты (СИЗ)
использовались RFID-метки, расположенные на каждом предмете СИЗ.
144
Дополнительно использовался сканер отпечатков пальцев на основе технологии
(NFC). Данный подход позволил снизить уровень травматизма сотрудников на
14%, однако расходы использующей решение компании на 35% возросли [4].
В одной из работ [5] исследовано применение носимых инерциальных
модулей (IMU) для распознавания активности человека, сбора данных о
положении тела, уровнями потребления энергии при подъеме. Использование
носимых датчиков имеет преимущество по сравнению с традиционным сбором
статических данных (наблюдение), так как их можно собирать в течение более
длительного времени и использовать для выявления повторяющихся задач или
изменения выполнения задач. Так, например, иная группа исследователей
собирала количество шагов и данные акселерометра с интеллектуальных
устройств (смарт-часов и смартфона) в дополнение к самопроверке физической
активности при оценке нагрузки на нижние конечности. Был сделан вывод, что
интеллектуальные устройства – это жизнеспособный метод мониторинга
данных параметров [6]. Упомянутый метод можно применять и в горной
отрасли. Интересной разработкой является создание интеллектуального шлема,
дополненного датчиками. Цель – сокращение числа происшествий, приводящих
к травмам [4]. Система способна определять отсутствие надлежащего
освещения, экстремальные температуры, вредное качество воздуха, движение
оператора (воздействия) в качестве основных опасностей. Шлем обнаруживает
удары с помощью чувствительного к силе сопротивления и падения
акселерометра. Он также использует датчик контроля освещенности,
позволяющий при необходимости автоматически включать фонарь,
установленный на шлеме. Роль одного из датчиков может исполнять барометр.
Однако, мало исследований используют данный прибор в качестве
единственного датчика, что является логичным ввиду того, что использование
барометров ограничивается определением высот от уровня пола [7].
Безопасность персонала в сфере горной добычи является важной задачей
ученых
Санкт-Петербургского
Горного
университета.
В
работе
«Перспективные направления развития технологической структуры угольных
шахт», рассматриваются проблемы безопасности при добыче угля [8]. В статье
«Выявление причин травматизма на основе карт оценки профессиональных
рисков на угольном разрезе» Гридиной Е.Б и Боровиковым Д.О.,
рассматриваются проблемы травматизма на угольных разрезах. Авторами
составлены карты профессиональных рисков, установлены основные причины
травматизма. Благодаря применению карт появляется возможность наглядно
рассмотреть основные источники (причины) возникновения травм и принять
меры по их минимизации [9].
Системы позиционирования также используются в морской отрасли. В
публикации «Система позиционирования на основе видения для
автоматической стыковки беспилотных наземных транспортных средств»
представлена система позиционирования на основе компьютерного зрения для
автоматической стыковки [10]. Исследователи пришли к выводу, что
разработанный детектор, использующий технологию машинного обучения,
145
хорошо адаптируется к изменениям окружающей среды в гавани.
Дополнительно было доказано, что позиционирование на основе
монокулярного зрения превосходит по точности метод стереозрения. Также,
метод монокулярного зрения оказался менее сложным и уязвимым. В
публикации «Гибридный алгоритм на основе RSSI для отслеживания в
реальном времени в подземных горных работах с использованием технологии
RFID» описан опыт применения технологии в горной отрасли. RFID-метки
использованы в качестве инструмента контроля передвижения горняков [11].
Сформулированы три требования для крупномасштабного использования
RFID-меток: точная оценка местоположения, легкое масштабирование системы
и финансовая выгода. Предложен гибридный подход, позволяющий
обрабатывать информацию от RFID-меток при помощи алгоритма
сопоставления уникальных параметров сигнала с его местоположением (RSSI)
и технологии WKNN, для которой требуется точное начальное
местоположение [12]. При локализации внутри помещений на основе RFIDметок гибридный алгоритм позиционирования является критически важным
компонентом в этом исследовании. Позиционирование внутри зданий с
разумной точностью достигается за счет использования меньшего количества
считывателей и вспомогательных методов, а также усовершенствований
алгоритмов снятия отпечатков пальцев. Итоги гласят: можно добиться более
точных результатов позиционирования с меньшим количеством датчиков,
использовав гибридную систему. Предложенный подход превосходит широко
используемый алгоритм WKNN. Средняя ошибка в гибридном алгоритме
составляет 2,52 метра в тестовой среде, средняя ошибка в реальной среде
составляет 3,13 метра. Преимущества технологии включают быстрое
развертывание, простоту применения и экономичность.
Решение проблемы неэффективной добычи полезных ископаемых нашли
Жули Рен и Луган Ванг [13]. Они предложили высокоточную систему
локализации на основе 3D LIDAR для работы в сложных условиях подземной
шахты. Карта расстояния веса была разработана на основе обратного
взвешивания расстояния (IDW) для реализации исправления ошибок.
Предлагаемый метод объединил данные LIDAR и DWM в фильтре Калмана для
получения
надежной
оценки
локализации.
Были
получены
среднеквадратическая ошибка локализации в 4 см и время локализации
приблизительно в 60 мс. Важно отметить, начальная позиция оказывает
большое влияние на позиционирование в реальном времени. Неправильная
начальная позиция может привести к сбою всего результата позиционирования.
Помимо всего, необходимо учитывать факторы промышленной среды и
необходимо рассмотреть возможность добавления таких датчиков, как IMU –
это позволит снизить совокупную ошибку, вызванную процессом локализации.
Сотрудники Горного университета: Владимир Пшенин, Анастасия
Лягова, Александр Разин, Александр Скоробогатов и Максим Комаровский в
публикации
«Гусеничный
робот
для
съемки
трубопроводов
и
металлоконструкций сложной пространственной конфигурации» описали
146
предложенную ими концепцию роботизированного устройства, оснащенного
устройствами LIDar и EMAT, которое может перемещаться по трубам
диаметром от 100 мм с помощью магнитного колеса специального типа. Робот
использует сверточные нейронные сети для обнаружения дефектов и их
классификации. В статье содержится информация об испытаниях, проведенных
на специально разработанном стенде. Результаты показали, что устройство
позволяет
повысить
информативность
обследования
и
снизить
трудоемкость [14]. При движении внутри туннелей не имеет значения точная
самолокализация, но необходимо, чтобы автономные транспортные средства
могли безопасно перемещаться по туннелю и принимать соответствующие
решения на его развилках и в определенных местах, такой вопрос рассмотрен
в [15]. Предложена топологическая навигационная система для горных машин,
работающих в туннелях. Комплекс разработан для использования на
погрузочно-доставочных машинах (LHD), известных как ковшовые трамваи,
работающими в подземных шахтах. Система позволяет погрузочнодоставочному транспортному средству перемещаться внутри туннелей,
имеющих ширину не больше самого агрегата. Также она обеспечивает
двустороннюю навигацию и, так называемые, инверсионные маневры, которые
необходимы при стандартных операциях погрузочно-доставочной техники в
продуктивных секторах подземных рудников. С. А. Лавренко и Д. И.
Шишлянников исследовали вопросы применения подземных проходческоочистных машин Урал-20Р, работающих в условиях калийных рудников [16].
Выполнена укрупненная оценка производительности оборудования путем
определения комплексных показателей, характеризующих технологический и
технический уровень организации работы в очистных забоях на основе
коэффициентов производительности и энергоэффективности. Установлено, что
неудовлетворительные технологические показатели исследуемой машины
обусловлены низкой производительностью рудничного транспорта. Средний
коэффициент продуктивности составил 0,29.
В публикации «Точная
осведомленность о местоположении в помещении на основе машинного
обучения данных датчиков окружающей среды» описана платформа EnvLocal,
которая определяет местоположение внутри помещений с помощью технологии
искусственного интеллекта (ИИ) [17]. Комплекс состоит из датчиков сбора
информации об окружающей среде, базы данных и прикладного программного
обеспечения. Данные с датчиков окружающей среды собираются и
загружаются на сервер. Уровень приложений поддерживает механизм обучения
для определения местоположения, мониторинга и визуализации в реальном
времени, а также других приложений автоматизации и оптимизации.
Инструментарий был разработан на основе платы ESP-WROOM-32 на базе
Arduino, которая представляет собой недорогой, маломощный и легкий
микроконтроллер со встроенным модулем Wi-Fi. В этой платформе процесс
осведомленности о локализации создан на базе компонентов машинного
обучения, работающих в качестве серверной части. В ходе эксперимента
период сбора данных длился 524 дня, охватывая десять мест, отобранных на
147
пяти этажах исследовательского здания. После выполнения ряда алгоритмов
обработки данных и машинного обучения, максимальная точность была
достигнута при почти 100% классификации местоположения. Помимо всего,
оценивался компромисс между точностью и частотой выборки данных.
Результаты показывают: более высокая точность может быть достигнута при
отборе данных с более высокой частотой.
Внутреннее позиционирование неразрывно связано с технологиями
дополненной и виртуальной реальности (AR, VR). В публикации
«Исследование эффективности совместной работы дополненной реальности и
системы динамического моделирования при обслуживании масляных насосов»
авторы
решали
задачу
технического
обслуживания
маслонасосов
эксплуатирующими организациями. Одной из причин этого является широкое
распространение насосного оборудования во всех сферах деятельности
нефтегазовых предприятий. В этой статье было представлено исследование
эффективности совместной работы дополненной реальности и системы
динамического моделирования при обслуживании масляных насосов.
Поскольку исследований по совместному применению этих двух технологий
недостаточно, актуальным вопросом является доказательство эффективности
такого сотрудничества, реальности и системы динамического моделирования.
Проведенные исследования показали возможность и целесообразность
применения данного подхода [18]. Одним из перспективных и уже
использующихся способов передачи данных в IPS является Li-Fi. Обзор
технологии представлен в статье «Актуальные результаты исследований и
внедрения технологии Li-Fi» от Жигалова В.Е. и Гурко А.В. В ней описывается
состояние исследований и разработок в области Li-Fi в России в период с 2019
по 2022 год. Также представлено описание технологии передачи данных,
разобраны основные преимущества и недостатки, в том числе и в сравнении с
характеристиками, плюсами и минусами Wi-Fi технологии (Li-Fi
рассматривается как альтернатива использованию радиоволновой среды
передачи данных, как в условиях, где опасно или нежелательно использовать
среду радиоволн, так и во всех прочих условиях). Перечислены сферы, в
которых возможное применение технологии имеет особую актуальность.
Сделаны выводы о степени изученности технологии в РФ, описаны попытки
известных экспериментов, моделирования и разработок в данной области [19].
Заключение
В статье проведен обзор методов внутреннего позиционирования и опыт
их внедрения в горнодобывающую, строительную и другие отрасли.
Инерциальные системы не следует использовать отдельно из-за
относительного характера инерциальных оценок. Wi-Fi, Bluetooth могут
использоваться в услугах с более низкой точностью (т. е. с детализацией на
уровне комнаты) или для обнаружения близости. Они также имеют
сопоставимые финансовые последствия и влияние на инфраструктуру (при
условии, что Wi-Fi уже существует в здании). Из-за ограничений диапазона,
использование пассивной RFID рекомендуется только в качестве технологии
148
указания пути, поэтому ее можно использовать для услуг, которые должны
гарантировать, что предмет или человек прошли несколько контрольных точек
в определенное время или в определенном порядке (например, в
производственном процессе). В сценариях, которые будут иметь в основном
условия прямой видимости (например, большие открытые пространства или
склады) и где требуется высокая точность системы (например, местоположение
персонала или транспортных средств на заводе), рекомендуется использовать
активные RFID, UWB, акустические и зрительные технологии. Однако
активная RFID выигрывает от дополнительных датчиков, часто
устанавливаемых на одно и то же устройство, что позволяет собирать
дополнительные данные об окружающей среде. UWB лучше подходит там, где
могут возникнуть некоторые условия NLOS (без прямой видимости), и имеет
дополнительное преимущество передачи данных, однако менее масштабируема
и более дорога по сравнению с ультразвуковой системой. Обе технологии
страдают от высокого энергопотребления, поэтому любые услуги должны
включать зарядку аккумуляторов для мобильных узлов и, в идеале, питание от
сети, чтобы свести к минимуму воздействие на техническое обслуживание.
Системы машинного зрения являются приемлемым вариантом для
отслеживания активов в условиях LOS (прямой видимости), однако
пользователям следует проявлять осторожность, когда может быть
задействован персонал из-за последствий GDPR, также следует учитывать
риски утечки данных. В ряде условий производства, технология позволяет
создать среду передачи данных, в том числе на предприятиях минеральносырьевого комплекса для условий, не позволяющих использовать
радиоволновую среду передачи данных.
Библиографический список
1.
Brena RF, García-Vázquez JP, Galván-Tejada CE, Muñoz-Rodriguez D, VargasRosales C et al. Evolution of indoor positioning technologies: A survey. Journal of Sensors 2017, 6,
1-21. https://doi.org/10.1155/2017/2630413
2.
Zafari F., Gkelias A., Leung K.K. A survey of indoor localization systems and
technologies.
IEEE
Communications
Surveys
2019,
21,
2568-2599.
https://doi.org/10.1109/COMST.2019.2911558
3.
Khalajmehrabadi A., Gatsis N., Akopian D. Modern WLAN Fingerprinting Indoor
Positioning Methods and Deployment Challenges. IEEE Commun. Surv. Tutor 2017., 19, 1974–
2002. https://doi.org/10.1109/COMST.2017.2671454
4.
Campero-Jurado I., Márquez-Sánchez S., Quintanar-Gómez J., Rodríguez S.,
Corchado J.M. Smart helmet 5.0 for industrial internet of things using artificial intelligence. Sensors
2020, 20, 1-27. https://doi.org/10.3390/s20216241
5.
Ranavolo А., et al. Mechanical lifting energy consumption in work activities
designed by means of the “revised NIOSH lifting equation”. Health 2017, 55, 444-454.
https://doi.org/10.2486/INDHEALTH.2017-0075
6.
Wang X., Perry T.A., Caroupapoullé J., Forrester A., Arden N.K., Hunter D.J.
Monitoring work-related physical activity and estimating lower-limb loading: a proof-of-concept
study. BMC Musculoskelet. Disord. 2021, 22, 1-11. https://doi.org/10.1186/S12891-021-04409-Z
149
7.
Manivannan А., Chin W.C.B., Barrat A., Bouffanais R.. On the challenges and
potential of using barometric sensors to track human activity. Sensors 2020, 20, 6786.
https://doi.org/10.3390/S20236786
8.
Казанин О.И., Мешков А.А., Сидоренко А.А. Перспективные направления
развития технологической структуры угольных шахт. Горный информационноаналитический бюллетень 2022, 6-1, 35-53. DOI: 10.25018/0236_1493_2022_61_0_35 2
9.
Гридина Е.Б., Боровиков Д.О. Выявление причин травматизма на основе карт
оценки профессиональных рисков на угольном разрезе. Горный информационноаналитический бюллетень 2022, 6-1, 114-128. DOI:10.25018/0236_1493_2022_61_0_114
10.
Volden Ø. Vision-Based Positioning System for Auto-Docking of Unmanned
Surface Vehicles. International Journal of Intelligent Robotics and Applications 2022, 6, 86-103.
https://doi.org/10.1007/s41315-021-00193-0
11.
Mahmut Cavur, Ebubekir Demir. RSSI-based hybrid algorithm for real-time tracking
in underground mining by using RFID technology. Physical Communication 2022, 55, 101863.
https://doi.org/10.1016/j.phycom.2022.101863
12.
Hamidreza Mehrabian, Reza Ravanmehr. Sensor fusion for indoor positioning
system through improved RSSI and PDR methods. Future Generation Computer Systems 2023,
138, 254-269. https://doi.org/10.1016/j.future.2022.09.003
13.
Zhuli Ren, Liguan Wang. Accurate Real-Time Localization Estimation in
Underground Mine Environments Based on a Distance-Weight Map. Sensors 2022, 22, 1463.
https://doi.org/10.3390/s22041463
14.
Pshenin V, Liagova A, Razin A, Skorobogatov A, Komarovsky M. Robot Crawler
for Surveying Pipelines and Metal Structures of Complex Spatial Configuration. Infrastructures
2022, 7, 75. https://doi.org/10.3390/infrastructures7060075
15.
Mascaró M., Parra-Tsunekawa I., Tampier C., Ruiz-del-Solar J. Topological
navigation and localization in tunnels—application to autonomous load-haul-dump vehicles
operating in underground mines. Appl. Sci. 2021, 11, 6547. https://doi.org/10.3390/app11146547
16.
Lavrenko, S.A., Shishlyannikov, D.I. Performance Evaluation of Heading-andWinning Machines in the Conditions of Potash Mines. Applied Sciences 2021, 11, 3444. DOI:
10.3390/app11083444
17.
Ge H., Z. Sun, Y. Chiba, and N. Koshizuka. Accurate indoor location awareness
based on machine learning of environmental sensing data. Computers & Electrical Engineering
2021, 98, 107676. https://doi.org/10.1016/j.compeleceng.2021.107676
18.
Koteleva, N.; Valnev, V.; Frenkel, I. Investigation of the Effectiveness of an
Augmented Reality and a Dynamic Simulation System Collaboration in Oil Pump Maintenance.
Appl. Sci. 2022, 12, 350. https://doi.org/10.3390/app12010350
19.
Жигалов В.Е., Гурко А.В. Актуальные результаты исследований и внедрения
технологии LI-FI. Проблемы минерально-сырьевого комплекса глазами молодых ученых:
Материалы Всероссийского научно-образовательного семинара обучающихся (8 апреля 2022
г.) / [Редколл.: А.Б. Маховиков (отв. ред.), Е.А. Самыловская (зам. отв. ред.)]. - СанктПетербург: Культурно–просветительское товарищество, 232 с.
Рецензент: канд. техн. наук, доц. Е.Б. Мазаков
150
© Д.В. Ромашин
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ИССЛЕДОВАНИЕ ПОКАЗАТЕЛЕЙ ФУНКЦИОНИРОВАНИЯ
ПОДРАЗДЕЛЕНИЯ, ОСУЩЕСТВЛЯЮЩЕГО КОНТРОЛЬ ЗА
ЭКСПЛУАТАЦИЕЙ ДОБЫВАЮЩЕЙ СКВАЖИНЫ
КАВКАЗСКИХ МИНЕРАЛЬНЫХ ВОД НА ОСНОВЕ МЕТОДОВ
СИСТЕМНОГО АНАЛИЗА
Аннотация
Для любого предприятия главная цель это прибыль: больше выпуск при меньшем
количестве расходов капитала. В статье проведено исследование добывающей скважины
Кавказский Минеральных Вод с использованием прогнозных моделей, а также был проведен
анализ влияния факторов с использованием множественного корреляционно-регрессионного
анализа. Это позволило сформировать выводы, которые в дальнейшем могут повлиять на
повышения экономической эффективности завода по добыче гидроминерального сырья.
Ключевые слова: автоматизация, нейронные сети, машинное зрение,
промышленность, прогнозные модели, метод множественной регрессии.
Введение
Промышленность становится все более цифровой, цифровое предприятие
уже стало реальностью. Данные непрерывно генерируются, обрабатываются и
анализируются. Объемы данных в производственных средах являются основой,
на основе которой создаются цифровые представления целых заводов и систем.
Если бы машины и процессы могли самостоятельно собирать информацию из
этих больших объемов данных и оптимизировать свои процессы во время
работы в реальном времени, то потенциал был бы огромным. Хорошей
новостью является то, что этого уже можно достичь, шаг за шагом, используя
интеллектуальные системы на основе поддержки принятия решений.
Системы поддержки принятия решений (СППР) активно используются во
всех сферах человеческой жизни. Они особенно распространены при обработке
больших наборов данных, прогнозировании процессов, обеспечении
информационной поддержки лиц, принимающих решения. В основе
существующих
СПР
лежат
методы
искусственного
интеллекта,
обеспечивающие сбор, обработку, обобщение информации о состоянии
объектов (процессов) и прогнозирование их будущего состояния [5].
Задача внедрения систем, использующих «искусственный интеллект»
(ИИ), делится на два этапа. На первом этапе строится классификационная
модель, обычно с помощью нейронных сетей и процесса глубокого машинного
обучения (МО). Результатом МО является:
структура модели;
мультипликаторы (веса), определяющие вероятности получения
классификационных категорий из набора данных, на которых тренируется
конкретная модель.
На втором этапе полученная модель применяется на новых данных.
151
Как и большинство архитектур нейронных сетей, архитектуры глубокого
обучения состоят из слоев. (входной, скрытый и выходной). Нейроны
действуют как детекторы признаков и организованы в более низкие и более
высокие слои. Ниже слои обнаруживают основные функции и передают их на
более высокие уровни, которые затем определяют более сложные особенности.
Хотя большинство архитектур глубокого обучения применимы к целому ряду
задачи предсказания или классификации, они иногда объединяются через
моделирование для лучшей производительности [6].
Оценка отклонений от нормы с использованием прогнозных моделей
Объектом исследования являться скважина по добыче гидроминерального
сырья Кавказский Минеральных Вод. Изучив статистические данные
производственных показателей при эксплуатации добывающих скважин
месторождений Кавказских Минеральных Вод был сформирован динамический
ряд за период октябрь 2020 г. – сентябрь 2022 г., отражающий процент
отклонения от нормы, который непосредственно может влиять на
производительность добычи. В таблице 1 приведены исходные данные.
Таблица 1 –Исходные данные процента отклонение от нормы [составлено автором]
№
1
2
3
4
5
6
7
8
9
10
11
12
Месяц
октябрь
ноябрь
декабрь
январь
февраль
март
апрель
май
июнь
июль
август
сентябрь
%, отклонения от
нормы
3,8
3,9
4
4,2
4,2
4,3
4,2
4,3
4,8
4,8
4,9
5,1
№
13
14
15
16
17
18
19
20
21
22
23
24
Месяц
октябрь
ноябрь
декабрь
январь
февраль
март
апрель
май
июнь
июль
август
сентябрь
%, отклонения от
нормы
5,2
5,4
5,2
5,7
5,8
5,6
5,7
6,1
6,3
6,2
6,9
6,7
Далее по представленным данным был построен график распределения
исходных данных, на котором можно увидеть динамику отклонения от нормы
работоспособности оборудования по добычи гидроминерального сырья,
который показана на рисунке 1.
152
Рис. 1. График распределения исходных данных [составлено автором]
Для проверки гипотезы на наличие тенденции используется метод
проверки разности средних уровней. По итогу реализации данного метода
можно заключить, что в выбранной совокупности наблюдений существует
тенденция, так как расчетное значение
по модулю больше табличного
значения
[1].
Далее были рассмотрены модели, которые бы максимально близко
подходили для описания исходного распределения. Использовалась линейная,
экспоненциальная и гиперболическая модель 1, 2 типа [3].
В таблице 2 представлены коэффициенты детерминации для прогнозных
моделей, построенных по динамическим данным.
Таблица 2 – Сводная таблица коэффициентов детерминации [составлено автором]
Прогнозная модель
Линейная
Экспоненциальная
Гиперболическая 1 типа
Гиперболическая 2 типа
Коэффициент детерминации
0,967
0,973
0,397
0,966
Из таблицы 2 следует, что линейная, экспоненциальная и
гиперболическая второго типа являются приемлемыми для построения
прогноза, однако наибольшим (наиболее близким к единице) коэффициентом
детерминации обладает экспоненциальная модель, которую можно увидеть на
рисунке 2.
153
Рис. 2. Графики распределения исходных данных и экспоненциальной модели
[составлено автором]
Построив прогнозные модели в виде четырех функций и рассчитав их
коэффициент дисперсии было установлено, что для оценки % отклонения от
нормы основных показателей было достаточно воспользоваться прогнозной
модели в виде экспоненциальной [2].
Проведение множественного корреляционно-регрессионного анализа
По собранным данным стало понятно, что завод каждый месяц
приостанавливает свою работу на неделю, либо с интервалами раз в неделю.
Собранная информация позволяет сформировать предположения, которые
влияют на экономическую эффективность завода. Данную диаграмму можно
увидеть на рисунке 3.
Рис. 3. Причины приостановки работы завода по добыче гидроминерального сырья
Кавказский Минеральных Вод [составлено автором]
Исходя из исследования был сделан вывод, что решение по
приостановлению работы завода часто всего принимает подразделение, которое
осуществляет контроль за эксплуатацией добывающей скважины.
Для этого, в моем исследования была проанализирована работа данного
подразделения. Входе анализа были выявлены факторы, которые влияют на
154
остановку завода, а также позволяют понять какой их фактором следуют
минимизировать.
Для анализа востребованности подразделения, осуществляющего
контроль за эксплуатацией добывающей скважины, взяты следующие факторы
(табл.1) [7,8]: y – процент участия технического отдела в ремонте или отладки
оборудования, %;
x1 - повышение производительности, относительная единица измерения
(оеи);
x2 - повышение качества обработки, оеи;
x3 - уменьшения человеческого фактора, оеи;
x4 – повышение универсальности проведения работ, оеи;
x5 - уменьшения затрат, оеи.
Стоит отметить, что статистика была рассчитана за целый год работы
завода с 2021-2022 год.
№ п/п
Таблица 3 –Исходные данные для проведения корреляционного и регрессионного
анализа [составлено автором]
y
x1
x2
x4
x3
x5
1
2
5,1
5,0
0,21
0,22
0,23
0,24
0,01
0,01
0,21
0,01
0,01
0,01
3
4
5,4
4,8
0,22
0,22
0,25
0,25
0,01
0,02
0,01
0,01
0,02
0,02
5
5,0
0,24
0,25
0,03
0,02
0,02
6
5,3
0,24
0,25
0,05
0,03
0,03
7
5,7
0,24
0,25
0,05
0,05
0,03
8
5,8
0,25
0,26
0,06
0,04
0,03
9
6,0
0,25
0,26
0,06
0,04
0,05
10
6,2
0,26
0,25
0,06
0,06
0,05
11
12
6,8
7,1
0,26
0,27
0,26
0,27
0,07
0,08
0,06
0,08
0,05
0,07
При помощи значений линейных коэффициентов парной корреляции
определили факторы, которые при достаточно тесной связи с результатом
имеет наименьшую тесноту связи с другими факторами. В нашем примере
получаем, информативными факторами являются: x2 и x5.
Заключение
Обнаружение неисправностей в механическом оборудовании является
серьезной проблемой во многих отраслях промышленности. Большинство
неисправностей, вероятно, возникают в условиях эксплуатации, что приводит к
значительному увеличению эксплуатационных расходов. Более того,
155
непредсказуемые неисправности могут привести к отказу оборудования или
даже поставить под угрозу безопасность человека. Как только механический
компонент обнаруживает неисправность, она вскоре запускает цепную реакцию
и приводит к повреждению других компонентов.
В ходе проведённого исследования была определена прогнозная модель,
которая более точно могла бы описывать динамику отказоустойчивости
оборудования (экспоненциальная модель), а также проведен многомерный
корреляционно-регрессионный анализ факторов и сделан вывод, что наиболее
значимыми факторами являются: повышения качества обработки и уменьшения
затрат на обслуживание оборудования и использования человеческих ресурсов.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1.
Теория принятия решений (дополнительные главы): учебно-методический
комплекс / сост. Д.А. Первухин. – СПБ.: Изд-во СЗТУ, 2009. – 198 с.
2.
Теория принятия решений (дополнительные главы): учебное пособие / сост.
Д.А. Первухин. – СПБ.: Изд-во СЗТУ, 2009. – 209 с.
3.
Математические методы системного анализа и теории принятия решений:
учебно-методический комплекс /сост. Е.С. Голик, О.В. Афанасьева. – СПБ.: Изд-во СЗТУ,
2009. – 87 с.
4.
Орлова И.В. Экономико-математическое моделирование: Практическое
пособие по решению задач. М.: Вузовский учебник, ВЗФЭИ, 2008. – 144 с.
5.
Использование информационно-аналитических систем для повыше- ния
эффективности управления предпринимательскими структурами / О. Б. Репкина// Молодой
ученый. — 2011. — № 1 (24). — С. 98-100. — URL: https://moluch.ru/archive/24/2548/ (дата
обращения: 12.03.2023).
6.
Системные методы анализа и синтеза интеллектуально-адаптивного
управления: Монография / Крамаров С.О., Смирнов Ю.А., Соколов С.В. – М.: ИЦ РИОР,
НИЦ ИНФРА-М, 2017. – 238 с.
7.
Перегудина Э.С., Первухин Д.А. Анализ деятельности промышленного
предприятия с применением искусственного интеллекта // Russian Journal of Logistics &
Transport Management. – 2021. – Т. 6, № S. – С. 70-74.
8.
Игнатенко А.А. Анализ факторов аварийного простоя экскаваторного парка
горнодобывающего предприятия методами множественного корреляционно-регрессивного
анализа
на
примере
угольного
разреза
РУ
"НОВОШАХТИНСКОЕ"
ООО
"ПРИМОРСКУГОЛЬ" / А.А. Игнатенко, О.В. Афанасьева // В сборнике: Анализ и
прогнозирование систем управления в промышленности, на транспорте и в
логистике. Сборник трудов XXII Международной научно-практической конференции
молодых ученых, студентов и аспирантов. Петербургский государственный университет
путей сообщения Императора Александра I. 2022. С. 139-145.
Рецензент: д-р техн. наук, проф. В.Е. Трушников
156
© А. А. Славич
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
АНАЛИЗ МЕТОДОВ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМ
ПРОЦЕССОМ ПЕРЕМЕШИВАНИЯ ПРОДУКТОВ
Аннотация. Процесс перемешивания – весьма важный процесс в различных областях
промышленности, к примеру таких как пищевая и химическая. Процесс представляет из себя
смешивание, объединение двух компонентов при помощи перемешивающих средств,
достигающих состояния однородности для смеси.
Ключевые слова: процесс перемешивания, крыльчатки, лопасти, турбулентный
поток, смеси.
Введение
Процесс смешивания используется в совершенно разных областях
производства.
Химическое производство: Химическое производство включает в себя
смешивание различных химических веществ для получения конечного
продукта. Перемешивание необходимо для обеспечения правильности
проведения реакции.
Нефтедобыча: Смешивание актуально при нефте- и газодобыче, где оно
используется для смешивания смесей для бурения. Это гарантирует
качественный процесс бурения.
Фармацевтика: Процесс смешивания имеет решающее значение в
фармацевтическом производстве, где он используется для смешивания
различных лекарственных средств, активных ингредиентов для достижения
однородности.
Производство красящих веществ: Процесс смешивания имеет решающее
значение в производстве красящих веществ, образующихся при смешивании
смесей и смол. Это важно для качественного цвета краски.
Пищевое производство: Смешение важно в производстве пищевых
продуктов, где он используется для смешивания ингредиентов для достижения
однородности.
Производство косметических продуктов: Оно включает в себя
смешивание различных ингредиентов для получения конечного продукта.
Это доказывает, что управление процессом перемешивания занимает
важную роль в сферах промышленности. В следующих рассмотренных
источниках будет обозреваться, какие процессы, эффекты и состояния влияют
на достижение однородности смеси.
Аналитическая часть
Также возможно рассмотреть отдельные случаи смешивания, как в
примере статьи Карианы Фери "Анализ однородности результатов смешивания
B30 с добавками в смесительных баках с использованием вычислительной
гидродинамики (CFD)" [1], в которой был описан процесс смешивания
биодизельного топлива с различными компонентами. рассмотрели и было
157
установлено, что для достижения однородности двух различных продуктов
необходима скорость, равная 900 об/минута. Как становится ясно из этого
примера, каждому веществу или продукту требуется своя скорость вращения
при смешивании, чтобы процесс прошел качественно.
Правильный подбор вращения при управлении процессом перемешивания
помочь снизить производственные затраты за счет минимизации времени и
энергии, необходимых для получения однородной смеси. Это особенно важно в
крупномасштабных производственных процессах.
Более широкая роль процесса смешивания в области машиностроения
была рассмотрена в статье Бенханифиа "Исследование смешивания
вязкопластичной жидкости с модифицированным анкерным рабочим колесом
внутри цилиндрического сосуда с мешалкой с использованием модели
Кассона–Папанастасиу" [2], и в статье Марика Ящура "Влияние конструкции
рабочего колеса на энергетические характеристики и эффективность
перемешивания ньютоновских жидкостей в сосуде с механическим
перемешиванием при низких числах Рейнольдса" [3] в которых они
рассмотрели, в каких целях используется процесс: сокращение времени
производства для достижения однородности; повышенный теплообмен;
улучшение специфических физико-химических свойств смеси; механическое
перемешивание продуктов;
Эффективность смешивания зависит от: тип смешивания (жидкостьжидкое, жидкость-твердое вещество); давление поступающих компонентов в
резервуаре; температура смеси; тип мешалки; скорость перемешивания;
вязкость смеси; плотность смеси; взаимная растворимость компонентов; форма
рабочего колеса.
Правильное обеспечение процессом смешивания может помочь
предотвратить инциденты и обеспечить надлежащее разбавление опасных
химических веществ или их смешивание с другими веществами для снижения
их потенциального риска.
В статье Ван Шуая "Численное исследование процесса смешивания
горячего шлака десульфурации и конвертерного сталелитейного шлака" [4]
рассматривается другой тип смешивания в виде твердого смешивания
десульфата шлака, при котором железо отделяется от твердой смеси,
обеспечивая гораздо лучшее измельчение вышеназванного шлака на
последующих стадиях процесса. Такое перемешивание поддерживается
высокой температурой и энергообменом, что позволяет отделять металл от
сернистого шлака, что впоследствии облегчает работу со шлаком в
шлакохранилище. Это показывает, что смешивание играет жизненно важную
роль в химических реакциях, обеспечивая тщательное перемешивание и
контакт реагентов друг с другом. Это помогает контролировать скорость
реакции и оптимизировать выход продукта.
В статье Чжоу Вэя, Ван Шуцзе, Чжу Цзинбо и Се Цзюня "Оптимизация
параметров и экспериментальное исследование струйного смесительного
устройства на основе CFD" [5] рассматривается один из вариантов
перемешивания при помощи напорных струй, предназначенный для очищения
обьектов при смесях с жидкими и газовыми компонентами. Можно представить
158
в виде примера очистку твердых обьектов от различных частиц с
использованием газа и воды. Подобное эффективное перемешивание может
помочь снизить производственные затраты за счет минимизации времени и
энергии, необходимых для получения однородной смеси. Это особенно важно в
крупномасштабных производственных процессах.
Особенности циркуляции воды во время управления процесса можно
рассмотреть в статье Мартинса Нуно "Индуцированная циркуляция
погружными струями в круглых резервуарах для хранения воды с
использованием CFD" [6], в которой считается, что давление и постоянная
динамика потока благоприятно влияют на качество воды с примесями хлора,
предотвращая разложение средств для очистки и образование из побочных
продуктов, осадка и накипи на стенках и дне бака при управлении процессом.
Процесс перемешивания в виде перемешивания плавающих частиц в
резервуарах с фрактальным рабочим колесом был рассмотрен в статье Гу Дейна
"Характеристики перемешивания плавающих частиц в эксцентриковой
мешалке, соединенной со смещенными фрактальными рабочими колесами" [7],
в которой было обнаружено, что качество процесса перемешивания, круговорот
мелких частиц и их влияние на процесс может быть улучшена за счет
использования особой крыльчатки с смещенными лопастями, которое
обеспечивает равномерное диспергирование продукта.
Правильный подбор перемешивающихся лопастей для управления
процессом перемешивания обеспечивает равномерное распределение всех
ингредиентов по всему продукту, в результате чего получается однородный
конечный продукт. Это особенно важно при производстве продуктов питания,
где вкус, текстура и внешний вид являются решающими факторами.
Тема ультразвуковых датчиков в системах смешивания описана в статье
Кулунциоса Панайотиса "Ультразвуковой томографический метод контроля
процесса улавливания CO2 во время смешивания и осаждения CO3" [8], где
указано, что ультразвуковые датчики предоставляют ключевую информацию о
расположении частиц внутри бака с мешалкой и может использоваться для
мониторинга времени и скорости проявления осадк. Это показывает, что
ультразвуковые датчики очень полезны для мониторинга и обнаружения
неисправностей в процессах смешивания в режиме реального времени.
Важность правильного мониторинга при управлении процессом сложно
недооценить, и в этом плане ультразвуковые датчики, способные точно
проводить мониторинг жидкостей и смесей в закрытых емкостях, могут
оказаться идеальными датчиками в управлениях процессами перемешивания.
Заключение
Процесс смешивания оказывает огромное влияние на процессы в
большом количестве отраслей промышленности, от пищевой до
горнодобывающей. Из рассмотренных выше статей можно сделать несколько
выводов, какие факторы важны для успешного управления процессом
перемешивания:
1)
Температура сильно влияет на процесс смешивания, в большинстве
случаев способствуя скорости однородности и повышению производительности
и качества получаемого продукта.
159
2)
Датчики, вроде ультразвуковых, оказывают сильное влияние на
технологический процесс, позволяя контролировать процесс перемешивания и
обеспечивать качественный мониторинг.
3)
Геометрические данные емкости и лопастей рабочего колеса
улучшают качество перемешивания. Емкости особой формы вроде спиральной
и качественно подобранные лопасти с большим наклоном и обеспечивали
наилучшие результаты перемешивания.
4)
Смешивание значительно зависит от компонентов смеси.
Различные компоненты образуют различные формы процесса, от смешивания
жидкости с жидкостью до смешивания твердых и газовых веществ.
5)
Скорость перемешивания значительно влияет на процесс,
обеспечивая более быстрое перемешивание и обеспечение однородности смеси.
Библиографический список
1. Каруана Ф., Газидин Х., Суятно, Вимада А.Р., Гелиос М.П., Сутриянто Х., Солиха
М.Д. Анализ однородности результатов смешивания В30 с добавками в смесительных баках
с использованием вычислительной гидродинамики (CFD) // (2023) Материалы сегодня:
Труды https://doi.org/10.1016/j.matpr.2023.02.388
2. Бенханифия К., Редуан Ф., Лахдар Р., Брахим М., Аль-Фархани К., Джамшед У.,
Ид М.Р., Эль-Дин С.М., Райза З. Исследование перемешивания вязкопластичной жидкости с
модифицированным анкерным рабочим колесом внутри цилиндрического сосуда с
перемешиванием с использованием модели Кассона–Папанастасиу // (2022) Научные отчеты,
12 (1), статья № 17534 https://doi.org/10.1038/s41598-022-22415-6
3. Ящур М., Млынарчиковская А., Демурташ Л. Влияние конструкции рабочего
колеса на энергетические характеристики и эффективность смешивания ньютоновских
жидкостей в сосуде с механическим перемешиванием при низких числах Рейнольдса //
(2020) Energies, 13 (3), статья № 640 https://doi.org/10.3390/en13030640
4. Ван С., Вэнь З., Доу Р., Сяо Ю., Гуань Ю., Лю Х. Численное исследование
процесса смешивания горячего шлака десульфурации и конвертерного сталелитейного шлака
// (2022) Тематические исследования в области теплотехники, 40, статья № 102561
https://doi.org/10.1016/j.csite.2022.102561
5. Чжоу У., Ван С., Чжу Дж., Се Дж., Цай С. Оптимизация параметров и
экспериментальное исследование струйного смесительного устройства на основе CFD //
Процессы 2022, 10 (5), статья № 933, стр. 1-3 https://doi.org/10.3390/pr10050933
6. Мартинс Н.М.К., Ковас Д.И.К. Индуцированная циркуляция с помощью
погружных струй в круглых резервуарах для хранения воды с использованием CFD // (2022)
Water (Швейцария), 14 (8), статья № 1277 https://doi.org/10.3390/w14081277
7. Гу Д., Ли Х., Ван Ю., Сюй Х., Е М., Вэнь Л. Характеристики перемешивания
плавающих частиц в резервуаре с эксцентриковой мешалкой, соединенном с
дислоцированными фрактальными рабочими колесами // (2022) International Journal of
Chemical Reactor Engineering, 20 (4), стр. 487 – 498 https://doi.org/10.1515/ijcre-2021-0303
8. Кулунциос П., Агаджанян С., Рымарчик Т., Койранен Т., Солеймани М. Способ
ультразвуковой томографии для мониторинга процесса улавливания co2, включающего
перемешивание и осаждение caco3 // (2021) Sensors, 21 (21), арт. № 6995
https://doi.org/10.3390/s21216995
Рецензент: д-р техн. наук, проф. В.Е. Трушников
160
У. Судань, А.С. Панова, А. В. Гурко
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
АВТОМАТИЧЕСКИЙ АНАЛИЗ, РАСПОЗНАВАНИЕ И СИНТЕЗ
РЕЧИ (НА ПРИМЕРЕ КИТАЙСКОГО ЯЗЫКА)
Аннотация. В статье предложена методика автоматического перевода разговорной
речи на примере китайского языка. В качестве основного метода решения задачи выбраны
алгоритмы машинного обучения.
Ключевые слова: распознавание голоса, обработка естественного языка, синтез речи,
машинное обучение, нейронные сети, акустическая модель, машинное обучение.
Введение
Решение задачи построения голосового переводчика основано на
алгоритмах обучения нейронных сетей. И включает реализацию трех
технологий: автоматическое распознавание речи, обработка естественного
языка и синтез речи.
Технология распознавания речи построена на акустической модели,
которая соответствует вероятностному разбиению речи на фонемы, и языковой
модели, которая соответствует вероятностному разбиению фонем на слова.
Цель статьи – повысить качество языкового взаимодействия с помощью
автоматизации перевода живой речи с китайского языка на русский и обратно
на основе алгоритмов машинного обучения.
Выявлены следующие проблемы. Проблема многозначности слов в
китайском и русском языках. Проблема порядка слов. Из-за культурных и
языковых различий на китайском и русском языках порядок слов различен.
Проблема ограниченности доступных данных. Большинство технологий
машинного перевода сегодня основаны на больших данных, а лучший
результат можно получить только при обучении на большом объеме данных.
Проблема конфликта правил. По мере увеличения количества правил, правила
сдерживают и влияют друг на друга. Правило, написанное для решения одной
проблемы, может вызвать проблемы перевода других предложений.
Технология перевода базируется на использовании монолингвального
корпуса, китайского языка.
Анализ существующих исследований
Алгоритмы машинного обучения находят свое применение в различных
областях деятельности. Ученые Горного университета с успехом применяют их
для решения задач минерально-сырьевого комплекса [11, 12,13, 14].
Проблемы распознавания речи, ее синтеза исследуются мировой наукой,
имеются прорывные достижения.
В работе представлено исследование и разработан прототип системы
непрерывного распознавания речи по сценарию - китайский-русскийкитайский.
161
Решение задачи состоит из четырех частей: этапа извлечение признаков,
построение акустической и языковой модель и декодирования.
Методика решения заключается в том, чтобы извлечь признаки, получить
акустические особенности из речевых данных, затем получить акустическую
модель в качестве шаблона для распознавания, провести обучение модели,
декодировать в сочетании с языковой моделью и получить результат
распознавания.
Акустическая модель. Является ключевой частью системы
распознавания речи, и ее роль заключается в описании последовательности
признаков, генерируемых акустическим блоком, который классифицирует
речевой сигнал. Мы можем использовать акустическую модель для расчета
вероятности того, что сегмент наблюдаемого вектора признаков принадлежит
каждой акустической единице, и для преобразования последовательности
признаков в последовательность состояний в соответствии с критерием
правдоподобия.
Извлечение признаков. Нейронные сети не могут обучаться на
аудиоданных, поэтому в качестве первого шага мы должны выполнить
извлечение признаков из аудиоданных. Перечислим акустические признаки:
Линейный предсказательный коэффициент (LPC). Основан на
имитации принципа работы человеческого голоса. Пусть передаточная функция
системы подобна функции цифрового фильтра с полными полюсами, то
речевой сигнал обычно характеризуется 12-16 полюсами. Таким образом, для
речевого сигнала в n+1 момент времени можно аппроксимировать линейной
комбинацией сигналов предыдущих п моментов. Затем вычисляется
выборочное значение речевого сигнала и выборочное значение линейного
предсказания. Метрика для оценки качества прогноза - минимум средней
квадратической ошибки (MSE) между этими двумя достигнет минимума, мы
можем получить LPC.
Линейное предсказание восприятия (PLP). Параметр характеристики,
основанный на слуховой модели. Этот параметр является характеристикой,
эквивалентной LPC, и набором коэффициентов полинома предсказания
всеполюсной модели. Разница заключается в том, что PLP основан на
иннауральном слухе и вычислительно применяется к спектральному анализу,
где входной речевой сигнал обрабатывается моделью иннаурального слуха
для замены сигнала во временной области, используемого LPC, что имеет
преимущество в облегчении извлечения помехоустойчивых особенностей речи.
Mel Frequency Cepstrum Coefficient (MFCC). Метод основан на
характеристиках иннаурального слуха и на слуховых характеристиках
входящего уха.
Fbank (банк фильтров) основан на банке фильтров, метод извлечения
признаков Fbank эквивалентен MFCC для удаления последнего шага банка
фильтров. Метод извлечения признаков Fbank эквивалентен MFCC без
последнего шага дискретного косинусного преобразования, и признак Fbank
сохраняет больше оригинальных речевых данных, чем признак MFCC.
162
Спектрограмма. Представляет собой спектр речи, который получают
путем обработки сигнала при наличии достаточной длины сигнала во
временной области. Особенностью спектрограммы речи является наблюдение
интенсивности сигнала различных частотных полос речи, которая изменяется с
течением времени. В данной работе обучение проводится с использованием
речевой спектрограммы в качестве входного признака и обработки с помощью
CNN. Спектрограмма речи представлена, как суперпозиция спектрограмм за
определенный период времени, поэтому основными этапами извлечения
спектрограммы речи являются: разбиение кадра, выделение окна и быстрое
преобразование Фурье (БПФ).
Акустическая модель. Используется коннекционистская временная
классификация (CTC) - тип нейронной сети и связанная с ним функция оценки
для обучения рекуррентных нейронных сетей (RNN), таких как сети LSTM.
применяется для задач, распознавания рукописного ввода в режиме онлайн или
распознавание фонем в звуковой речи. CTC может включать в себя скрытую
Марковскую модель (HMM).
Языковая модель. Статистическая языковая модель является основой
обработки естественного языка, это математическая модель с определенными
контекстно-зависимыми свойствами, по сути, тип вероятностной графовой
модели. Модель широко используется в машинном переводе, распознавании
речи, фонетическом вводе, распознавании текста изображений, коррекции
орфографии, поиске опечаток и поисковых системах.
Методика использования механизма внимания. В статье «Attention Is
All You Need".[16] рассматривается метод, который позволяет получить
перевод, используя только механизм внимания. Каждое слово представлено
тремя векторами, один из которых называется запросом (Q), другой - ключом
(K), а третий - значением (V). Есть три матрицы, WQ, WK и WV, которые могут
быть преобразованы в три векторных представления путем перемножения с
каждым вектором слова.
Алгоритм решения таков. Берется слово, преобразуется его в
высокоразмерное векторное представление с помощью серии сетевых
преобразований, вычисляется произведение с Q и K, получается вес внимания
для слова с помощью softmax и создается внимание внутри предложения,
называемое самовниманием - векторное представление (Z) каждого слова
содержит информацию об ассоциации других слов в предложении.
Авторы считают, что этого недостаточно, а нужно изображать с
нескольких точек зрения. В работе определено 8 наборов матриц. После ряда
преобразований получается векторное представление каждого слова (слой
кодирования-1). Затем выход этого слоя используется в качестве входа
следующего слоя, и еще один раунд такого представления – (слой кодирования2), затем еще один раунд - это третий слой, и так далее до N-го слоя.
163
Методика автоматического распознавание речи
Подготовительные функции. В работе используются наборы данных с
частотой дискретизации 16 КГц и библиотека scipy для преобразования аудио в
языковые данные.
В процессе обработки длинных речевых сигналов требуется операция с
окном Хэмминга. Принцип заключается в умножении данных в одном кадре на
функцию
и получении нового кадра данных
С добавлением окна Хэмминга данные становятся ближе к периодической
функции. При добавлении окна Хэмминга отражаются только данные в
середине, а информация о данных с обеих сторон теряется, поэтому при
последующем сдвиге окна выполняют наложение. Размер окна принят равным
25 мс, размер шага принят равным 10 мс.
Характеристики речевого сигнала трудно увидеть во временной области,
поэтому его преобразуют в распределение энергии в частотной области с
помощью быстрого преобразования Фурье для каждого кадра сигнала [6].
Для реализации метода используются следующие функции.
1.
Функция построения временно-частотной диаграммы сигнала.
def compute_fbank(file):
x=np.linspace(0, 400 - 1, 400, dtype = np.int64)
w = 0.54 - 0.46 * np.cos(2 * np.pi * (x) / (400 - 1) )
fs, wavsignal = wav.read(file)
time_window = 25
window_length = fs / 1000 * time_window
wav_arr = np.array(wavsignal)
wav_length = len(wavsignal)
range0_end = int(len(wavsignal)/fs*1000 - time_window)
#
print(range0_end)
data_input = np.zeros((range0_end, 200), dtype = np.float)
data_line = np.zeros((1, 400), dtype = np.float)
for i in range(0, range0_end):
p_start = i * 160
p_end = p_start + 400
data_line = wav_arr[p_start:p_end]
data_line = data_line * w
data_line = np.abs(fft(data_line))
data_input[i]=data_line[0:200]
data_input = np.log(data_input + 1)
#data_input = data_input[::]
return data_input
2.
Функция потерь.
def ctc_lambda(args):
labels, y_pred, input_length, label_length = args
y_pred = y_pred[:, :, :]
return K.ctc_batch_cost(labels, y_pred, input_length, label_length)
164
3.
Функция декодирования.
def decode_ctc(num_result, num2word):
result = num_result[:, :, :]
in_len = np.zeros((1), dtype = np.int32)
in_len[0] = result.shape[1];
r = K.ctc_decode(result, in_len, greedy = True, beam_width=10, top_paths=1)
r1 = K.get_value(r[0][0])
r1 = r1[0]
text = []
for i in r1:
text.append(num2word[i])
return r1, text
Акустическое моделирование. В качестве набора данных использован
набор данных китайской речи THCHS30 Университета Цинхуа [17]. Модель
обучается с помощью. Входные данные для обучения - это карта временных
частот, а метки - соответствующие метки Китайского диалекта языка Пиньинь.
Для реализации используются функция акустического моделирования：
class Amodel():
"""docstring for Amodel."""
def __init__(self, vocab_size):
super(Amodel, self).__init__()
self.vocab_size = vocab_size
self._model_init()
self._ctc_init()
self.opt_init()
def _model_init(self):
self.inputs = Input(name='the_inputs', shape=(None, 200, 1))
self.h1 = cnn_cell(32, self.inputs)
self.h2 = cnn_cell(64, self.h1)
self.h3 = cnn_cell(128, self.h2)
self.h4 = cnn_cell(128, self.h3, pool=False)
# 200 / 8 * 128 = 3200
self.h6 = Reshape((-1, 3200))(self.h4)
self.h7 = dense(256)(self.h6)
self.outputs = dense(self.vocab_size, activation='softmax')(self.h7)
self.model = Model(inputs=self.inputs, outputs=self.outputs)
def _ctc_init(self):
self.labels = Input(name='the_labels', shape=[None], dtype='float32')
self.input_length = Input(name='input_length', shape=[1], dtype='int64')
self.label_length = Input(name='label_length', shape=[1], dtype='int64')
self.loss_out = Lambda(ctc_lambda, output_shape=(1,), name='ctc')\
([self.labels, self.outputs, self.input_length, self.label_length])
self.ctc_model = Model(inputs=[self.labels, self.inputs,
self.input_length, self.label_length], outputs=self.loss_out)
def opt_init(self):
opt = Adam(lr = 0.0008, beta_1 = 0.9, beta_2 = 0.999, decay = 0.01, epsilon = 10e-8)
self.ctc_model.compile(loss={'ctc': lambda y_true, output: output}, optimizer=opt)
Языковая модель Маркова. Акустическая модель синтезирует
Китайский диалект Пиньинь. Китайский Пиньинь имеет четыре тона, и одна и
165
та же речь имеет много разных слов. Иероглифы Пиньинь извлекаются из
словаря и создается список слов Пиньинь. Обработка выполняется с первого
слова списка. Задаем значение начального состояния модели Маркова, задаем
начальную вероятность 1.0, добавляем в список возможных предложений,
затем обрабатываем слова после первого слова, выводим каждую
сформированную фразу.
Значения в таблице переходных состояний, выполняется умножения
вероятностей переходных состояний на текущую вероятность, и формула
сводится к числу вхождений n-го и n-го слова, деленному на число вхождений
n-го слова. Результаты сохраняются, если они больше порога, иначе
отбрасываются. Читается файл словаря Пиньинь китайских иероглифов,
читается файл языковой модели.
На рисунке 1 представлены результаты 200 тренировок.
Рис. 1. Результаты 200 тренировок для тестов на распознавание языка
Машинный перевод. В процессе перевода используется графический
процессор. Сначала преобразуем каждое высказывание в последовательность
идентификаторов
слов,
возвращаем
токены.
В
конец
каждой
последовательности добавляются нули, чтобы сделать все русские
последовательности одинаковой длины. Перевод с китайского на русский
необходим, когда идентификаторы преобразуются в текст.
def logits_to_text(logits, tokenizer):
index_to_words = {id: word for word, id in tokenizer.word_index.items()}
index_to_words[0] = '<PAD>'
return ' '.join([index_to_words[prediction] for prediction in np.argmax(logits, 1)])
Строим модель, которая объединяет в одной модели элементы слов
двунаправленные RNN.[7]
def model_final(input_shape, output_sequence_length, english_vocab_size,
french_vocab_size):
model = Sequential()
и
model.add(Embedding(input_dim=english_vocab_size,output_dim=128,input_length=input_shape[
1]))
model.add(Bidirectional(GRU(256,return_sequences=False)))
model.add(RepeatVector(output_sequence_length))
model.add(Bidirectional(GRU(256,return_sequences=True)))
model.add(TimeDistributed(Dense(french_vocab_size,activation='softmax')))
learning_rate = 0.005
166
model.compile(loss = sparse_categorical_crossentropy,
optimizer = Adam(learning_rate),
metrics = ['accuracy'])
return model
Пример перевода представлен на рисунке 2.
Рис. 2. Пример перевода
Синтез естественного языка. Методика синтеза речи состоит из
следующих блоков.
1.
Обработка спектрограммы речи путем пропуска входных данных
через слои LSTM (Long short-term memory) и получения конечного скрытого
состояния последнего слоя. Для отрицательных значений применяется отсечка
на 0, и встраивание нормируется по L2.
LSTM - рекуррентная нейронная сеть (RNN) может обрабатывать не
только отдельные точки данных (например, изображения), но и целые
последовательности данных (например, речь или видео). Эта характеристика
делает сети LSTM идеальными для обработки и прогнозирования данных'
L2 - В машинном обучении правила ранней остановки являются
руководством по определению того, как много итераций может пройти, перед
переобучением модели и они используются во множестве методов машинного
обучения.
def forward(self, mels: torch.FloatTensor)：
_, (hidden, _) = self.lstm(mels)
embeds_raw = self.relu(self.linear(hidden[-1]))
return embeds_raw / torch.norm(embeds_raw, dim=1, keepdim=True)
2.
Преобразование сегментов в волновую форму в соответствие со
спектрограммой и получение значений для каждого кадра.
@staticmethod
def compute_partial_slices(n_samples: int, rate, min_coverage):
assert 0 < min_coverage <= 1
samples_per_frame = int((sampling_rate * mel_window_step / 1000))
n_frames = int(np.ceil((n_samples + 1) / samples_per_frame))
frame_step = int(np.round((sampling_rate / rate) / samples_per_frame))
assert 0 < frame_step, "The rate is too high"
167
assert frame_step <= partials_n_frames, "The rate is too low, it should be %f at least"
(sampling_rate / (samples_per_frame * partials_n_frames))
wav_slices, mel_slices = [], []
steps = max(1, n_frames - partials_n_frames + frame_step + 1)
for i in range(0, steps, frame_step):
mel_range = np.array([i, i + partials_n_frames])
wav_range = mel_range * samples_per_frame
mel_slices.append(slice(*mel_range))
wav_slices.append(slice(*wav_range))
last_wav_range = wav_slices[-1]
coverage = (n_samples - last_wav_range.start) / (last_wav_range.stop last_wav_range.start)
if coverage < min_coverage and len(mel_slices) > 1:
mel_slices = mel_slices[:-1]
wav_slices = wav_slices[:-1]
return wav_slices, mel_slices
3.
Вычисление значений для каждого словесного корпуса с то L2нормированием.
def embed_utterance(self, wav: np.ndarray, return_partials=False, rate=1.3,
min_coverage=0.75):
wav_slices, mel_slices = self.compute_partial_slices(len(wav), rate, min_coverage)
max_wave_length = wav_slices[-1].stop
if max_wave_length >= len(wav):
wav = np.pad(wav, (0, max_wave_length - len(wav)), "constant")
# Split the utterance into partials and forward them through the model
mel = audio.wav_to_mel_spectrogram(wav)
mels = np.array([mel[s] for s in mel_slices])
with torch.no_grad():
mels = torch.from_numpy(mels).to(self.device)
partial_embeds = self(mels).cpu().numpy()
# Compute the utterance embedding from the partial embeddings
raw_embed = np.mean(partial_embeds, axis=0)
embed = raw_embed / np.linalg.norm(raw_embed, 2)
if return_partials:
return embed, partial_embeds, wav_slices
return embed
4.
Вычисление наборов звуковых дорожек (возможно, от одного и того же
диктора), усреднение их и L2-нормализация.
def embed_speaker(self, wavs: List[np.ndarray], **kwargs):
raw_embed = np.mean([self.embed_utterance(wav, return_partials=False, **kwargs)\
for wav in wavs], axis=0)
return raw_embed / np.linalg.norm(raw_embed, 2)
5.
Применение модуля pytorch в вокодере, после инициализации
модуля генератора MelGAN и проверка - действителен ли размер ядра.
6.
Создание слоев - начальный слой, слой апсемплинга (повышение
частоты дискретизации на целочисленный коэффициент), стековый слой,
выходной слой.
7.
Определение модели как единой функции. Применение весовой
нормализации, сброс параметров, инициализация pqmf для вывода. Вычисление
168
прямого распространение. Удаление из всех слоев модуля весовой
нормализации и повторное подключение модуля весовой нормализации для
всех слоев, затем сбросьте параметры для вывода. Запуск модуля
дискриминатора.
8.
Проверка количества слоев и стеков после инициализации
параллельного модуля генератора WaveGAN, определение первой сети свертки
и апсемплинга, определение выходного слоя, применение весовой
нормализации и вычисление прямого распространения.
9.
Инициализация модуля дискриминатора WaveGAN, вычисление
прямого распространения, применение модуля весовой нормализации слоев,
удаление модуля весовой нормализации всех слоев.
10. Синтез модели, кодирование входных фонем в виде ключей и
значений, кодирование входных спектрограмм в виде запросов и перевод
модуля в режим последовательной генерации.
11. Результат работы декодируется в спектрограмму, и модуль
переводится в режим последовательной генерации с предварительной
обработкой внимания по масштабной точке для позиционного кодирования.
Заключение
В статье описан прототип действующей программной системы перевода
речи с использованием нейронных сетей, обученных для автоматического
распознавания, обработки и синтеза языковых конструкций на примере
русского и китайского языков.
Используются конволюционные (CNN), рекуррентные (RNN), глубокие
нейронные сети (dnn) и алгоритм классификации CTC. Система реализована на
языке Python.
Библиографический список
1.
Ganfure, G. O. (2022). Comparative analysis of deep learning based Afaan Oromo
hate speech detection. Journal of Big Data, 9(1), 76. DOI:10.1186/s40537-022-00628-w
2.
Singh, S. (2020). High level speaker specific features modeling in automatic speaker
recognition system. International Journal of Electrical and Computer Engineering (IJECE), 10(2),
1859. DOI:10.11591/ijece.v10i2.pp1859-1867
3.
Mustaqeem, Sajjad, M., & Kwon, S. (2020). Clustering-Based Speech Emotion
Recognition by Incorporating Learned Features and Deep BiLSTM. IEEE Access, 8, 79861–79875.
DOI:10.1109/ACCESS.2020.2990405
4.
Campi, M., Peters, G. W., Azzaoui, N., & Matsui, T. (2021). Machine Learning
Mitigants for Speech Based Cyber Risk. IEEE Access, 9, 136831–136860.
DOI:10.1109/ACCESS.2021.3117080
5.
Zhou, J., Hai, T., Jawawi, D. N. A., Wang, D., Ibeke, E., & Biamba, C. (2022).
Voice spoofing countermeasure for voice replay attacks using deep learning. Journal of Cloud
Computing, 11(1), 51. DOI:10.1186/s13677-022-00306-5
6. Sequence Modeling With CTC/ https://distill.pub/2017/ctc/
7. Sukharev A.L., Zhalnin R.V., Fedosin S.A.(2019). Разработка и реализация
автоматизированного мордовско-русского переводчика на основе искусственных нейронных
сетей lstm-rnn.
169
8. Daniil Homonyuk, igor Nikiforov, Dmitri Drobintsev/ Интеграционный подход
распознавания зашумленной русскоязычной речи
9. W. -K. Leung, X. Liu and H. Meng, "CNN-RNN-CTC Based End-to-end
Mispronunciation Detection and Diagnosis," ICASSP 2019 - 2019 IEEE International Conference
on Acoustics, Speech and Signal Processing (ICASSP), Brighton, UK, 2019, pp. 8132-8136, doi:
10.1109/ICASSP.2019.8682654.
10. ESPnet/ https://espnet.github.io/espnet/index.html
11.
О модели интеллектуализации тестирования знаний студентов / И. В. Иванова,
М. В. Копейкин, К. И. Кузьмин, В. В. Спиридонов // Современные образовательные
технологии в подготовке специалистов для минерально-сырьевого комплекса: Сборник
научных трудов IV Всероссийской научной конференции, Санкт-Петербург, 04–05 марта
2021 года. – Санкт-Петербург: Санкт-Петербургский горный университет, 2021. – С. 132-136.
– EDN FMJKQT. – URL: https://www.elibrary.ru/item.asp?id=46164814
12.
Sultanbekov, R.; Beloglazov, I.; Islamov, S.; Ong, M.C. Exploring of the
Incompatibility of Marine Residual Fuel: A Case Study Using Machine Learning Methods.
Energies 2021, 14, 8422. https://doi.org/10.3390/en14248422
13.
Isheyskiy, V.; Sanchidrián, J.A. Prospects of Applying MWD Technology for
Quality Management of Drilling and Blasting Operations at Mining Enterprises. Minerals 2020, 10,
925. https://doi.org/10.3390/min10100925
14.
Beloglazov I. I., Petrov P. A., BazhinV. Yu. The concept of digital twins for tech
operator training simulator design for mining and processing industry. Eurasian Mining. 2020. №2.
P. 48-57. DOI 10.17580/em.2020.02.12
15.
Boikov, Aleksei, Payor, Vladimir, Savelev, Roman, et al. (2021) Synthetic data
generation for steel defect detection and classification using deep learning. Symmetry, issue 7, vol.
13, DOI: 10.3390/sym13071176 – URL: https://www.mdpi.com/2073-8994/13/7/1176
16.https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aaPaper.pdf
17. https://www.openslr.org/18/
Рецензент: канд. техн. наук, доц. Е.Б. Мазаков
170
© Т.Ф. Туляков
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
СИСТЕМНОЕ ИССЛЕДОВАНИЕ ВОСТРЕБОВАННОСТИ
ИСПОЛЬЗОВАНИЯ РОБОТОТЕХНИЧЕСКИХ УСТРОЙСТВ ДЛЯ
ТЕХНИЧЕСКОГО ОСМОТРА ЛИНИЙ ЭЛЕКТРОПЕРЕДАЧ
Аннотация. В статье проводится исследование использования робототехнических
устройств для проведения технического осмотра линий электропередач с использованием
прогнозных моделей, а также проведен анализ влияния факторов, которые имеют
наибольшее значение при выборе и внедрении робототехнического устройства с
использованием многомерного корреляционно-регрессионного анализа.
Ключевые слова: робототехнические устройства, линии электропередач, прогнозные
модели, метод множественной регрессии, востребованность.
Введение
Линии электропередач (ЛЭП) являются компонентом системы
энергетического оборудования для передачи электроэнергии в различные точки
при помощи электрического тока.
ЛЭП возникли, когда встал вопрос об удобном и более эффективном
методе придачи электрической энергии [4], т.к. до этого преимущественно
использовались ветряные двигатели и т.д., которые не позволяли должным
образом обеспечивать энергией потребности человека, т.к. ветер не всегда
бывает стабильным и есть места, в которых просто физически невозможно
было разместить данные устройства.
В ходе развития ЛЭП также вставал и вопрос об их эксплуатации и
техническом осмотре [5,10], чтобы была возможность продлить срок службы
линий на более длительный период.
В большинстве случаев оценку технического состояния ЛЭП и на данный
момент производят вручную, что приводит к использованию человеческих
ресурсов в опасных условиях труда и не всегда к 100 % правильному
заключению после проведения осмотра линий [3], хотя в современном мире
уже существуют устройства для автоматической оценки технического
состояния линий [7,111].
Использование современных робототехнических средств для оценки
качества ЛЭП приводит к значительному уменьшению человеческого фактора
(замена человека роботом в опасных условиях труда) и повышению
производительности оценки технического состояния ЛЭП и обработки
информации о полученных данных с линий [6,9]. Роботизированные системы,
которые могут непрерывно перемещаться по линии, смогут собирать
непрерывную и непрерывную информацию. Таким образом, потенциальные
проблемы могут быть обнаружены и идентифицированы заранее.
На
данный
момент
существуют
следующая
классификация
роботизированных устройств (рисунок 1) для оценки качества ЛЭП.
171
Рис. 1. Классификация роботизированных устройств [составлено автором]
Данные робототехнические устройства (РТУ) служат для оперативного
обслуживания линий электропередачи сверхвысокого напряжения с
несколькими ответвлениями, которые могут помочь или даже заменить ручную
работу и решить проблему обслуживания линии под напряжением в случае
суровых погодных условий, и это имеет важное теоретическое значение и
практическое значение для повышения эффективности, снижения трудоемкости
и максимального повышения безопасности эксплуатации [8].
Оценка показателя востребованности рту с использованием
прогнозных моделей
Для решения прогностической задачи были получены статистические
данные востребованности РТУ для технического осмотра ЛЭП за период
январь 2021 г. – июнь 2022 г., сформирован динамический ряд (рисунок 2).
После проведенного анализа исходных данных было выявлено, что
динамика использования РТУ характеризуется систематичностью [1]. Для
более полного понимания характера тенденции производилось ее
моделирование.
Были рассмотрены модели, которые бы максимально близко писывали
исходное распределение: линейная, экспоненциальная и гиперболическая
модель 2 типа.
После построения каждой модели были получены значения
коэффициентов детерминации линейной, экспоненциальной и гиперболической
модели 2 типа (таблица 1) и принято, что оптимальной прогнозной моделью
является гиперболическая модель 2 типа (рисунок 4), т. к. имеет наиболее
высокий результат детерминации.
172
Рис. 2. Исходные данные процента использования РТУ для технического осмотра ЛЭП
[составлено автором]
На рисунке 3 показано распределение исходных данных.
Рис. 3. График использования РТУ [составлено автором]
173
Таблица 1 – Сводная таблица коэффициентов детерминации [составлено автором]
Вид модели
Линейная модель
Экспоненциальная модель
Гиперболическая модель 2 типа
Коэффициент детерминации
0,941
0,961
0,967
Рис. 4. График распределения исходных данных и гиперболической модели 2 типа
[составлено автором]
Исследование факторов, влияющих на востребованность рту, с
использованием метода множественной регрессии
Следующим шагом являлось проведение многомерного корреляционнорегрессионного анализа, чтобы получить наиболее влияющие и информативные
факторы, на которые следует делать упор при выборе и внедрении РТУ [2].
Для анализа востребованности использования робототехнических
устройств для технического осмотра линий электропередач были взяты
следующие факторы (рисунок 5):
y – процент использования РТУ для технического осмотра ЛЭП, %;
x1 - повышение производительности, относительная единица измерения
(оеи);
x2 - повышение качества обработки, оеи;
x3 - уменьшения человеческого фактора, оеи;
x4 – повышение универсальности проведения работ, оеи;
x5 - уменьшения затрат, оеи.
174
Рис. 5. Исходные данные для проведения корреляционно-регрессионного анализа
[составлено автором]
При помощи значений линейных коэффициентов парной корреляции
определили факторы, которые при достаточно тесной связи с результатом
имеет наименьшую тесноту связи с другими факторами [2]. В нашем примере
получаем, информативными факторами являются: x1 и x5.
ЗАКЛЮЧЕНИЕ
В ходе проведённого исследования была определена прогнозная модель,
которая более точно могла бы описывать динамику востребованности РТУ
(гиперболическая модель 2 типа), а также проведен многомерный
корреляционно-регрессионный анализ факторов, влияющих на выбор и
внедрение РТУ и сделан вывод, что наиболее значимыми факторами являются:
повышение производительности в ходе проведения технического осмотра ЛЭП
и уменьшения затрат на обслуживание линий и использования человеческих
ресурсов.
Библиографический список
1.
Афанасьева О.В. Программа построения и расчета параметров интерактивной
модели сетевого планирования и управления/ О.В. Афанасьева, В.Д. Вихорев, Д.А.
Первухин. Свидетельство о регистрации программы для ЭВМ 2022611798, 01.02.2022.
Заявка № 2022611039 от 31.01.2022.
2.
Афанасьева О.В. Разработка программы автоматизации решения задачи
сетевого планирования и управления / О.В.Афанасьева, В.Д. Вихорев // В сборнике: Анализ
175
и прогнозирование систем управления в промышленности, на транспорте и в логистике.
Сборник трудов XXII Международной научно-практической конференции молодых ученых,
студентов и аспирантов. Петербургский государственный университет путей сообщения
Императора Александра I. 2022. С. 74-79.
3.
Афанасьев
М.П.,
Туляков
Т.Ф.
АВТОМАТИЗИРОВАННОЕ
ПРОЕКТИРОВАНИЕ
КОМПОНОВОК
МЕХАТРОННОГО
СТАНОЧНОГО
ОБОРУДОВАНИЯ С ПОМОЩЬЮ ПРОГРАММНОГО КОМПЛЕКСА «SOLIDWORKS».
Современная наука и инновации. 2022;(4):31-40. DOI: 10.37493/2307-910X.2022.4.3
4.
Y. V. Ilyushin. Development of a Process Control System for the Production of
High-Paraffin Oil. Energies. 2022; 15 (17): 6462. DOI: 10.3390/en15176462.
5.
V. Martirosyan, Y. V. Ilyushin. Modeling of the Natural Objects Temperature Field
Distribution
Using
a
Supercomputer.
Informatics.
2022;
9
(3):
62.
DOI:
10.3390/informatics9030062
6.
D. Zakaev, L. Nikolaichuk., F. Irina. Problems of oil refining industry development
in Russia. International Journal of Engineering Research and Technology. 2020; 13 (2): 267-270.
7.
V. V. Maksarov, A. I. Keksin, I. A. Filipenko. Influence of magnetic-abrasive
processing on roughness of flat products made of amts grade aluminum alloy. Tsvetnye Metally.
2022; Vol.7: 82-87. DOI: 10.17580/tsm.2022.07.09.
8.
S. A. Vasin, A. S. Vasilev, E. V. Plahotkina. Methods for assessing the technical
compatibility of heterogeneous elements within a technical system. Journal of Mining Institute.
2020; Vol.243: 329-336. DOI:10.31897/PMI.2020.3.329.
9.
K. D. Krestovnikov, E. O. Cherskikh, A. V. Saveliev. Investigation of the influence
of the length of the intermediate magnetic circuit on the characteristics of magnetic gripper for
robotic complexes of the mining industry. Journal of Mining Institute. 2020; Vol.241: 46. DOI:
10.31897/pmi.2020.1.46.
10.
S. Vasil’ev, A. A. Goncharov. Special strategy of treatment of difficulty-profile
conical screw surfaces of single-screw compressors working bodies. Journal of Mining Institute.
2019; Vol.235: 60. DOI: 10.31897/pmi.2019.1.60.
11.
I. B. Movchan, A. A. Yakovleva. Refined assessment of seismic microzonation with
a priori data optimisation. Journal of Mining Institute. 2019; Vol.236: 133. DOI:
10.31897/pmi.2019.2.133
Рецензент: д-р техн. наук, проф. А.Б. Арефьев
176
Р.С. Федьков, А.В. Гурко
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ПОВЫШЕНИЕ УСТОЙЧИВОСТИ РЕЧЕВОЙ БИОМЕТРИЧЕСКОЙ
ИДЕНТИФИКАЦИИ К КОМПРОМЕТАЦИИ МЕТОДОМ ГОЛОСОВОЙ
ИМИТАЦИИ
Аннотация. В статье анализируются подходы к решению задачи противодействия
спуфингу, выявляются проблемы в данной сфере и их возможное решение. В качестве
основного метода выбрано машинное обучение.
Ключевые слова: распознавание голоса, идентификация диктора, спуфинг, машинное
обучение, нейронные сети.
Введение
Спуфинг – вид кибератаки, когда злоумышленник выдаёт себя за другое
лицо и пытается получить доступ к привилегиям, которыми не имеет права
обладать. В целях обеспечения безопасности системы, она должна быть
способна обнаруживать спуфинг и успешно противодействовать ему. Помимо
использования записи разговора другого человека, злоумышленник может
использовать специальные программные средства для изменения своего голоса.
Использование такой технологии должно быть отслежено системой с высокой
степенью надежности.
Многие продукты не могут функционировать без надёжной защиты от
подделки голоса, например, системы тестирования [1].
Системы изменения голоса развиваются значительно быстрее, чем
методы их обнаружения, поэтому решение проблемы противодействия
спуфингу является актуальной научно-технической задачей.
В статье анализируется подход к решению данной задачи с помощью
алгоритмов машинного обучения. Данный подход успешно используется в
самых различных сферах деятельности, например, при изучении
несовместимости морского остаточного топлива [2] или при использовании
технологии измерения технологических параметров в процессе бурения и
оперативного получения информации по гидроканалу с целью корректировки
траектории ствола скважины (MWD) управления качеством буровзрывных
работ на горных предприятиях [3]. Наблюдается взрывной интерес к созданию
цифровых двойников [4], контроль звуковой информации может являться
существенной составляющей для наблюдения за изменением технологической
обстановки, формированием своевременного прогноза; нейтрализации
аварийной ситуации; сохранением баланса во всей системе технологической
цепочки производства.
Существует несколько базовых моделей машинного обучения,
которые активно используются в задачах распознавания голоса:
177
•
CNN
–
сверточная
нейронная
сеть,
для
извлечения
высокоуровневых функций и глубоких особенностей из речевых спектрограмм
для повышения точности распознавания.
•
. RNN – вид нейронной сети, способной связывать предыдущую
информацию с текущей задачей.
•
LSTM – разновидность рекуррентной нейронной сети (RNN),
которая способна обучаться долговременным зависимостям.
•
GRU – аналог LSTM, но использует меньше параметров (весовых
коэффициентов) и быстрее обучается.
•
HMM – скрытая марковская модель, способна восстанавливать
неизвестные параметры на основе наблюдаемых.
•
GMM – смешанная модель Гаусса. Вероятностная модель,
предполагающая, что все точки данных генерируются из смеси конечного числа
распределений Гаусса с неизвестными параметрами. Позволяет получать
решения для широкого круга задач распознавания речи.
•
LDA – линейный дискриминантный анализ. Позволяет находить
линейные комбинации признаков, наилучшим образом разделяющих объекты
на несколько классов.
В настоящее время улучшение качества решения задачи лежит в
плоскости поиска наиболее эффективные комбинации этих моделей, что
позволяет уменьшать недостатки каждой из них, и в то же время объединять
достоинства. такие исследования носят творческий экспериментальный
характер и пока нет строго математического аппарата, позволяющего точно
решить задачу синтеза оптимального решения.
Рассмотрим задачи, которые необходимо решить в ходе синтеза
рациональной комплексной модели распознавания речи.
Задача сбора речевых данных. Машинное обучение предполагает
анализ очень большого числа данных хорошего качества для правильной
настройки весовых коэффициентов, однако во многих сферах получить такое
количество данных не представляется возможным. Кроме того, даже при
наличии нужных источников, на сбор и сохранение десятков и сотен тысяч
экземпляров данных уходит временя, что сильно тормозит само исследование и
разработку желаемой системы.
Одним из часто используемых способов увеличения обучающего набора
во многих сферах является генерация синтезированных данных [5]. В сфере
распознавания голоса - это генерация речи программным способом. Чаще всего
нехватка обучающих данных наблюдается в задачах, связанных с неправильно
произносимой речью или с речью, которой обладает мало носителей. Задача
синтеза в какой-то мере способна решить этот вопрос. Существуют методы,
основанные на преобразовании фонемы в фонему (P2P), текста в речь (T2S),
речи в речь (S2S) для создания правильно произносимой и неправильно
произносимой синтетической речи [6], что позволяет создавать обучающие
данных, которые могут использоваться алгоритмами для обнаружения ошибок
178
произношения. Но синтез речи является не самым лучшим способом создания
обучающих данных, так как не способен обеспечить полноценной имитации
человеческого голоса, однако для некоторых задач этого подхода может быть
вполне достаточно.
Задача автоматического распознавания речи (ASR). Любое
исследование в области распознавания речи ставит перед собой задачу
автоматического распознавание речи – то есть преобразования речи в текст или
какие-либо действия компьютера или исполнительной системы.
Для распознавания речи часто совместно используются методы
машинного обучения и методы обработки сигналов.
Здесь хорошие результаты показывает система для автоматического
распознавания речи является HHSAE-ASR, которая основана на моделях
нейронной сети с разреженным автокодировщиком (SAE)- используется для
классификации модели,; скрытой марковской модели (HMM) - принимает
решение о факте распознавания и алгоритма Harris Hawks (HHO), который
позволяет более точно настраивать параметры сети [7]. Разработчики системы
заявляют о точности распознавания близкой к 99%.
Существуют решения, предназначенные для распознавания речи на
русском языке. Одна из таких моделей создана путем объединения кодердекодер-модели с механизмом внимания и модели на основе коннекционной
временной классификации. Исследовано применение в интегральной модели
таких архитектур нейронных сетей, как магистральные нейронные сети
(Highway Wetworks), остаточные нейронные сети (ResNet) и Dense-соединения
(DenseNet); кроме того, исследовано применение функции gumbel-softmax
вместо активационной функции softmax при декодировании [8]. Модели были
обучены с использованием метода переноса знаний. Результаты экспериментов
по распознаванию слитной русской речи показали 10,8 % по показателю
количества неправильно распознанных символов и 29,1 % по показателю
количества неправильно распознанных слов.
Задача распознавания тихой речи. Речь может иметь различные
характеристики, которые усложняют распознавание и анализ, например, шёпот
или тихая речь. Стандартные средства распознавания речи показывают слабые
результаты при работе с тихой речью, поэтому здесь следует использовать
другие методы.
К распознаванию тихой речи рекомендуется применять подход,
основанный на сверточной нейронной сети с параллельным началом (PICNN) и
частотном спектральном коэффициенте Мела.
Система использует шесть начальных модулей, обрабатывающих сигналы
поверхностной
электромиографии
(sEMG).
Частотно-спектральные
коэффициенты Mel (MFSC) используются для извлечения связанных с речью
характеристик sEMG [9]. Данная система достигает точности распознавания в
90,76%.
179
Задча определения гендерного типа на основании голосового
распознавания. Распознавание пола человека по голосу является частью
систем распознавания и идентификации речи. Определение пола позволяет
сразу отметить характерные особенности для речевой информации, что
упрощает дальнейший анализ и интерпретацию сигнала.
Одним из методов распознавания пола диктора является гибридная
модель ансамблевого стекирования. В этой модели используется четыре
классификатора, а именно, k-ближайшего соседа (kNN), метод опорных
векторов (SVM), стохастический градиентный спуск (SGD) и логистическая
регрессия (LR) в качестве метаклассификатора [10]. Такая модель
продемонстрировала очень высокую точность определения пола 99,64%.
Задача верификации и идентификации говорящего. Голос является
одним из уникальных идентификаторов человека, поэтому его можно
использовать для верификации диктора. Такая задача носит название
автоматической верификации говорящего (ASV).
Независимая от текста идентификация говорящего является достаточно
сложной задачей. Производительность функций MFCC ухудшается на сложных
наборах речевых данных, поскольку функция является краткосрочной и не
способна обеспечить нужное действие. Для решения этой проблемы
применяются функции, основанные на времени (MFCCT). Извлеченные данные
передаются на вход глубокой нейронной сети (DNN) для построения модели
идентификации говорящего [11]. Полученная система демонстрирует точность
около 83-93%, что значительно опережает аналогичные системы, основанные
на функциях MFCC.
Задача снижения ресурсоёмкости распознавания речи, иначе проблема
масштабируемости. Системы, основанные на машинном обучении, требуют
очень большой вычислительной мощности для анализа поступающих данных и
корректировки её параметров. Это накладывает ограничение на устройства,
способные поддерживать и реализовывать такие решения. В настоящее время
решается благодаря развитию вычислительных возможностей вычислительной
техники. Однако исследователи пробуют найти решение и в области разработки
новых алгоритмов. Для эффективной реализации ресурсоёмких алгоритмов
требуются инновационные методы управления ресурсами на аппаратном,
программном и системном уровнях.
Многие алгоритмы машинного обучения хорошо решают свои задачи на
сравнительно небольших обучающих данных, в переделах нескольких
миллионов единиц. Когда же количество данных превышает эти значения на
порядок, модели перестают показывать хорошие результаты.
Задача увеличения скорости распознавания речи. Данная задача
коррелируется с задачей автоматического распознавания, но целесообразно ее
выделить в отдельный блок. Хотя современные системы распознавания голоса
достигли достаточной скорости работы для использования простыми
обывателями, ускорение данного процесса всё ещё остаётся важной задачей,
которую не удаётся решить. В некоторых областях жизни критически
180
необходимо достигать скорости распознавания, равной скорости понимания
человека, а где-то даже быстрее. Для работы в чрезвычайных ситуациях или в
научных лабораториях скорость распознавания должна быть минимальной,
причём с возможностью распознать даже нечёткую речь с ярко выраженным
эмоциональным окрасом. Возможность ускорить распознавание речи и при
этом не ухудшить его точности – очень актуальная проблема современных
систем. Пока не существует систем распознавания речи, скорость которых
достигала бы человеческого уровня на произвольном словаре данных.
Задача решения проблемы зашумлённости речи. Шум является одной
из главных проблем в сфере распознавания речи. Наличие фоновых шумов
сильно влияет на эффективность и скорость распознавания практически любой
модели, поскольку в данные вносятся случайные артефакты, не имеющие
отношения непосредственно к речи. В рамках машинного обучения это
особенно важно, ведь во время обучения параметры модели настраиваются так,
чтобы обучающая выборка показывала верные результаты. Наличие случайных
звуков может привести к ошибкам, которые сложно будет исправить. Помимо
фоновых шумов, звуковой сигнал может иметь посторонние отрывки
человеческой речи, которые обычно также не должны влиять на результаты
работы системы. Таким образом, основной проблемой в задаче распознавания
речи является шум. Шум является одной из основных проблем в процессе
распознавания речи, особенно в тех системах, которые не учитывают его
влияние и не содержат механизмов по нивелированию его воздействия. Одним
из способов решения этой проблемы является добавление шума в обучающие
данные. В качестве модели используется глубокая нейронная сеть (DNN) с
прямой связью [12]. Производительность модели оказалась наилучшей на
данных, где шум был объединен с чистым высказыванием. Кроме того, этот
метод увеличивает размер обучающих данных, что позволяет системе лучше
распознавать речь даже в не самых идеальных условиях. Предлагаемый метод
тестируется на чистых и зашумленных данных вместе с локально
сгенерированными данными и улучшает точность распознавания и
устойчивость к шумам.
Задача решения проблема изменчивости речи с учетом усталости
диктора. На процесс распознавания говорящего, как и на любой процесс в
области распознавания речи, может влиять множество факторов. Однако
процесс идентификации использует отличительные черты голоса человека, изза чего любое изменение в стиле, громкости и настроении может привести к
неудаче работы программы. Данный вопрос пока что не имеет решения, ведь
нужно рассматривать большое множество переменных: громкость речи,
усталость человека, эмоциональный окрас, интенсивность речи, наличие
заболевания и других. В рамках одной системы все эти проблемы не были
решены на данный момент. На успешность идентификации говорящего может
влиять множество факторов. Одним из постоянно присутствующих является
усталость диктора, поскольку она изменяется в течении дня. Для создания
системы, которая была бы устойчива к такому виду изменений в речи, были
181
собраны данные речи, записанной в течение 25 часов длительного
бодрствования [13]. Выполнив поиск лучших наборов функций и оптимального
метода машинного обучения, исследователи пришли к точности распознавания
в 98%. Данный результат был лучше по сравнению с ситуацией, когда речь в
ночное время суток (когда дикторы были особенно уставшими) не
присутствовала в обучающих данных.
Задача решения проблема конфиденциальности. Любая система,
созданная для пользования обычными людьми, должна обладать хорошей
системой защиты и позволять пользователю сохранять конфиденциальность.
Системы, основанные на получении информации, должны гарантировать, что
личная информация пользователя не будет сохранена и использована без его
согласия. Такая проблема существует в области распознавания речи. Поскольку
речь содержит намного больше информации, чем требуется конкретной
системе для выполнения своей узкой функции (распознавание речи,
распознавание эмоции, идентификация человека и других), необходимо
разработать инструменты, которые позволяли бы исключать информацию о
говорящем без потери важных характеристик.
Проблему обеспечения
конфиденциальности предлагается решать с использованием необратимой
псевдонимизации речи. Псевдонимизация направлена на сохранение
разборчивости речи при одновременном подавлении информации, относящейся
в говорящему. Метод псевдонимизации с лёгкими вычислениями
рассматривается в статье [14] «Облегченная и необратимая псевдонимизация
речи на основе управляемой данными оптимизации каскадных модулей
модификации голоса». Также используются подходы, основанные на
совместном использовании машинного обучения, и обработки сигналов.
Сначала выполняется обработка сигналов, параметризованных несколькими
гиперпараметрами, с последующим использованием машинного обучения для
оптимизации всех гиперпараметров на основе принципа черного ящика,
состоящего из автоматической проверки говорящего и автоматического
распознавания речи.
Задача реения проблемы вариативности речи. У многих языков
существуют различные вариации, которые могут зависеть от социального
положения или местонахождения человека. Только в Великобритании
насчитывается более пятидесяти видов акцентов, каждый из которых будет
отличается произношением. Система, обученная на записях с одним акцентом,
будет показывать значительно более плохие результаты при попытке
распознать другой акцент. Проблема вариативности даже одного языка
накладывает большие сложности на создание универсальных систем
распознавания речи хотя бы для носителей одного языка.
Существуют так называемые малоресурсные языки, для которых многие
стандартные методы показывают неудовлетворительные результаты. Для них
обычно выделяются свои методы, которые не так эффективны для
распространённых языков. В статье [15] рассматриваются основные методы
решения проблемы малых наборов обучающих данных, определены основные
182
трудности, связанные с применением классических схем автоматического
распознавания речи к материалу малоресурсных языков, и очерчен круг
основных методов, использующихся для решения обозначенных проблем.
Задача проблемы разделения источников речи. В ситуации, когда один
микрофон используется для улавливания речи от нескольких человек,
появляется проблема отделения речи каждого говорящего и её распознавание
без учёта других дикторов. Данная задача является сложной и малоизученной,
поскольку фактически соединяет в себе несколько других проблем,
существующих в области распознавания речи. Хорошая система должна уметь
проводить диаризацию - сегментировать звуковой сигнал на основании того,
кто говорит, а также проводить разделение источников речи, одновременно
произносящих свои сообщения.
Известные решения. Системы автоматической проверки говорящего
(ASV) проверяют пользователей по голосу. Эти системы подвержены атакам с
подменой голоса – атакам логического и физического доступа. Современные
решения основаны на предположении о стационарности речи, что на самом
деле не вполне соответствует действительности.
В [16] предложен алгоритм противодействия спуфингу голоса. Алгоритм
основан на разложении сигналов, состоящих из заметной информации.
Используются две основные функции – гамматоновые кепстральные
коэффициенты и мел-частотные кепстральные коэффициенты для звукового
представления. Для классификации функций применена двунаправленная сеть
долговременной памяти в облаке и классификатор глубокого обучения.
Точность работы системы 90%, что является хорошим показателем для такого
вида спуфинга.
В [17] описан способ противодействия спунингу основанный на
эмпирической модовой декомпозиции в сочетании с кепстральными
коэффициентами
Mel-частоты
и
усовершенствованным
методом
классификатора – многоядерной машиной опорных векторов. Такое решение
биометрической безопасности учитывает три основных фактора: во-первых,
речь нестационарная, поэтому требуются методы, которые могут отображать
такое свойство. Во-вторых, фундаментальной характеристикой речевого
сигнала является его формантная структура. В-третьих, рассматриваемый
речевой сценарий предусматривает различные настройки, влияющие на
интерпретацию выявленной способности различения.
Заключение
В обзоре рассмотрены методы машинного обучения и технологии,
применяемые для распознавания речи, улучшения качества распознавания,
идентификации говорящего и противодействия спуфингу. В текущей работе
представлен ряд научных проблем, имеющихся в сфере распознавания голоса, а
также перспективные решения для некоторых из них.
Для каждой задачи в области распознавания голоса должна
вырабатываться своя методика решения. Одни алгоритмы лучше себя
показывают в распознавании речи, другие – в идентификации говорящего.
183
Поскольку эти задачи основаны на выявлении и анализе разных признаков
речи, то и наиболее подходящие технологии будут отличаться.
Таким образом:
•
Системы распознавания голоса в последние годы достигают
высокой точности и эффективности, так что способны применяться во многих
сферах жизнедеятельности.
•
Машинное и глубокое обучение является наиболее подходящей
технологией для задач распознавания речи на данный момент.
•
В данной сфере по-прежнему сохраняются нерешённые проблемы,
связанные с недостатком обучающих данных, большой ресурсоемкостью
систем, несовершенством алгоритмов и различными внешними факторами,
влияющими качество звукового сигнала.
•
Более эффективную работу в некоторых задачах распознавания
голоса показывают системы, в которых управление ресурсами выполняется с
помощью инновационных методов на аппаратном, программном и системном
уровнях.
•
Вопрос конфиденциальности и защиты систем распознавания
голоса нуждается в особом внимании, поскольку с внедрением этой технологии
в повсеместное использование возрастают риски взлома и кибератак на неё.
•
Создание системы, которая бы охватывала все аспекты
распознавания голоса, на данный момент невозможно, и в ближайшем будущем
такой задачи не стоит.
Библиографический список
1.
О модели интеллектуализации тестирования знаний студентов / И. В. Иванова,
М. В. Копейкин, К. И. Кузьмин, В. В. Спиридонов // Современные образовательные
технологии в подготовке специалистов для минерально-сырьевого комплекса: Сборник
научных трудов IV Всероссийской научной конференции, Санкт-Петербург, 04–05 марта
2021 года. – Санкт-Петербург: Санкт-Петербургский горный университет, 2021. – С. 132-136.
– EDN FMJKQT. – URL: https://www.elibrary.ru/item.asp?id=46164814
2.
Sultanbekov, R.; Beloglazov, I.; Islamov, S.; Ong, M.C. Exploring of the
Incompatibility of Marine Residual Fuel: A Case Study Using Machine Learning Methods.
Energies 2021, 14, 8422. https://doi.org/10.3390/en14248422
3.
Isheyskiy, V.; Sanchidrián, J.A. Prospects of Applying MWD Technology for
Quality Management of Drilling and Blasting Operations at Mining Enterprises. Minerals 2020, 10,
925. https://doi.org/10.3390/min10100925
4.
Beloglazov I. I., Petrov P. A., BazhinV. Yu. The concept of digital twins for tech
operator training simulator design for mining and processing industry. Eurasian Mining. 2020. №2.
P. 48-57. DOI 10.17580/em.2020.02.12
5.
Boikov, Aleksei, Payor, Vladimir, Savelev, Roman, et al. (2021) Synthetic data
generation for steel defect detection and classification using deep learning. Symmetry, issue 7, vol.
13, DOI: 10.3390/sym13071176 – URL: https://www.mdpi.com/2073-8994/13/7/1176
6.
Korzekwa, D., Lorenzo-Trueba, J., Drugman, T., & Kostek, B. (2022). Computerassisted pronunciation training—Speech synthesis is almost all you need. Speech Communication,
142, 22–33. https://doi.org/10.1016/j.specom.2022.06.003
7.
Ali, M. H., Jaber, M. M., Abd, S. K., Rehman, A., Awan, M. J., VitkutėAdžgauskienė, D., Damaševičius, R., & Bahaj, S. A. (2022). Harris Hawks Sparse Auto-Encoder
184
Networks for Automatic Speech Recognition System. Applied Sciences, 12(3), 1091.
DOI:10.3390/app12031091
8.
Кипяткова, И. С. Сравнительное исследование архитектур нейронных сетей
для интегральной системы распознавания речи / И. С. Кипяткова, А. А. Карпов // Известия
высших учебных заведений. Приборостроение. – 2020. – Т. 63. – № 11. – С. 1027-1033. – DOI
10.17586/0021-3454-2020-63-11-1027-1033.
–
EDN
EMIOWH.
–
URL:
https://www.elibrary.ru/item.asp?id=44451450
9.
Wu, J., Zhang, Y., Xie, L., Yan, Y., Zhang, X., Liu, S., An, X., Yin, E., & Ming, D.
(2022). A novel silent speech recognition approach based on parallel inception convolutional neural
network and Mel frequency spectral coefficient. Frontiers in Neurorobotics, 16.
DOI:10.3389/fnbot.2022.971446
10.
Alkhammash, E. H., Hadjouni, M., & Elshewey, A. M. (2022). A Hybrid Ensemble
Stacking Model for Gender Voice Recognition Approach. Electronics, 11(11), 1750.
DOI:10.3390/electronics11111750
11.
Jahangir, R., TEh, Y. W., Memon, N. A., Mujtaba, G., Zareei, M., Ishtiaq, U.,
Akhtar, M. Z., & Ali, I. (2020). Text-Independent Speaker Identification Through Feature Fusion
and Deep Neural Network. IEEE Access, 8, 32187–32202. DOI:10.1109/ACCESS.2020.2973541
12.
Pervaiz, A., Hussain, F., Israr, H., Tahir, M. A., Raja, F. R., Baloch, N. K.,
Ishmanov, F., & Zikria, Y. Bin. (2020). Incorporating Noise Robustness in Speech Command
Recognition by Noise Augmentation of Training Data. Sensors, 20(8), 2326.
https://doi.org/10.3390/s20082326
13.
Kong, Y., Posada-Quintero, H. F., Daley, M. S., Bolkhovsky, J., & Chon, K. H.
(2021). Machine-Learning-Based Closed-Set Text-Independent Speaker Identification Using
Speech Recorded During 25 Hours of Prolonged Wakefulness. IEEE Access, 9, 96890–96897.
DOI:10.1109/ACCESS.2021.3094175
14.
Kai, H., Takamichi, S., Shiota, S., & Kiya, H. (2022). Lightweight and irreversible
speech pseudonymization based on data-driven optimization of cascaded voice modification
modules. Computer Speech & Language, 72, 101315. DOI:10.1016/j.csl.2021.101315
15.
Кипяткова, И. С. Аналитический обзор методов решения проблемы малых
наборов данных при создании систем автоматического распознавания речи для
малоресурсных языков / И. С. Кипяткова, И. А. Кагиров // Информатика и автоматизация. –
2022. – Т. 21. – № 4. – С. 678-709. – DOI 10.15622/ia.21.4.2. – EDN VHBYZV. – URL:
https://www.elibrary.ru/item.asp?id=49089678
16.
Zhou, J., Hai, T., Jawawi, D. N. A., Wang, D., Ibeke, E., & Biamba, C. (2022).
Voice spoofing countermeasure for voice replay attacks using deep learning. Journal of Cloud
Computing, 11(1), 51. DOI:10.1186/s13677-022-00306-5
17.
Campi, M., Peters, G. W., Azzaoui, N., & Matsui, T. (2021). Machine Learning
Mitigants for Speech Based Cyber Risk. IEEE Access, 9, 136831–136860.
DOI:10.1109/ACCESS.2021.3117080
Рецензент: канд. техн. наук, доц. Е.Б. Мазаков
185
К.В. Гриценко, Е.А. Федорова, Е.А. Фурсова
ФГБОУ ВО «Петербургский государственный университет путей
сообщения императора Александра I», Россия
ВНЕШНЕЭКОНОМИЧЕСКАЯ И ЛОГИСТИЧЕСКАЯ
ДЕЯТЕЛЬНОСТЬ
В РОССИИ В УСЛОВИЯХ ПАРАЛЛЕЛЬНОГО ИМПОРТА
Аннотация. Актуальность статьи обусловлена необходимостью мониторинга
текущей экономической и политической ситуации для владения самой достоверной
информацией на базе официальных данных государственных органов власти и комментариев
ведущих экспертов в области мировой экономики и международной логистики. Целью
исследования явилось изучение возможностей, правил и способов организации
внешнеэкономической и логистической деятельности в Российской Федерации в 2023 году
на условиях параллельного импорта.
Ключевые слова: внешнеэкономическая деятельность (ВЭД), логистика,
параллельный импорт, международные антироссийские санкции.
Эффективная внешнеэкономическая деятельность (ВЭД) государств
является неотъемлемой частью всемирного хозяйства и самым важным
фактором развития мировой экономики. Для её осуществления в современном
виде потребовались столетия для формирования моделей международного
разделения труда, колоссальные усилия на уровне правительств всех стран и
неправительственных организаций по созданию нормативно-законодательной
базы экспортно-импортных операций.
В построение многочисленных
сложнейших звеньев международной логистической цепи вложен огромный
научный труд и многомиллиардные инвестиции. Благодаря этому во всем мире
длительное время (за исключением периода пандемии COVID-19) наблюдался
поступательный
рост
объемов
внешней
торговли,
укрепление
внешнеэкономических связей между субъектами мировой экономики,
интеграция бизнеса на принципах взаимовыгодного экономического
сотрудничества, прорывные технологии НИОКР обеспечивали значительную
динамику роста НТП.
Как показали события последних лет, к сожалению, приходится
констатировать тот факт, что существуют силы, способные (ради собственных
амбиций по доминированию на глобальном пространстве) через ведение
агрессивной санкционной политики стать препятствием экономического роста
для отдельных стран – крупных участников внешнеэкономической и
логистической деятельности, а также искусственно создать тормоз социальноэкономического развития сразу для большинства государств (в том числе,
собственных граждан) по причине нарушения коммуникаций с
подсанкционными территориями, правительственными и бизнес-структурами
[2,4,5].
186
Очевидно, что в связи со сложившейся крайне сложной политической
обстановкой в мире, экономическая, социальная и духовная жизнь почти
миллиардов людей на планете изменилась. Разорваны дружеские связи,
разрушены налаженные модели ведения ВЭД, не представляется возможным
использовать традиционные международные транспортные коридоры и
логистические каналы. В такой ситуации требуется оперативное принятие
решений по сохранению экономической безопасности, не допущение упадка
уровня жизни граждан, переосмысление вариантов ведения хозяйственной
деятельности на принципах экономического и технологического суверенитета,
активного импортозамещения, а также использования возможностей режимов
параллельного импорта [2,3,4,5].
Следует разобраться и четко понимать, какие товары и какими способами
ввозятся сейчас в Россию. Начать можно с того, что же такое «параллельный
импорт», и как он осуществляется. Параллельный импорт – это юридический и
экономический термин, который вкратце означает ввоз и продажу в страну
товаров без разрешения их правообладателя. Иногда товары, ввезенные таким
образом, называют «серыми», но это некорректно, поскольку модели
параллельного импорта не предполагают каких-либо незаконных действий в
внешнеторговых сделках и, тем белее, контрабанды. Механизмы торговли
подразумевают продажу оригинальных товаров при наличии всех обязательных
документов для осуществления внешнеторговых операций и транспортировки
через границу с сохранением всех гарантий для потребителей. Вопрос
допустимости параллельного импорта в стране решают власти конкретной
страны на основе целого ряда объективных факторов, а также реализуемой
внутренней и внешней политики государства [1,2,3,4,5].
Объяснить простым языком и представать схематически в наглядном виде
правила и способы осуществления параллельного импорта можно следующим
образом (рис. 1).
На данный момент в Российской Федерации параллельный импорт
работает с ограничениями, ввозить без специального разрешения можно только
товары определенных категорий и брендов из перечня, указанного в Приказе
Минпромторга РФ от 19.04.2022 № 1532 [1]. Список может быть
скорректирован в сторону сокращения или наоборот, дополнения с учетом
статистических данных о наличии или дефиците жизненно необходимых
товаров и обрушения предпринимателей к правительству о необходимости
ввоза стратегически значимых ассортиментных позиций.
Наладить поставки всех товаров в прежних объемах в ближайшее время
вряд ли получится, так как производители других стран не будут продавать в
подсанкционную Россию товары в досанкционных масштабах (контрактные
обязательства приостановлены или полностью прекращены). Везти продукцию
придется частями и обходными путями. Изменение логистических маршрутов –
еще одно серьезное препятствие для ведения ВЭД в полноценном виде.
Управление цепями поставок товаров из-за рубежа теперь ведется через
соседние
дружественные
страны
и
территории
государств,
187
неприсоединившихся к антироссийским санкциям (например, Казахстан,
Киргизию, Армению, Китай и даже страны Южной и Латинской Америки и
Африки).
Параллельный импорт
полностью
запрещен
разрешен
с ограничениями
полностью
разрешен
Экспортер
из
другой
страны
продает
товар
официальному
дистрибьютору, а тот
может
продавать
товары потребителям
в своей стране или
перепродавать
в
магазины.
Гражданина,
привозящего товары
из другой страны для
самостоятельной
перепродажи в своей
стране, остановят на
таможне, так как есть
правила
ввоза
определенного
количества товаров.
Возить
можно
только
товары
определенных
категорий и брендов из
утвержденного
государством перечня,
который не является
неизменным, требуется
регулярный
мониторинг
изменений.
Товары,
перечисленные
в
перечне разрешенных к
ввозу товаров, можно
купить и ввезти в РФ
для
продажи
в
официальном магазине
в другой стране или у
третьих лиц.
Правообладатель
может
иметь
дистрибьюторов
и
продавать
товары
через них, напрямую
покупателям
или
магазинам конкретной
страны, ограничений у
него нет.
Гражданин
может купить товар на
фабрике в другой
стране напрямую у
правообладателя
и
привезти
его
в
конкретную
страну,
таможня
пропустит
груз. Ограничений на
торговлю
привезенными
Рис. 1. Правила и способы осуществления параллельного импорта
В связи с этим, открытие или продолжение бизнеса, который требует
организации и ведения внешнеэкономической и международной логистической
деятельности в России в 2023 году, сопряжено с целым рядом новых
требований (ограничений и запретов), которые постоянно меняются, а также –
значительных материальных и временных затрат, участия компетентных
экспертов по международному праву и мировой экономике [2, 3, 4, 5].
Несмотря на введенные антироссийские санкции и ответные
контрсанкционные меры, включая действующий режим ограниченного
параллельного импорта, соблюдение правил ВЭД по ввозу и сбыту импортных
товаров в России остается обязательным. Среди важнейших норм можно
выделить следующие (рис. 2).
188
Очевидно, что при ведении бизнеса, включающего ВЭД и логистику в
режиме параллельного импорта, необходимо, как правило, управление цепями
поставок большого количества товаров, это далеко не 1-2 позиции.
Следовательно, заказ из другой страны будет доставляться несколькими
партиями разнородных позиций. Соответственно, при вывозе-ввозе на таможне
возникает ряд вопросов: подтверждение договорами, откуда товар появился у
поставщика, у следующего поставщика и так вплоть до официального
дистрибьютора или правообладателя. Если у таможенных специалистов
возникнут сомнения в оригинальности товара, они могут направить его на
экспертизу.
Требования к товарам параллельного импорта
Ввозится и реализуется только оригинальный товар – параллельный
импорт легализует ввоз без разрешения правообладателя только
оригинального товара. Нельзя просто так создать изделие и пришить на
нее логотип известного бренда, но можно приобрести товар у дилера,
который в свою очередь купил оригинальный товар у правообладателя.
Вся разрешительная документация на товар должна быть у конечного
Сохранение гарантии – при покупке товара у продавца/дистрибьютора
другой страны у потребителя сохраняется право на гарантию в
соответствии с законом о защите прав потребителя. Напрямую к
производителю покупатель обратиться не сможет, но при этом можно
потребовать исполнения гарантийных обязательств у продавца, а
продавец обязан поменять товар, исправить брак товара за свой счет в
сервисном центре или вернуть деньги и неустойку.
Требования по маркировке и безопасности – каждый участник бизнеса в
РФ обязан исполнять требования закона по безопасности и качеству
товара, а также любая категория продаваемого товара попадает под
требование законодательства, его нужно маркировать, сертифицировать,
транспортировать и реализовывать с соблюдением всех норм и правил.
Рис. 2. Основные требования к товарам параллельного импорта
Насколько больше придется переплатить и дольше ждать, чтобы привезти
партии отсутствующих товаров в России? На конечную стоимость и скорость
доставки любого товара в значительной степени влияют проблемы с
логистикой. Переплачивать приходится не только за удлинившиеся
транспортирные маршруты, но и за новые пошлины третьих (четвертных и т.д.
стран). Например, в ОАЭ есть свободная экономическая зона с льготными
таможенными условиями, а вот легко и дешево вывозить товары через Грузию
189
уже не получится, и альтернатив остается все меньше, как приемлемый вариант
в настоящее время – Казахстан и Турция.
Ещё не так давно значительное количество товаров под зарубежными
брендами (автомобили и бытовая техника) собиралось на российских заводах,
на которые регулярно доставлялись импортные комплектующие узлы и детали.
С введением всё новых пакетов санкций и ужесточением антироссийской
санкционной политики целые предприятия простаивают или работают в очень
ограниченном режиме. На данный момент можно найти возможность ввоза
товаров в готовом виде для продажи, однако пошлины на ввоз таких товаров
значительно возросли, а объемы максимально ввоза ограничены.
В заключении можно сказать, что к 2023 в России году сложилась крайне
сложная ситуация для ведения бизнеса, требующего осуществления
внешнеэкономической и международной логистической деятельности, в том
числе, в режиме параллельного импорта. В страну все ещё можно ввезти
импортные товары, но только из утвержденного перечня и ограниченного
списка государств. Изменились логистические маршруты, поскольку многие
страны отказались от сотрудничества с РФ, ввели лимиты и даже эмбарго.
Требуются значительные усилия правительства для поддержания стабильности
на внутреннем рынке, финансовые ресурсы и компетенция бизнес-структур,
участие научного сообщества для создания и внедрения прорывных
технологий,
обеспечивающих
современный
качественный
уровень
технологического и экономического развития нашей страны [2, 3, 4, 5].
Библиографический список
1. Официальный сайт Министерства промышленности и торговли Российской
Федерации (Минпромторг РФ). [Электронный ресурс] URL: https://minpromtorg.gov.ru/ (дата
обращения: 15.02.2023).
2. Дроздова М. А. Международные санкции как средства регулирования мировой
экономики // Инновационные подходы развития экономики и управления в XXI веке:
Сборник трудов III Национальной научно-практической конференции// ФГБОУ ВО ПГУПС.
– Санкт-Петербург: ПГУПС, 2020. – С. 113-116.
3. Дроздова М.А., Игнатушко И.В., Семухина Е.В. О новых задачах правового
регулирования государственного управления транспортно-логистической сферой. Вестник
Академии права и управления. 2022. № 3 (68). С. 16-20.
4. Кравченко Л.А., Фурсова Е.А. Отечественная финансовая система, биржевые
операции в условиях кризиса: от пандемии до санкций. «Финансовый бизнес». – 2022 г. – №
6. Ч.1. – С. 46-50.
5. Фурсова Е.А. Мониторинг санкционных последствий для мировой экономики,
транспорта и логистики. Анализ и прогнозирование систем управления в промышленности,
на транспорте и в логистике: Сб. тр. XXII Международной научно-практической
конференции молодых ученых, студентов и аспирантов, CПб., 19–21 апреля 2022 / ПГУПС–
CПб.: ООО "Медиапапир", 2022. – С. 244-249.
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
190
А. Б. Хасанов, Х. Н. Нормуродов, Н. Ш. Рахматуллаева
Самаркандский государственный университет, Узбекистан
ИНТЕГРИРОВАНИЕ НЕЛИНЕЙНОГО УРАВНЕНИЯ ТИПА
СИНУС-ГОРДОНА С ДОПОЛНИТЕЛЬНЫМ ЧЛЕНАМ В КЛАССЕ
ПЕРИОДИЧЕСКИХ ФУНКЦИЙ
Аннотация. В данной работе метод обратной спектральной задачи применяется для
интегрирования нелинейного уравнения типа синус-Гордона с дополнительным членам в
классе периодических бесконечнозонных функций. Доказано разрешимость задачи Коши для
бесконечной системы дифференциальных уравнений Дубровина в классе три раза
непрерывно дифференцируемых периодических бесконечнозонных функций. Показано, что
сумма равномерно сходящегося функционального ряда построенного с помощью решения
системы уравнений Дубровина и формула первого следа удовлетворяет уравнения типа
синус-Гордона с дополнительным членам.
Ключевые слова: Уравнения типа синус-Гордона, оператор Дирака, спектральные
данные, система уравнений Дубровина, формулы следов.
Постановка задача
В настоящей работе рассматривается задача Коши для нелинейного
уравнения типа синус-Гордона с дополнительным членам вида
qxt = a (t )chq − b(t )qxx , q = q ( x, t ), x ∈ R, t > 0
(1)
с начальным условием
q ( x, t ) t =0 = q0 ( x),
q0 ( x + π )= q0 ( x) ∈ C 3 ( R)
(2)
в классе действительных бесконечнозонных π - периодических по x функций:
=
q ( x + π , t ) q ( x, t ), q ( x, t ) ∈ C x2,1,t (t > 0) ∩ C (t ≥ 0) .
(3)
Здесь
непрерывные
ограниченные
a (t ), b(t ) ∈ С ([0, ∞) ) -заданные
функции.
В данной работе предлагается алгоритм построения решения
q ( x, t ), x R, t 0, задачи (1)-(3) сведением её к обратной спеткральной задачи
для оператора Дирака:
L(τ , t ) y ≡ B
где
dy
+ Ω( x + τ ,=
t ) y λ y, x ∈ R, t > 0, τ ∈ R
dx
1
0 2 q′x ( x, t )
y1
0 1
,t)
B
y .
=
,=
, Ω( x=
1
0
1
−
y2
q′ ( x , t ) 0
x
2
191
(4)
Эволюция спектральных данных
и
Обозначим
через
c( x, λ ,τ , t ) = (c1 ( x, λ ,τ , t ), c2 ( x, λ ,τ , t ))T
T
s ( x, λ ,τ , t ) = ( s1 ( x, λ ,τ , t ), s2 ( x, λ ,τ , t )) решения уравнения (4) с начальными
s (0, λ ,τ , t ) = (0,1)T .
c(0, λ ,τ , t ) = (1,0)T
и
Функция
условиями
∆(λ ,τ =
, t ) c1 (π , λ ,τ , t ) + s2 (π , λ ,τ , t ) называется функцией Ляпунова для
уравнения (4). Интервалы (λ2 n−1 , λ2 n ), n ∈ Z \ {0} , называются лакунами, где λn ,
0 . Они совпадают с собственными значениями
корни уравнения ∆(λ ) 2 =
периодической или антипериодической ( y (0) = ± y (π ) ) задачи для уравнения
(4). Корни уравнения s 1 (π , λ ,τ , t ) = 0 обозначим через ξ n (τ , t ), n ∈ Z \ {0} и при
этом ξ n (τ , t ) ∈ [λ2 n−1 , λ2 n ], n ∈ Z \ {0} .
знаки σ n (τ , t ) sign{s2 (π , ξ n ,τ , t ) − c1 (π , ξ n ,τ , t )},
Числа ξ n (τ , t ), n ∈ Z \ {0} , и=
называются спектральными параметрами оператора L(τ , t ) .
n ∈ Z \ {0}
±1, n ∈ Z \ {0} и границы спектра
Спектральные параметры ξ n (τ , t ),σ n (τ , t ) =
λn (τ , t ), n ∈ Z \ {0} , называются спектральными данными оператора Дирака
L(τ , t ) . Задача восстановление коэффициента Ω оператора L(τ , t ) по
спектральным данным называется обратной задачей.
Далее с помощью начальной функции q0 ( x + τ ),τ ∈ R, построим оператор
Дирака вида L(τ ,0) . Решая прямую задачу, находим спектральные данные
{λn , ξn0 (τ ), σ n0 (τ ), n ∈ Z \ {0}} оператора L(τ ,0) .
Основной результат настоящей работы содержится в следующей теореме.
Теорема 1. Пусть q ( x, t ), x R, t 0, является решением задачи Коши (1)±1} , n ∈ Z \ {0} ,
(3). Тогда спектральные данные {λn (τ , t ), ξ n (τ , t ), σ n (τ , t ) =
оператора L(τ , t ) , удовлетворяют аналогу системы дифференциальных
уравнений Дубровина:
∂λn (τ , t )
1.
(5)
= 0, n ∈ Z \ {0} ;
∂t
∂ξ n (τ , t )
(6)
2.
=
2(−1) n σ n (τ , t )hn (ξ (τ , t )) g n (ξ (τ , t )), n ∈ Z \ {0} .
∂t
±1, n ∈ Z \ {0} меняется на противоположный при
Здесь знак σ n (τ , t ) =
каждом столкновении точки ξ n (τ , t ), n ∈ Z \ {0} с границами своей лакуны
[λ2 n−1 , λ2 n ] . Кроме того, выполняются следующие начальные условия
ξ (=
τ ,t)
ξ (τ ), σ (=
τ ,t)
σ n0 (τ ), n ∈ Z \ {0}
0
n
n
n
=
t 0=
t 0
192
(7)
±1, n ∈ Z \ {0} - спектральные параметры оператора Дирака
где ξ n0 (τ ), σ n0 (τ ) =
L(τ ,0) . Последовательность hn (ξ ) и g n (ξ ), n ∈ Z \ {0} участвующая в уравнении
(6) определяется по формулам:
hn (ξ ) =
f n (ξ ) =
(ξ n (τ , t ) − λ2 n−1 )(λ2 n − ξ n (t ,τ )) × f n (ξ ) ,
(λ2 k −1 − ξ n (τ , t ))(λ2 k − ξ n (τ , t ))
a (t )e{ }
,
(
)
g
ξ
=
+ b(t )ξ n (τ , t )
∏
n
(ξ k (τ , t ) − ξ n (τ , t )) 2
4ξ n (τ , t )
k =−∞
q (τ ,t )
∞
k ≠n
Замечание 1. Справедливы следующие формулы
∞
qτ′ (=
τ , t ) 2 ∑ ( −1)
σ k (τ , t )hk (ξ (τ , t ) ) ,
(8)
λ22k −1 + λ22k
− ξ k2 (τ , t ) .
2
k =−∞
(9)
k −1
k =−∞
2
1
1
,t )
qτ (τ , t ) + qττ (τ=
2
2
∞
∑
Использую (8) систему (6) можно переписать в замкнутой форме:
∂ξ n (τ , t )
= (−1) n σ n (τ , t ) (ξ n (τ , t ) − λ2 n−1 )(λ2 n − ξ n (t ,τ )) ⋅ f n (ξ ) ⋅ g n (ξ (τ , t ))
∂t
(10)
где
g=
n (ξ )
τ
∞
a (t )
k −1
exp C (t ) + 2 ∫ ∑ ( −1) σ k ( s, t )hk (ξ ( s, t ) ) ds + b(t )ξ n (τ , t )
4ξ n (τ , t )
0 k =−∞ , k ≠ 0
Здесь С (t ) -некоторая ограниченная непрерывная функция.
В результате замена переменных
ξ n (τ , t ) = λ2 n−1 + (λ2 n − λ2 n−1 )sin 2 xn (τ , t ), n ∈ Z \ {0}
систему дифференциальных уравнения Дубровина (10) и начальные условия (7)
можно переписать в виде одного уравнения в банаховом пространстве К :
dx(τ , t )
= H ( x(τ , t )), x(τ , t=
) t =0 x 0 (τ ) ∈ К
dt
где
=
K
{τ
x=
( , t ) (..., x−1 (τ , t ), x1 (τ , t ),...) : x=
(τ , t )
∞
∑
n =−∞ ,n ≠ 0
(11)
H ( x) = (..., H −1 ( x), H1 ( x),...),
2n
2 n −1
H n ( x) =
(−1) n σ n (0) ⋅ g n (..., λ1 + ( λ2 − λ1 ) sin 2 x1 (τ , t ),...) ×
193
}
(1 + n ) ( λ − λ ) x (τ , t ) < ∞ ,
n
× f n (..., λ1 + ( λ2 − λ1 ) sin 2 x1 (τ , t ),,...) =
(−1) n σ n (0) f n ( x(τ , t ) ) g n ( x(τ , t ) ) .
Известно, что если q0 ( x + π )= q0 ( x) ∈ С 3 ( R) , то ( q0 ( x) )′ ∈ С 2 ( R). Поэтому
для длины лакун оператора L(τ ,0) , имеет место равенство (см. [6], стр. 98):
γ k ≡ λ2 k − λ2 k −1 =
q22k
2k
2
+
δk
k
3
,
(12)
где
3
λ2 k , λ2 k −1 =
k + ∑ c j k − j ± 2−2 k
j =1
∞
∑q
k =−∞
2 2
2k
< ∞,
∞
−2
−3
q22k + k ε k±
∑ (ε ) < ∞, δ = ε − ε .
k =−∞
± 2
k
k
+
k
−
k
Отсюда и учитывая ξ n (τ , t ) ∈ [λ2 n−1 , λ2 n ] , получим
inf ξ n (τ , t ) − ξ k (τ , t ) ≥ a > 0 .
k ≠n
Теперь, пользуясь этим неравенством и (21) оценим функции
f n ( x(τ , t )) ,
∂g n ( x(τ , t ))
∂f n ( x(τ , t ))
и g n ( x(τ , t )) ,
.
∂xm
∂xm
Лемма 1. Справедливы следующие оценки:
∂f ( x(τ , t ) )
≤ C3γ m ,
C1 ≤ f n ( x(τ , t ) ) ≤ C2 , n
∂xm
∂g n ( x(τ , t ) )
≤ С5γ m , m, n ∈ Z \ {0}
xm
где С j > 0, j =
1, 2,3, 4,5, не зависят от параметра m и n .
g n ( x(τ , t ) ) ≤ C4 n ,
(13)
(14)
Лемма 2. Если q0 ( x ) q0 ( x) C 3 ( R) , то вектор-функция H ( x( , t ))
удовлетворяет условию Липщица в банаховом пространстве K , т.е. существует
константа L > 0 такая, что для произвольных элементов x(τ , t ), y (τ , t ) ∈ K
выполняется следующие неравенство
H ( x( , t )) H ( y ( , t )) L x( , t ) y ( , t ) ,
где
∞
=
L С ∑ n γn < ∞.
n =−∞ ,
n≠0
Замечание 2. Теорема 1 и лемма 2 дает метод решения задачи (1)-(3).
194
(15)
Доказательство. Для этого, сначала найдем спектральные данные
λn , ξ (τ ),σ n0 (τ ) =
±1, n ∈ Z \ {0} , оператора Дирака
Обозначим
L(τ ,0) .
0
n
±1, n ∈ Z \ {0} .
спектральные данные оператора L(τ , t ) через λn , ξ n (τ , t ), σ n (τ , t ) =
Теперь решая задачу Коши (10), (7) при произвольном значении τ , находим
ξ n (τ , t ), σ n (τ , t ), n ∈ Z \ {0} . Из формулы следов (8) определим функция qτ (τ , t ) ,
т.е. решение задачи (1)-(3).
Замечание 3. Функция qτ (τ , t ) построенная с помощью системы
уравнений Дубровина (10), (7) и формула следа (8) действительно
удовлетворяет уравнение (1).
Замечание 4. Равномерная сходимость рядов в указанных выше
формулах (8)-(9), а также (15) следует из оценок (13) и равенство (12).
Таким образом, нами доказана следующая теорема.
Теорема 2. Если начальная функция q0 ( x) удовлетворяет условию
q0 ( x ) q0 ( x) C 3 ( R) ,
то существует однозначно определяемое решение q′x ( x, t ), x ∈ R, t > 0 задачи (1)(3), которое определяется по формуле (8).
Библиографический список
1.
Жибер А.В., Муртозина Р.Д., Хабибуллин И.Т., Шабат А.Б. Характерические
кольцо Ли и нелинейные интегрируемые уравнения. Москва, Ижевск, 2012.
2.
Захаров В.Е., Тахтаджян Л.А., Фаддеев Л.Д. Полное описание решений «SinGordon» уравнения. //Докл. АНСССР. 1974. т. 219, №6, с.1334-1337.
3.
Ablowitz M.J., Kaup D.J., Newell A.C. and Sugur H. Method for solving the sineGordon equation // Phys. Rev.Lett. 1973. v.30, №25, p.1262-1264.
4.
Ince E.L. Ordinary Differential Equations. New York: Dover, 1956.
5.
Джаков П.Б., Митягин Б.С. Зоны неустойчивости одномерных периодических
операторов Шрёдингера и Дирака. // УМН. 2006, т.61, №4(370), стр. 77-182.
6.
Мисюра Т.В. Характеристика спектров периодической краевых задач,
порождаемых операцией Дирака I // Теория функцией, функциональный анализ и их
приложения. Харьков: Вища школа, 1978. т.30 с.90-101.
7.
Муминов У.Б., Хасанов А.Б. Интегрирование дефокусирующего нелинейного
уравнения Шредингера с дополнительными членами.// ТМФ., т.211, №1, 2022, с. 84-104.
8.
А.Б.Хасанов, Х.Н.Нормуродов, У.О.Худоёров // Интегрирования нелинейного
уравнения типа синус-Гордона в классе периодических бесконечнозонных функций //
Доклады Академии наук Республики Узбекистан № 4, Стр. 21-26, 2022.
Рецензент: д-р физ.-мат. наук, проф. А.О. Смирнов
195
© В.В. Чирцов
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ РАБОТЫ СТРУКТУРНОГО
ПОДРАЗДЕЛЕНИЯ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ С
ПРИМЕНЕНИЕМ МЕТОДОВ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
Аннотация. В данной работе рассмотрено применение методов имитационного
моделирования в среде GPSS world для исследования эффективности работы научнотехнического отдела, являющегося структурным подразделением промышленного
предприятия. На основании анализа разработанной модели сделаны выводы о наиболее
важных показателях системы для лица принимающего решения и представлен вариант по
повышению эффективности работы отдела.
Ключевые слова: имитационное моделирование, структурное подразделение, анализ,
исследование, моделирование, модель, системы массового обслуживания.
Введение
Для принятия решения, которое впоследствии окажет необходимое
позитивное воздействие на развитие предприятия, лицу, принимающему
решения необходимо иметь наибольше количество информации об объекте, на
которое направлено данное решение [2, 9].
В рамках данного исследования ставится цели провести анализ
структурного подразделения, работающего с потоком заявок, выявив важные
параметры влияющие на эффективность работы отдела и предложить способы
повышения эффективности.
Для обеспечения максимальной эффективности работы отделов,
связанных с обслуживанием потока заявок особо эффективно использовать
модели
массового
обслуживания,
которые
позволяют
определить
отрицательные стороны работы системы и устранить их [1, 3, 4].
Исследование
Основной задачей научно-технического отдела, исследуемого в работе, в
рамках проектов является разработка технического задания, являющегося
инструкцией к выполнению для отделов исполнителей. Без технического
задания другие отделы не могут начать работу над проектом. Исходя из
вышесказанного, необходимо обеспечить максимальную эффективность
научно-технического отдела.
Однако модель работы научно-технического отдела не представляет из
себя систему массового обслуживания заявок в привычном понимании.
В виду этого представим один рабочий год (247 рабочих дней) как один
день, за который поступает порядка 43 заявок, которые необходимо обслужить.
Данные по количеству заявок составлены на основе информации о 20
обслуженных проектах и 12 отказов в результате наличия очереди более 1
проекта за 182 дня, по которым были получены данные. Причём важно
отметить, что закон распределения подачи заявок наиболее близок к
196
нормальному, так как в формировании потока заявок участвует множество
факторов, нет сезонности, заявки поступают равномерно. Таким образом, на
основании данных о поступлении заявок и расчётов, интенсивность
поступления заявок равна одной заявке в 5.5 дней в среднем, с отклонением в
1.5 дня.
Заявки обслуживаются в зависимости от количества работы в листах в
рамках проекта. Количество работы были поделены на 4 самые крупные
группы по 5, 6, 7 и 10 листов, для которых соответственно скорость
обслуживания в рабочих днях 8, 9.5, 11.5 и 16 дней, с небольшими
отклонениями [8].
На момент последнего проекта в отделе существует 1 поток работы над
проектом с 3 сотрудниками на постоянной основе.
Исходя из этих данных была построена модель в середе GPSS world по
блок схеме, представленной на рисунке 1.
Рис. 1. Блок-схема модели.
197
Исходные данные имитационной модели представлены в таблице 1.
Tраб
247
λ
0,18
Таблица 1 - Исходные данные модели
n
1
tосб
ЗР
8;9,5;11,5;16 нормальный
m
1
ε
0,15
В табл.1 приняты следующие обозначения: Траб – время работы СМО,
час; λ – интенсивность поступления заявок, ед/день; n – число обслуживающих
каналов, ед.; m – максимальная длина очереди, ед.; tобс – среднее время
обслуживания, день; ЗР – закон распределения времени обслуживания,
нормальный; ε – погрешность вычислений.
Порядок выбора свободного канала и назначения очередной заявки произвольный.
На рис. 2 представлена программа моделирования СМО с исходными
данными. Сперва объявляется число каналов с помощью оператора STORAGE,
затем на вход подаются заявки с нормальным распределением и
интенсивностью λ=0,18, то есть 1 заявка в 5,5 дней с отклонением в 1,5 дня.
Рис. 2. Текст программы в GPSS.
Затем с помощью оператора TEST L происходит проверка длины очереди,
и если необходимо встать в очередь где уже есть заявка, то заявка покидает
СМО необслуженной (уходит в блок с меткой Summa_Leave). Если же очереди
нет, то заявка проходит через очередь и поступает в обработку в свободный
канал. С вероятностью 0,55 с помощью блока Transfer заявка относится к блоку
198
по 5 или 6 листов, или с вероятностью 0,45 к блоку заявок по 7 или 10 листов.
Если заявка попала в первый блок, то она попадает с вероятностью 0,64
является из 5 листов, или с вероятностью 0,36 из 6 листов. Если же заявка
попала во второй блок, то с вероятностью 0,56 заявка состоит из 7 листов, или с
вероятностью 0,44 из 10 листов. Таким образом получается распределение
заявок по 4 категориям с соответствующими вероятностями, где:
•
приблизительно 35% заявок по 5 листов;
•
приблизительно 20% заявок по 6 листов;
•
приблизительно 25% заявок по 7 листов;
•
приблизительно 20 заявок по 10 листов.
В зависимости от размера заявки она попадает в met1, met2, met3 или
met4, после которых попадает в блоки подсчёта Summa_Pr5, Summa_Pr6,
Summa_Pr7 или Summa_Pr10 соответственно, после чего отправляется на выход
в блок met10, где происходит подсчёт выполненных заявок и покидание ими
системы.
В конце программы задаётся время работы 247 дней с помощью блока
Generate и количество лет работы или количество прогонов с помощью блока
Start.
Зададим 1 прогон за 1 год мы получаем отчёт по работе, представленный
на рисунке 3.
По данным отчёта можно понять, что:
•
поступило 43 заявки;
•
20 заявок не было обслужено;
•
за год было выполнено 22 проекта;
•
коэффициент загрузки канала равен 0,974;
•
среднее время ожидания в очереди – 7,226 дня.
Рис. 3. Отчёт моделирования СМО.
Модель, представленная на данный момент не эффективна в реальной
работе, в результате чего количество отказов очень высоко, в связи с чем были
предложены варианты оптимизации.
199
Прежде чем перейти к созданию модели на основании предложенной
оптимизации, построим модель на основании разделение существующего
канала с 2 рабочими на два канала.
Исходные данные имитационной модели представлены в таблице 2.
Tраб
247
λ
0,18
Таблица 2 - Исходные данные модели
n
2
m
1
tосб
10;12;14;16
ЗР
нормальный
ε
0,15
В табл.2. приняты следующие обозначения: Траб – время работы СМО,
час; λ – интенсивность поступления заявок, ед/день; n – число обслуживающих
каналов, ед.; m – максимальная длина очереди, ед.; tобс – среднее время
обслуживания, день; ЗР – закон распределения времени обслуживания,
нормальный; ε – погрешность вычислений.
Порядок выбора свободного канала и назначения очередной заявки произвольный.
Задав 1 прогон за 1 год был получен отчёт по работе.
По данным отчёта можно понять, что:
•
поступило 44 заявки;
•
5 заявок не было обслужено;
•
за год было выполнено 37 проекта;
•
коэффициент загрузки канала равен 0,922;
•
среднее время ожидания в очереди – 2,504 дня.
Таким образом видно, что разделение на 2 канал (является возможным)
повышает эффективность работы отдела в 4 раза, однако отказы всё ещё
присутствуют, составляя 11,36% от общей доли поступающих заказов, что
является значительным. Причём при большем количеством прогонов 16,46%
отказов.
В связи с этим было предложено наиболее выгодное повышение
эффективности работы, подразумевающее повышения скорости обработки
заявки посредством модернизации рабочего комплекса. Для снижения
экономической нагрузки, а также ввиду ранее проведённого анализа, также
было предложено уволить одного сотрудника. При таких параметрах модель
будет выглядеть следующим образом [8].
Исходные данные имитационной модели представлены в таблице 3.
Tраб
247
λ
0,18
Таблица 3 - Исходные данные модели
n
2
m
1
tосб
ЗР
4,8;5,3;5,8;7,4; нормальный
ε
0,15
В табл.3. приняты следующие обозначения:Траб – время работы СМО, час;
λ – интенсивность поступления заявок, ед/день; n – число обслуживающих
каналов, ед.; m – максимальная длина очереди, ед.; tобс – среднее время
обслуживания, день; ЗР – закон распределения времени обслуживания,
нормальный; ε – погрешность вычислений.
200
Следует отметить, что при модели с 1 каналом при одном прогоне 2,27%
отказов, а при множественном 7,62% отказов.
Порядок выбора свободного канала и назначения очередной заявки произвольный.
Задав 1 прогон за 1 год был получен отчёт по работе.
По данным отчёта можно понять, что:
•
поступило 43 заявки;
•
0 заявок не было обслужено;
•
за год было выполнено 43 проекта;
•
коэффициент загрузки канала равен 0,493;
•
среднее время ожидания в очереди – 0 дней.
Таким образом видно, что наиболее эффективной моделью является
последняя модель, с ней и будет проделана дальнейшая работа.
Эффективность данной модели (по количеству отказов) выше
приблизительно в 2 раза.
Чтобы определить функцию отклика, проведем расчет наиболее
информативных показателей эффективности СМО: вероятности отказа,
абсолютной и относительной пропускных способностей, коэффициента
загрузки каналов [5, 6, 7].
При интенсивности поступления заявок λ=0,18:
•
вероятность отказа ;
•
относительная пропускная способность -
•
абсолютная пропускная способность -
•
коэффициент загрузки каналов - Kз=0,493.
Теперь изменим интенсивность поступления заявок для определения
номинального режима работы СМО, пусть λ=0,5 (рис. 4).
Рис. 4. Моделирование СМО при λ=0,5.
201
При интенсивности поступления заявок λ=0,5 (рис. 4):
•
вероятность отказа •
относительная пропускная способность:
•
абсолютная пропускная способность:
•
коэффициент загрузки каналов - Kз=0,954.
Заключение
Таким образом видно, что наибольшее влияние на эффективность работы
структурного подразделения исследуемого предприятия оказывают: количество
каналов и скорость обработки заявок.
Имитационное
моделирование
позволяет
провести
анализ
и
прогнозирование работы структурного подразделения на основании ранее
полученных статистических данных, что позволяет утверждать о
стратегической важности применения данного метода при исследовании
промышленного предприятия.
В рамках рекомендаций для данного предприятия предлагается:
увеличить количество каналов обработки заявок и повысить скорость
обработки заявки.
Библиографический список
1.
Безруков А. И. Математическое и имитационное моделирование: учеб. пособие
/ А. И. Безруков, О. Н. Алексенцева. — М. : ИНФРА-М, 2017. — 227 с. 25.
2.
Афанасьева О.В. Исследование эффективности работы отдела технической
поддержки ООО «Инженерные системы» методами системного анализа/ О.В. Афанасьева,
А.И. Яковлев // Глобализация и интеграция традиционной и инновационной науки в
современном мире: сб. науч. статей по итогам международной научно-практической
конференции, Санкт-Петербург, 23-24 сентября 2016г.. СПб.:КУЛЬТ ИНФОРМ-ПРЕСС,
2016, с.83-87.
3.
Афанасьева О.В. Системное моделирование (учебно-методический комплекс
для студентов бакалавриата направления 27.03.03) / О.В. Афанасьева, Д.А. Первухин //
СПб.: изд-во Национальный минерально-сырьевой университет «Горный», 2015, 155 с.
4.
Голубков Е.П. Использование системного анализа в отраслевом планировании.
М.: Экономика, 1977, 136 с.
5.
Горлушкина Н.Н. Системный анализ и моделирование информационных
процессов и систем: Учебн. Пособие. СПб: Университет ИТМО, 2016, 120 с.
6.
Первухин Д.А. Теория и методы прогнозирования / Д.А. Первухин, О.В.
Афансьева - СПб.: изд-во ООО «СатисЪ», 2014, 139 с.
7.
Первухин Д.А. Теория принятия решений (дополнительные главы): Учебн.
пособие. СПб.: изд-во СЗТУ, 2009, 209 с.
8.
Чирцов В.В. Оценка эффективности работы научно-технического отдела с
использованием регрессионного анализа // Анализ и прогнозирование систем управления в
промышленности, на транспорте и в логистике, 2022. 271-276с.
9.
Scott W.G. Organization Theory: An overview and an appraisal // Organizations:
Structure and Behaviour / J. A. Litterer (Ed ). New York: Wiley, 1963. P. 13–26.
Рецензент: д-р техн. наук, проф. И.Б. Арефьев
202
©Н.А. Шатилова
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ОБЗОР ПРОБЛЕМНЫХ ВОПРОСОВ ЦИФРОВОГО ДВОЙНИКА
Аннотация. Концепция цифрового двойника становится более востребованной с
каждым годом. Несмотря на то, что она является известной с 90-х возникает большое
количество вопросов применительно к данной технологии. В этой работе рассматриваются
ключевые проблемы цифрового двойника, относящиеся к определению, структуре,
безопасности, внедрению.
Ключевые слова: цифровой двойник, цифровые технологии, индустрия 4.0.
С развитием интернета вещей, искусственного интеллекта, больших
данных, становится мало и недостаточно осуществлять мониторинг,
управление и регулирование промышленных процессов [5, 2]. В этом
направлении выделяется технология, способная сочетать в себе разные
функции – цифровой двойник.
Цифровой двойник представляет собой модель в виртуальном
пространстве, имеющий идентичные размеры, параметры и другие
характеристики реального объекта, имеющий с ним двунаправленную связь.
Цифровой двойник выполняет следующие функции: мониторинг процессов,
планирование процессов, реализация оптимизации, планирование технического
обслуживания и замены оборудования, удаленный контроль и управление и т.д.
По различным исследованиям использование цифровых двойников будет
увеличиваться с каждым годом. Это предполагаемо в виду повышения
требований, как экологических и экономических, так и функциональных [9]. С
повышением уровня жизни, научно-технического прогресса не может быть
стагнации в промышленности. Внедрение хорошо работающего оборудования
для повышения эффективности очевидно [17]. Однако при более подробном
изучении цифрового двойника выделяется ряд неточностей и проблем. К таким
проблемам можно отнести и проблемы с концепцией, определением цифрового
двойника, так и с проблемами прикладного характера.
Первой нерешенной проблемой цифровых двойников можно выделить
проблему в неточности определения данной технологии. Рассмотрим
литературу, исследующую данный вопрос.
Проблема постановки определения цифрового двойника в связи с ростом
технологий рассматривается в работе Э. Лагранжа [3]. Он поднимает важность
представления четкой формулировки и возможностей цифрового двойника.
Однако специалист называет данной технологией и 3d модели, и
имитационную модель, и прогнозирование технического обслуживания, что
вносит еще большую путаницу при подходе устранения неточности в описании
технологии.
Так, проблему постановки определения выделяли и другие специалисты.
Например, в работе «Цифровые двойники: актуальная теория и практика,
203
проблемы и открытые исследовательские вопросы» [8] исследователи приходят
к выводу, что предварительно консенсуса по определению необходимо
уточнить основные требования к цифровому двойнику. При этом, авторы
подчеркивают, что уровень вовлеченности компонентов, а следственно и
вытекающих требований, может отличаться в зависимости от предметной
области. Однако более точно можно выделить отличия цифрового двойника,
представленные в таблице 1, от существующих технологий, что в некоторой
мере и составляет определение.
Таблица 1. Отличия цифрового двойника от существующих технологий
Технология
Симуляция
Машинное обучение
Цифровой прототип
Отличия от цифрового двойника
Нет двойников в реальном времени
Нет двойников
Компоненты Интернета вещей не
обязательны
Никаких симуляций и тестов в реальном
времени
Самообучение (изучение прошлых
результатов) не обязательно
Нет двойников в реальном времени
Оптимизация
Автономные системы
Агентное моделирование
В статье [13] проблема нечеткого определения цифрового двойника
ставится с другой стороны. В виду того, что технология новая и многие люди
умышленно или нет соотносят ее с разными возможностями. Л. Райт и С.
Дэвидсон видят с этой нечеткости опасность для будущей востребованности
технологии. При этом авторы учитывают возможные отличия для конкретной
отрасли в виду уникальности самой отрасли относительно другой. Однако, по
словам авторов, в большом количестве литературы также встречаются
существенные различия в определенной отрасли. Исходя из этого Л. Райт и С.
Дэвидсон приводят различия между моделью и цифровым двойником. Одним
из ключевых различий является то, что у каждого цифрового двойника должен
быть двойник, т.е. физический объект и связь с ним, если он отсутствует, то
речь идет о цифровой модели. Сама идея состоит в «работающей» копии
реального объекта, в единовременном создании и развитии цифровой копии и
реального объекта, а для этого необходим реальный объект. Так, в случае
разработки цифрового двойника исследователем в общем случае
подразумевается наличие или разработка реального объекта
В целом, объединяется большое количество современных технологий для
четкой работы цифрового двойника: моделирование, 3d моделирование,
большие данные, искусственный интеллект, машинное обучение, облачные
вычисления и др. В работе Мина К. и группы исследователей [6] поднимается
проблема эффективности цифрового двойника в современном мире в виду
зависимости данной технологии от ряда упомянутых ранее, которые еще сами
находятся в процессе разработки и становления. Также специалисты
подчеркивают необходимость развития указанных технологий, а также
интерактивных технологий виртуальной реальности в режиме реального
204
времени, интеллектуального восприятия и подключения для соответствующего
роста технологии цифрового двойника.
Неокончательный уровень развития технологий оказывает влияние на
законы и порядки, которые также находятся в промежуточном уровне развития.
В настоящее время идет процесс разработки этих правил и порядков. Примером
является стандартизированная структура ISO 23247, производственная
структура цифрового двойника, цель которой - предоставление принципов
руководства и методов для разработки и внедрения цифровых двойников в
производстве. Эта структура приведена и обоснована в работе Г. Шао и М.Хелу
[7], которая состоит из основных частей: общие принципы, образцовая
архитектура, физические производственные элементы в цифровом виде и обмен
данными. Такая стандартизированная структура необходима для большего
охвата технологии и более грамотной реализации. Эта структура может
обеспечить контекстно-зависимые реализации и способствовать компоновке и
повторному использованию компонентов цифрового двойника.
Однако не все исследователи выступают за стандартизацию. Так, в работе
Н.А. Симченко, С.Я. Цохла и П.П. Чиваткина [10] приведен другой взгляд на
стандартизацию. Исследователи считают, что в текущих условиях рыночной
конкуренции стандартизация не является помощником для достижения
технологического прорыва и выхода на лидирующие позиции в своей отрасли,
она важна, но приводит к снижению объема видоизменения двойников с учетом
потребностей предприятий. Этого же направления мысли придерживаются и
другие исследователи [6.7], но выделяют другие плюсы.
В работе «Цифровой двойник: от истоков к будущему» [11] коллектив
авторов подробно расписывает все известные проблемы касательно данной
технологии. Отдельно выносятся проблемы, связанные с внедрением, новизной
технологии, временными и денежными затратами, недостаточной
стандартизацией, данными, разбросом жизненным циклом продукта и
программного обеспечения. Несмотря на то, что выделено много проблем и
цифровой двойник еще находится в начальной стадии развития технологии,
авторы признают, что его преимущества, такие как снижение финансовых и
временных затрат при эксплуатации, моделирования и прогнозирования,
устранения ошибок и т.д., стоят того, чтобы решить все проблемы.
В научной статье «Управление активами системы нефте- и газопроводов
на основе цифрового двойника» Сюэ Сяндун, Ли Бо и Гай Цзяньнань [14] были
рассмотрены предпосылки, понятие и структура цифрового двойника в системе
нефте- и газопроводов. Авторы выделили ряд плюсов разработки сети
трубопроводов Китая с цифровым двойником в качестве ядра данной системы.
К плюсам исследователи отнесли: всестороннее восприятие сети, ее
прогнозирование, интегрированное управление и контроль, возможность
оптимизации процессов [16]. Однако не смотря на все плюсы цифрового
двойника авторы выделили необходимость его строительства для ключевых
установок системы. Следовательно, можно поставить проблему выбора объекта
для строительства цифрового двойника.
205
В научной статье [12] Т. Р. Ванасингхе и др. выделяется проблема
данных. Успех любой современной системы зависит от интеграции данных для
получения информации и работы с ней. Цифровой двойник не является
исключением. К сожалению, вопрос соответствия стандартам данных
существующих платформ для их сбора остается открытым в виду последующей
сложности интеграции в общую базу данных. Это создает проблему для
объединения данных в контексте внедрения цифрового двойника в
нефтегазовой отрасли [15].
Т. Р. Ванасингхе и круг исследователей выводят из проблемы данных
возможное решение при правильном выборе хранилищ данных и инструментов
для их анализа, однако и это решение относится к сложной задаче, которую
также необходимо учитывать при внедрении цифрового двойника.
Для каждого проекта цифрового двойника изучается реальный объект, его
срок жизненного цикла, при этом важной составляющей является поддержка
аппаратного и программного обеспечения. В таком случае появляется проблема
«жизни» программного обеспечения. Помимо того, что программное
обеспечение разрабатывается и «живет» вместе с реальным объектом, оно
подвергает опасности физический объект в случае воздействия кибератак. Для
повышения
безопасности
требуется
усовершенствовать
протоколы
кибербезопасности и внести изменения в регулировании для промышленностей
в целом, по исследованию авторов [12].
Авторы статьи «Цифровой двойник в реальном времени для управления
судном в волнах» [4] указывают на не идеальность существующего цифрового
сервиса в целом, и при рассмотрении существующих реализаций цифрового
двойника морского судна отмечают, как и перспективы данного направления,
так и не решенные проблемы. В процессе исследования авторы приводят
разработанную систему прогнозирования работы судна в реальном времени,
уделяя большое внимание компонентам волны. Разработанный цифровой
двойник, по словам авторов, обладает большим потенциалом для расширения и
применения в виду снижения расхода топлива. Однако не смотря на будущие
возможные применения данной системы и ее тщательная разработка и реально
реализованный непрерывный обмен информацией между физическим объектом
и виртуальным, данная система выполняет оценку параметров состояния моря с
большим количеством допущений, что в большей степени иллюстрирует не
идеальность цифрового сервиса.
Как в статье [4], так и в большей части приведенных в данной работе,
реализация цифрового двойника сделана с большим количеством допущений,
что, с одной стороны, необходимо, а с другой стороны несколько противоречит
самой концепции «зеркала».
Проведенный в данной работе обзор позволил определить ключевые
проблемы цифрового двойника: определения, структуры, безопасности,
внедрения, стандартизации, времени жизни программного обеспечения и др. На
сегодняшний день данная концепция является востребованной, но тем не менее,
число промышленно эксплуатируемых цифровых двойников достаточно мало.
206
Это связано и с новизной технологии, и ее стоимостью, и с рядом проблем,
приведенных в данной работе.
Библиографический список
1.
Ghadban W., Kozina V., Kelly B. Improving Project Delivery Using Virtual Reality
in Design Reviews —A Case Study. Abu Dhabi International Petroleum Exhibition & Conference,
2019, C .1–5
2.
Kochneva A. A., Vinogradov E. A., Sankovsky A. A. Study Of Laser Scanning Data
Redundancy For Constructing Digital Simulation Of Terrain / International Journal of Advanced
Science and Technology, № 29, 2020. С 5445 - 5455 .
3.
LaGrange E. Developing a Digital Twin: The Roadmap for Oil and Gas
Optimization. The SPE Offshore Europe Conference and Exhibition, 2019, C. 1–8.
4.
Lee J., Azamfar M., Singh J., Siahpour S. Integration of Digital Twin and Deep
Learning in Cyber-Physical Systems: Towards Smart Manufacturing. IET Collaborative Intelligent
Manufacturing, 2020, C. 34–36.
5.
Makhovikov A. B., Katuntsov E. V. , Kosarev O. V., Tsvetkov P. S. Digital
Transformation In Oil And Gas Extraction / Innovation-Based Development of the Mineral
Resources Sector: Challenges And Prospects, № 11, Т 1, 2018. С 531 – 538.
6.
Min Q., Lu Y., Liu Z., Su C., Wang B. Machine Learning based Digital Twin
Framework for Production Optimization in Petrochemical Industry. International Journal of
Information Management, 2019, C. 502–519
7.
Shao G., Helu M. Framework for a digital twin in manufacturing: Scope and
requirements. Manufacturing Letters, 2020 C. 105–107.
8.
Sharma A., Kosasih E., Zhang J., Brintrup A., Calinescu A. Digital Twins: State of
the art theory and practice, challenges, and open research questions. Journal of Industrial
Information Integration, 2022, C. 1–15.
9.
Shibanov D. A., Ivanov S. L. , Shishkin P. V. Digital technologies in modeling and
design of mining excavators / Journal of Physics: Conference Series, № 1753, T 1753, 2021, С 1 –
6.
10.
Simchenko N. A., Tsohla S. Y., Chyvatkin P. P. IoT & digital twins concept
integration Effects on Supply Chain Strategy: Challenges and Effects. Int. J Sup. Chain. Mgt,
№8(6), 2019, 803–808.
11.
Singh M., Fuenmayor E., Hinchy E. P., Qiao Y., Murray N., Devine D. Digital Twin:
Origin to Future. Applied System Innovation, №4(2), 2021, С. 1–19.
12.
Wanasinghe T. R., Wroblewski L., Petersen B. K., Gosine R. G., James L. A., De
Silva O., Mann G. K. I., Warrian P. J. Digital Twin for the Oil and Gas Industry: Overview,
Research Trends, Opportunities, and Challenges. IEEE Access, №8, 2020, С. 104175–104197.
13.
Wright L., Davidson S. How to tell the difference between a model and a digital
twin. Advanced Modeling and Simulation in Engineering Sciences, №7, 2020, С. 1–15.
14.
Xiangdong X., Bo L., Jiannan G. Asset management of oil and gas pipeline system
Based on Digital Twin. №53(5), 2020, C. 715–719.
15.
Земенкова М. Ю., Чижевская Е. Л., Земенков Ю. Д. Интеллектуальный
мониторинг состояний объектов трубопроводного транспорта углеводородов с применением
нейросетевых технологий. Записки Горного института, Т. 258, 2022, С. 933-944.
16.
Потехин Д. В., Галкин С. В. Применение технологии машинного обучения при
моделировании распределения литотипов на пермокарбоновой залежи нефти Усинского
месторождения. Записки Горного института, Т.259, 2023, С. 41-51.
17.
Шибанов Д. А., Иванов С. Л., Иванов А. А. Цифровые двойники в горном
машиностроении, как инструмент повышения эффективности эксплуатации горных машин /
Горный информационно-аналитический бюллетень, № 5, 2022, С 3 – 13.
Рецензент: канд. техн. наук, доц. А.В. Мартиросян
207
О.В. Шишкина, Д.В. Кутлембетов, А.В. Гурко
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ФИНАНСОВОЕ ПОЛОЖЕНИЕ ПРЕДПРИЯТИЯ - АНАЛИЗ
МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ
Аннотация. В статье представлены методы оценки финансового состояния
предприятия на примере бухгалтерской отчетности российских компаний. Актуальность
разработки обоснована потребностью рынка к ежедневному принятию решений в отношении
деятельности организаций, тенденций их развития или банкротства. В работе используется
язык программирования Python и методы машинного обучения.
Исследованы и
математически обоснованы методы кластеризации и классификации данных. Решения по
кластеризации представлены на графиках. Практическое значение работы заключается в том,
что данные методы машинного обучения могут быть применимы для оценки финансового
состояния предприятия.
Ключевые слова: финансовое положение предприятий, экономическая оценка,
машинное обучение, анализ данных.
Введение
Задача оценки финансового положения предприятий (ФПП) решается
организациями ежедневно и согласно требованиям банка России и Минфина [13], и исходя из повседневных нужд рынка. К научному и методическому
обеспечению данной задачи прилагают усилия научные круги страны и мира, в
частности, ученые Горного университета [7-14].
В настоящее время отсутствует универсальная общепризнанная методика,
позволяющая полно оценивать ФПП. Решение данной задачи носит в каждой
организации индивидуальный характер и представляет собой, как правило,
аналитический вычислительный алгоритм и совокупность субъективных
правил принятия решения.
Таким образом, разработка универсальной методики определения ФПП
по данным его хозяйственной деятельности является актуальной практической
задачей.
Предлагается решение на основе методов машинного обучения задачи
классификации с применением к оценке ФПП.
В ходе исследования проанализированы и очищены исходные данные, к
ним применены различные методы машинного обучения, проведен анализ
результатов моделирования и сравнительная оценка в соответствии с
известными метриками оценки качества алгоритмов классификации, в
частности: доля правильных ответов алгоритма (accuracy), точность (precision)
и полнота (recall), построена и проанализирована матрица ошибок (confusion
matrix). Исследовав используемые методы на ошибки, удалось выявить
наиболее удачные из них для решения поставленной задачи.
208
Подход позволяет провести оценку ФПП за произвольный период
деятельности не привязываясь к данным года и не определяя их важность, а
представляя их, как единый однородный массив данных.
Успешность анализа и качество работы методов машинного обучения
напрямую зависят от объема и качества исходной информации (датасет). Кроме
того, немаловажным фактором является репрезентативность и неоднородность
данных. Для решения данной задачи проводится предобработка данных.
На первом шаге собран и проанализирован датасет объемом в 217 строк.
Каждая из строк представляет собой данные за один год. Для работы собрана
информация о 21-й компании различного экономического уровня. В датасет
включены компании, малого, среднего и крупного бизнеса. Из бухгалтерского
учета были исключены некоторые показатели, с целью повышения точности
алгоритмов. В выборку вошли 35 показателей, на основе которых проведена
классификация компаний. Некоторые данные в датасете отсутствуют из-за того,
что компании предпочитают скрывать их по каким-либо причинам, а для
применения методов машинного обучения необходимо, чтобы весь массив
данных был заполнен значениями, то для того, чтобы исключить так
называемое состояние – нет числовых данных - «NaN» - отсутствующие
значения заменены на среднее значение по столбцу [4].
Второй шаг предобработки - нормализация значений. Она применяется
для улучшения качества работы алгоритмов. Алгоритмы машинного обучения
[5], как правило, работают лучше или сходятся быстрее, когда различные
функции (переменные) имеют меньший масштаб. Поэтому перед обучением на
них моделей машинного обучения данные обычно нормализуются.
Нормализация также делает процесс обучения менее чувствительным к
масштабу функций. Это приводит к улучшению коэффициентов после
тренировки. Этот процесс повышения пригодности функций для обучения
путем изменения масштаба называется масштабированием функций.
На данном этапе в отдельную задачу выделилась проблема автоматизации
сбора больших объемов данных, как по компаниям, так и по детализации
информации за каждую компанию, например, переход от сбора годовых
данных к сбору квартальных данных
3. Определение количества кластеров
К собранной информации применены алгоритмы кластеризации с целью
понять, на сколько блоков разделяется имеющаяся информация и далее
попытаться интерпретировать полученные кластеры в терминах - «хорошо»,
«средне», «плохо» .
Кластеризация относится к типу задач машинного обучения без учителя
[6]. Это задачи, в которых отсутствует целевая переменная и необходимо
выявить некоторые закономерности в данных и разбить объекты, которые даны
в выборке на несколько кластеров таким образом, чтобы объекты в одном
кластере были похожи друг на друга, а объекты из разных кластеров – не
похожи друг на друга. К данным были применены следующие алгоритмы
кластеризации.
209
Алгоритм K-MEANS. В этом алгоритме кластеры представляют собой
центроиды. Каждый кластер задается координатами центра, а точки
соотносятся с кластером, чей центр к ним ближайший. Для нахождения
центроид используется алгоритм - задается число k, – количество центроид.
Случайные точки принимаются за центроиды. Затем для всех остальных точек
находится ближайший центр.
Для решения о величине числа k применяется «метод локтя», который
подсказывает количество кластеров. Для k = 1, вычисляется сумма квадратов
расстояний, затемk увеличивается на 1, то есть предполагается, что существует
два кластера и вновь вычисляется сумма квадратов уже для двух центроидов.
По мере увеличения значения k сумма квадратов расстояний внутри кластера
будет уменьшаться. Строится график зависимости между значениями k и
суммой квадрата внутри кластера. Точка x, когда значение по оси y перестанет
резко уменьшаться считаться оптимальным значением k:
На имеющихся данных - k=2-3 . Увеличение количества кластеров не дает
к-либо дополнительного эффекта. Результаты кластеризации с помощью метода
k-means изображены на рис. 1.
Рис. 1. Результат кластеризации данных с различным значением k
Данные в основном расположились в левом нижнем секторе. второй и
третий кластер больше похожи на выбросы, которые интерпретируются как
отдельные группы.
Алгоритм DBSCAN. В отличие от k-means в данном методе заранее
количество кластеров неизвестно – алгоритм сам принимает решение об их
количестве. Суть метода заключается в нахождении скопления точек. У метода
два гипер-параметра: 𝜀𝜀 − размер окрестности точки и minPts – минимальное
количество точек в 𝜀𝜀 – окрестности
Для того, чтоб визуализировать результат работы алгоритма DBSCAN с
помощью цикла подбираются различные значения гипер-параметров. Это
продемонстрировано на рисунке 2.
Иерархическая кластеризация. Алгоритм предназначен для выявления
относительно однородных групп наблюдений по заданным характеристикам и
называется методом полной связи (Complete-linkage clustering). Вначале
рассматривается каждое наблюдение (переменную), как отдельный кластер.
Затем кластеры объединяются, пока не останется только один. Для принятия
решения о рациональном количестве кластеров используется визуализация в
210
виде дерева, по которой аналитик субъективно выбирает рациональное
количество кластеров по субъективному правилу – как только дуги дерева
визуально становятся достаточно длинными нужно посчитать их количество
путем пересечения параллельной прямой и взять это значение.
В итоге был выбран показатель 3, а результат работы иерархической
кластеризации изображен на рисунке 3.
Рис. 2. Визуализация метода DBSCAN
Алгоритм распределил данные аналогично алгоритму K-MEANS.
В качестве гипер-параметров использованы: количество кластеров -3,
расстояние между точками вычислялось по эвклидовой метрике'
Рис. 3. Визуализация иерархической кластеризации
Таким образом, решение задачи кластеризации в целом привело к ответу
о количестве кластеров в наборе данных – 3 кластера. С этого момента будем
211
считать, что у нас имеется три класса и будем относить каждый объект к
одному из них.
3. Выбор алгоритма классификации
После принятия решения о количестве классов решается задача выбора
алгоритма классификации, который покажет лучшие значения метрик. Такой
алгоритм будут затем использоваться для решения задачи классификации на
произвольных данных.
Сама задача классификации заключается в том, чтобы отнести каждый из
объектов выборки к какому-либо классу из данного набора. Фактически строят
функцию a: X→Y, которая ставит в соответствие каждому объекту x из
пространства объектов X какой-либо класс y из пространства ответов Y. На
языке программирования Python реализована функция, на вход которой
поступает датасет, по формулам рассчитывается коэффициент, влияющий на
отнесение объекта к трем возможным множествам «хорошо», «средне»,
«плохо». На выходе данная функция возвращает исходный датасет с
дополнительным столбцом, в котором указаны номера классов для каждого
объекта выборки. После подготовки датасета применяются методы
классификации, описанные ниже. Перед применением алгоритмов исходный
массив данных делится на 2 выборки для измерения качества: обучающая и
тестовая, в соотношении 80/20.
Алгоритм KNEIGHBORS. В основе метода k ближайших соседей лежит
гипотеза компактности: если два объекта похожи друг на друга, то ответы на
них тоже похожи.
Алгоритм линейной классификации. Особенность алгоритма в том, что
решение о принадлежности объекта к какому-либо классу принимается на
основе линейной комбинации его характеристик (значений признаков).
Алгоритм логистической регрессии. Если в качестве функции принятия
решения выбрать сигмоидную функцию, то получится логистическая
регрессия, где на выходе получается вероятность класса.
Алгоритм SVM. Алгоритм ищет уравнение разделяющей гиперплоскости
путем максимизации зазор (англ. margin) между гиперплоскостью и объектами
классов, которые расположены ближе всего к ней. Такие объекты называют
опорными векторами.
Анализ результатов применения методов машинного обучения для задачи
классификации проведен с помощью известных метрик оценки качества
алгоритмов классификации. Результаты анализа приведены в табл. 1.
Из таблицы можно сделать вывод, что оптимальным для решения
поставленной задачи является метод опорных векторов (SVM). Данный метод
показывает лучшие результаты на основании приведенных метрик оценки
качества.
212
Таблица 1. Результаты анализа алгоритмов классификации
методы\ метрики
accuracy_score
precision_score
average=’weighted’
precision_score
average=’micro’
precision_score
average=’macro
’
ближайших соседей
0.94
0.91
0.94
0.48
0.95
0.91
0.95
0.48
0.97
0.91
0.95
0.48
0.96
0.96
0.96
0.98
линейная
классификация
логистическая
регрессия
опорных векторов
Заключение
В результате исследования сделаны следующие выводы:
Методы кластеризации для решения поставленной задачи показали свою
несостоятельность, это связано с тем, что собранных данных недостаточно для
решения поставленной задачи. В будущем планируется решить эту проблему с
помощью более основательного подбора и анализа данных. Наиболее
подходящим для оценки ФПП среди методов кластеризации оказался метод
иерархической кластеризации.
Анализ метрик оценки качества, из методов классификации лучшим для
имеющихся данных является метод опорных векторов.
Работа имеет практическую значимость, так как приведенные в статье
методы можно использовать для оценки ФПП за произвольный период его
деятельности.
В перспективе планируется увеличить объем данных для более точного и
полноценного анализа.
Планируется изучить применимость методов анализа временных рядов на
основе этих данных.
Библиографический список
1.
Положение банка России от 28.06.2017 N 590-П (с изменениями на 15 февраля
2022 года) "О порядке формирования кредитными организациями резервов на возможные
потери по ссудам, ссудной и приравненной к ней задолженности" [Электронный ресурс]
URL: https://docs.cntd.ru/document/456079148 (дата обращения: 22.10.2022)
2.
Положение Банка России № 646-П от 04.07.2018 «О методике определения
собственных средств (капитала) кредитных организаций («Базель III»)» [Электронный
ресурс] URL: https://docs.cntd.ru/document/551155258 (дата обращения: 22.10.2022)
3.
Приказ Минфина России от 28 августа 2014 г. N 84н "Об утверждении Порядка
определения стоимости чистых активов" (с изменениями и дополнениями) [Электронный
ресурс] https://base.garant.ru/70771060/ (дата обращения: 22.10.2022)
4.
Пимонов А. Г., Сарапулова Т. В. Методы, алгоритмы и программные средства
для восстановления пропущенных данных в массивах экономической статистики /
Экономика и управление инновациями, № 3, 2017. С 52 - 65
5.
Задворная И. А., Ромакина О. М. Применение алгоритмов data mining для
анализа данных в сфере кредитования. / / под ред.Балаш В. А. //Саратов: Саратовский
213
национальный исследовательский государственный университет имени Н. Г. Чернышевского
, Т 3, 2018. С 61 – 66
6.
Задворная И. А., Ромакина О. М. Применение алгоритма «Кластеризация» для
анализа данных потенциальных клиентов банка / Ученые записки Брянского
государственного университета, № 2, 2019. С 7 - 15.
7.
Смолянов, Д. Ю. Методика оценки финансового положения предприятия / Д.
Ю. Смолянов, А. В. Гурко, И. О. Величко // Hypothesis. – 2022. – № 1(18). – С. 44-54. – EDN
FHDJMP. [Электронный ресурс] https://www.elibrary.ru/item.asp?id=48649926 (дата
обращения: 22.10.2022)
8.
Коваленко А. В., Никифоров А. А., Никифорова В. Д. Показатели и методы
оценки бизнеса и инструментов фондового рынка / Экономика и экологический менеджмент,
№ 1, 2019. С 26 - 32 .
9.
Batkovskiy A. M., Trofimets V. Y., Turko N. I. Forecasting Financial Results of the
Enterprises’ Activities Under the Conditions of Fluctuations in Production Volumes / Lecture Notes
in Networks and Systems, Volume 115, The International Scientific and Practical Forum «Industry.
Science. Competence. Integration», Springer, № 1, Т 1, 2020. pp. 395 - 401.
10.
Соколова Н. А., Литвин Ю. В., Ахапкин А. А., Щекалев Р. В. Оценка
эффективности проектов, находящихся на этапе поиска и разведки, при формировании
кластеров / Газовая промышленность, № 1, Т 814, 2021. С 166 – 171
11
Смолянов, Д. Ю. Методика оценки финансового положения предприятия / Д.
Ю. Смолянов, А. В. Гурко, И. О. Величко // Hypothesis. – 2022. – № 1(18). – С. 44-54. – EDN
FHDJMP. [Электронный ресурс] https://www.elibrary.ru/item.asp?id=48649926 (дата
обращения: 22.10.2022)
12
Свидетельство о государственной регистрации программы для ЭВМ №
2019611493 Российская Федерация. Программа оценки экономической эффективности
инвестиционного проекта методом Монте-Карло : № 2019610237 : заявл. 10.01.2019 : опубл.
28.01.2019 / П. С. Цветков, А. Е. Череповицын, С. В. Наталенко ; заявитель федеральное
государственное бюджетное образовательное учреждение высшего образования «СанктПетербургский горный университет». – EDN AERFXU. [Электронный ресурс]
https://www.elibrary.ru/item.asp?id=39310036 (дата обращения: 22.10.2022)
13
Свидетельство о государственной регистрации программы для ЭВМ №
2021611713 Российская Федерация. Программа рейтинговой оценки корпоративной
устойчивости горных компаний : № 2021610736 : заявл. 28.01.2021 : опубл. 03.02.2021 / Т. В.
Пономаренко, О. А. Маринина, М. А. Невская ; заявитель федеральное государственное
бюджетное образовательное учреждение высшего образования «Санкт-Петербургский
горный
университет».
–
EDN
NFYBLB.
[Электронный
ресурс]
https://elibrary.ru/item.asp?id=44763021 (дата обращения: 22.10.2022)
14.
Хайкин, М. М. Проблемы оценки экономической безопасности предприятия /
М. М. Хайкин, Б. К. Плоткин, А. В. Бабкин // Стратегическое управление развитием
цифровой экономики на основе умных технологий / под ред. А. В. Бабкина. – СанктПетербург : ПОЛИТЕХ-ПРЕСС, 2021. – С. 678-700. – DOI 10.18720/IEP/2021.2/32. – EDN
ITZAGZ. [Электронный ресурс] https://elibrary.ru/item.asp?id=46163228 (дата обращения:
22.10.2022)
Рецензент: канд. техн. наук, доц. Е.Б. Мазаков
214
© Н.Н. Шпажникова
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
ИСПОЛЬЗОВАНИЕ МАТЕМАТИЧЕСКИХ МЕТОДОВ ДЛЯ
ВЫЯВЛЕНИЯ КЛЮЧЕВЫХ ФАКТОРОВ, ВЛИЯЮЩИХ НА
ДЕЯТЕЛЬНОСТЬ ПРЕДПРИЯТИЯ
Аннотация. Развитие строительной отрасли несет за собой множество значительных
преимуществ для формирования положительных тенденций в экономической и социальной
сферах государства. Строительный процесс напрямую зависит от многочисленного
количества факторов. Выявление наиболее значимых факторов играет ключевую роль в
разработке стратегии предприятия. С этой целью обратимся к априорному ранжированию и
корреляционному анализу.
Ключевые слова: априорное ранжирование, корреляционный анализ, математические
методы, предприятие, техническое оборудование, техническое обслуживание.
Строительная отрасль являлась одной из важнейших во все времена для
любого государства. Развитие строительной отрасли имеет ряд важных причин.
Во-первых, строительство является одной из основных отраслей
экономики, которая обеспечивает создание новых объектов инфраструктуры,
жилья, производственных и коммерческих объектов. Это позволяет улучшать
условия жизни людей, повышать уровень экономического развития и
конкурентоспособности страны.
Во-вторых, развитие строительной отрасли способствует созданию новых
рабочих мест и повышению уровня занятости населения. Это в свою очередь
улучшает социальную сферу и благополучие населения.
В-третьих, строительство является одной из ключевых отраслей, которая
влияет на экологическую ситуацию в стране. Развитие строительной отрасли
позволяет создавать более энергоэффективные и экологически чистые объекты,
что способствует сохранению окружающей среды и улучшению качества жизни
людей. [1]
Таким образом, развитие строительной отрасли является важным
фактором экономического и социального развития страны, который имеет
положительный вклад в жизнь людей и окружающую среду. [2]
Важным фактором для развития строительной отрасли является качество
оборудования. Использование современного и надежного оборудования
позволяет повысить производительность труда, сократить сроки строительства
и улучшить качество выполняемых работ. Кроме того, использование новых
технологий и оборудования позволяет снизить затраты на производство и
повысить конкурентоспособность предприятий в отрасли. [3, 4]
Одним из предприятий, поставляющим строительное оборудование
является компания ООО «Arlift». Основными сферами деятельности ARLIFT
является сдача в аренду, производство, продажа и техническое обслуживание
специального строительного оборудования. [5]
215
На процесс работы предприятия могут влиять различные факторы, как
положительно, так и отрицательно, и детерминация наиболее значимых
факторов, а также влияние на них, является одним из основных способов
повышения эффективности функционирования предприятия.
На примере компании «Arlift» рассмотрим методику определения
весомых факторов в двух основных этапах – априорном ранжировании
факторов и корреляционный анализе.
1)
Априорное ранжирование факторов
Априорное ранжирование факторов - это процесс определения
относительной важности различных факторов до начала исследования или
анализа данных. Оно основывается на предварительном анализе, экспертных
оценках и знаниях области, которая изучается [6]. В таблице 1 представлена
матрица рангов, составленная при опросе специалистов.
Таблица 1 - Матрица рангов
В данном случае, x1 – количество посетителей сайта, шт., x2 – системные
ошибки, шт., x3 –количество рекламных баннеров в интернете, шт., x4 –
отсутствие запчастей, шт., x5 – количество сотрудников, шт., x6 – общее
количество техники на предприятии, шт., x7 – неисправность необходимой
техники, шт., x8 – отказы телефонной техники, шт. Расчётные данные
представленные в табл. 1 определялись по следующим формулам:
•
коэффициент Tj
(1)
где u – количество групп, которые образованны факторами с идентичным
рангом;
tu – количество идентичных рангов в u-й группе.
•
сумма рангов
(2)
где m – количество исследователей; aij – ранг i-го фактора, присвоенный j-м
216
исследователем.
•
отклонение суммы рангов от средней суммы рангов
(3)
где k – общее количество факторов;
– средняя сумма рангов.
Далее, следует установить коэффициент конкордации.
В случае, когда в матрице присутствуют «связанные ранги» коэффициент
конкордации рассчитывается:
(4)
– сумма квадратов отклонений.
При расчёте был получен коэффициент конкордации равный 0,77. В
случае, если в эксперименте k>7 величина
подчиняется χ2 –
.
распределению с числом степеней свободы
Значимость коэффициента конкордации W устанавливают с помощью
критерия Пирсона. Для этого находят расчетное значение χр2:
где
В данном случае уровень значимости равен 5% (α=0,05),а количество
степеней свободы
. Тогда табличное значение χ2 будет составлять
2
14,1. Соответственно, χр > χт2, что означает согласованность мнений
исследователей.
Далее, после проведения необходимых проверок, строится диаграмма
рангов (рис. 1).
Рис. 1. Диаграмма рангов
Диаграмма рангов - это графическое представление ранжированных
данных. Она используется для визуализации порядка значений в выборке и
может помочь определить, какое значение занимает определенное место в
ранжированной последовательности. Диаграмма рангов состоит из
вертикальных столбцов, каждый из которых представляет собой значение в
выборке, расположенное в порядке возрастания или убывания. Высота столбца
соответствует его рангу в выборке.
217
На данной диаграмме видно, что наиболее значимыми факторами
оказались x4 и x7, тогда как самыми наименее значимыми стали x5 и x8. В
дальнейшем исследовании два наименее значимых фактора будут исключены.
2)
Корреляционный анализ. Корреляционный анализ - это метод
статистического анализа, который используется для изучения степени связи
между двумя или более переменными. Он позволяет определить, насколько
сильно и в каком направлении связаны эти переменные. Для того, чтобы
определить наиболее значимые для предприятия факторы из 5 оставшихся
необходимо проанализировать исходные данные представленные в табл. 2.
Таблица 2 - Исходные данные для проведения корреляционно анализа
В данной таблице y – количество единиц арендованной техники, шт. x1 –
общее количество техники на предприятии, шт. x2 – системные ошибки, шт. x3
– количество рекламных баннеров в интернете, шт. x4 – отсутствие запчастей,
шт. x5 – неисправность необходимой техники, шт.
Матрица парных коэффициентов корреляции - это таблица, в которой
каждый элемент показывает степень линейной связи между двумя
переменными. Она используется для анализа зависимостей между несколькими
переменными и может помочь выявить сильные и слабые связи между ними.
Матрица парных коэффициентов корреляции была построена с помощью
MS Excel и представлена на рис. 2.
Рис. 2. Матрица парных коэффициентов корреляции
Из матрицы можно заметить, что коэффициенты корреляции для
факторов x1, x2 и x3, а также x4 и x5 превышают 0,75, что означает сильную
степень корреляции между ними. Таким образом, можно сказать, что данные
218
факторы взаимозаменяемы и из исследования можно убрать те факторы,
которые имеют наименьшую связь с результирующим признаком [7]. Далее,
видно, что наибольшую связь с результирующим признаком имеют факторы x1,
x4 и x5. В данном случае получается, что информативными факторами
являются: x2, x3 и x5. Следовательно, остальные факторы исключаются из
исследования.
Подводя итоги обоих проведенных анализов, можно сделать вывод, что
фактором, оказывающим наибольшее влияние на предприятие, является
неисправность техники, т.к. при априорном ранжировании исследователи
посчитали его наиболее значимым, также, как и при корреляционном анализе
этот фактор показал самое сильное влияние на результирующий признак. Это
означает, что для повышения эффективности предприятия необходимо
наладить процесс технического обслуживания оборудования. Также
исследования показали, что важным фактором является отсутствие запчастей
для техники, что также относится к техническому обслуживанию
оборудования, но здесь необходимо наладить логистическую составляющую и
улучшить поставку деталей.
Таким образом, использование методов, позволяющих оценить важность
и влияние факторов на работу предприятия строительной отрасли имеет
весомое значения для развития отрасли в целом.
Библиографический список
1. Карасев , М. А. (2011). Анализ причин деформации земной поверхности и характер
формирования мульды оседания, вызванной строительством транспортных тоннелей.
Записки Горного института, 190, 163.
https://pmi.spmi.ru/index.php/pmi/article/view/6443
2. Комарова Анастасия Вячеславовна РАЗВИТИЕ СТРОИТЕЛЬНОЙ ОТРАСЛИ НА
СОВРЕМЕННОМ ЭТАПЕ // Экономика нового мира. 2020. №3 (18).
https://cyberleninka.ru/article/n/razvitie-stroitelnoy-otrasli-na-sovremennom-etape
(дата
обращения: 29.03.2023).
3. Голдобина Л.А., Орлов П.С. (2016). Пути обеспечения надежности, безопасности и
эффективности строительно-монтажных работ при возведении зданий и сооружений путем
стабилизации процесса раскачивания грузового подвеса. Записки Горного института, 218,
322. https://pmi.spmi.ru/index.php/pmi/article/view/5113
4. Афанасьева Н.А. (1975). О ранноизносостойкости пневмомоторов и
породопогрузочных
машин.
Записки
Горного
института,
69(1),
110.
https://pmi.spmi.ru/index.php/pmi/article/view/11357
5. Аренда строительной спецтехники в Санкт-Петербурге [Электронный ресурс] –
Режим доступа: https://www.arlift.ru
6. Абдулаев Эльдар Камильевич, Махараткин Павел Николаевич, Кужелев Арсений
Ильич, Атрощенко Виктор Александрович АПРИОРНОЕ РАНЖИРОВАНИЕ И АНАЛИЗ
ФАКТОРОВ, ВЛИЯЮЩИХ НА ИЗНОС ШИН // Известия УГГУ. 2020. №1 (57).
7. Первухин Д.А., Клавдиев А.А. (2015). Оценка качества сложных систем на основе
методов
стохастического
подобия.
Записки
Горного
института,
214,
85.
https://pmi.spmi.ru/index.php/pmi/article/view/5204
Рецензент: д-р техн. наук, проф. В.Е. Трушников
219
© А.А. Юденцова
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
РЕАЛИЗАЦИЯ МЕТОДОВ КОРРЕЛЯЦИОННОРЕГРЕССИОННОГО АНАЛИЗА ДЛЯ ОЦЕНКИ ЭФФЕКТИВНОСТИ
РАБОТЫ ПРЕДПРИЯТИЯ
Аннотация. Развитие стабильной железнодорожной транспортной инфраструктуры
является одним из важнейших направлений транспортной стратегии РФ. Необходимо, чтобы
процесс перевозки груза происходил своевременно и безошибочно. Для достижения этого,
следует обеспечить оперативную обработку заявок на перевозку. На процесс обработки
заявки могут влиять различные факторы, для того, чтобы оценить степень их влияния и
выявить наиболее информативные показатели, обратимся к корреляционно-регрессионному
анализу.
Ключевые слова: корреляционный анализ, регрессионный анализ, математические
методы, предприятие, логистика.
Введение
В качестве объекта исследования была выбрана российская компания
ООО «Газпромнефть-Снабжение», которая является дочерней фирмой ПАО
«Газпром». «Газпромнефть-Снабжение» специализируется на снабжении
крупных проектов (поставляет зачастую негабаритное оборудование), на
перевозке грузов различными видами транспорта (воздушный, морской и
наземный), также оказывает услуги складской логистики и управления
запасами [1]. Качественное оказание логистических услуг способствует
расширению направлений транспортной стратегии РФ [2]. Логистика – это
развивающиеся научно-практическое направление в экономике, немаловажной
частью которой является управление логистической системой добывающих
предприятий [3].
В частности, будет рассмотрен блок логистики, который занимается
доставкой МТР (материально-технических ресурсов) для разработки и
поддержки месторождений по железнодорожному сообщению. На входе
работники получают заявку на перевозку от заказчика в лице РЖД или трех
контрагентов, далее заявка обрабатывается и после составляется заявка на
перевозку до требуемого пункта назначения. Для документооборота
используется
автоматизированная
информационная
система
ЭТРАН
(электронная транспортная накладная). После перемещения груза до станции
назначения он перевозится до конечного пункта летом – при помощи водного
транспорта, зимой – по зимникам. Быстрая обработка заявок на перевозку
благоприятно влияет на эффективность отдела и компании в целом.
Исследование эффективности деятельности предприятия остается
актуальным, эффективность способствует рациональному или экономному
использованию ресурсов. Также необходимо понимание влияния факторов на
эффективность деятельности предприятий [4].
Построение математических и логических моделей является широко
220
используемым
методом
анализа. [5,6,7].
Нередко
для
изучения
функционирования предприятия применяется корреляционно-регрессионный
анализ, который определяет взаимосвязь факторов и полученных показателей.
С помощью этого метода можно эффективно влиять на процессы предприятия
[8,9].
Благодаря корреляционно-регрессионному анализу изучается финансовое
положение предприятия и формируются рекомендации по укреплению
финансовой устойчивости [10,11].
Материалы и методы
Главной целью является формирование рекомендаций по улучшению
качества работы блока логистики. С помощью схемы обратимся к ключевым
этапам исследования (рис. 1).
Рис. 1. Схема исследования
Для того, чтобы комплексно оценить работу структурного подразделения
предприятия
ООО
«Газпрмнефть-Снабжение»
необходимо
изучить
деятельность предприятия, функции отдела железнодорожной логистики,
проанализировать основные векторы развития. Также с помощью
математических методов следует исследовать факторы, которые влияют на
обработку заявок на перевозку. Благодаря программным продуктам GPSS
World и Simulink, можно рассмотреть отдел, как СМО и предложить перечень
221
рекомендаций по оптимизации. После выбора конкретного решения,
необходимо сформировать его экономическое обоснование.
Одним из ключевых этапов исследования является построение
корреляционно-регрессионной модели, необходимо подробнее рассмотреть
этот шаг.
В качестве результативного признака следует рассмотреть время
обработки заявки на перевозку, также обратимся к пяти факторным признакам,
которые сильнее влияют на модель: ошибки, связанные с человеческим
фактором; рассинхронизация получаемых данных; связь с партнерами;
количество сотрудников, задействованных в обработке заявки; системные
ошибки.
Подробнее остановимся на каждом факторном признаке для более
детального понимания необходимости их наличия:
1. Ошибки, связанные с ручным переносом данных.
Часть работы, выполняемая персоналом блока логистики, непрерывно
связана с ручным переносом данных из документов, полученных от
контрагентов. Зачастую исходные данные представлены в формате, который не
подходит для дальнейших изменений, поэтому сотрудники вручную
переделывают документы. Следовательно, иногда могут возникать ошибки при
переносе данных.
2. Рассинхронизация данных.
Процесс обработки заявки на перевозку включает в себя объединение
данных, полученных из счетов РЖД и счетов контрагентов, но из-за
несовершенств самой системы передачи документации, случаются задержки,
что на какое-то время останавливает обработку заявки. Расходуется лишнее
время на ожидание поступления нужной информации.
3. Связь с партнерами.
Для обработки некоторых заявок на перевозку требуется созвониться с
партнерами для конкретизации определенных данных, это в свою очередь тоже
отнимает какое-то количество времени, так как в день приходит немалое число
заявок.
4. Количество сотрудников, задействованных в обработке заявок на
перевозку.
Всего в блоке железнодорожной логистики ООО «ГазпромнефтьСнабжение» задействовано 9 сотрудников, но в зависимости от загруженности
заявками в их обработке принимают участие от 2 до 6 человек.
5. Системные ошибки.
Иногда могут происходить различные системные неполадки, которые
также оказывают влияние на обработку заявки и деятельности отдела в целом.
Все исходные данные занесем в таблицу (таблица 1) и распределим по
месяцам, так как количество заявок на перевозку напрямую зависит от времени
года.
В табл. 1. перечислены все факторы, влияющие на построение модели,
распределенные по месяцам.
222
Таблица 1. – Исходные данные
Результаты
После проведения регрессионного анализа с помощью инструмента MS
Excel, получаем данные, с помощью которых можно сделать вывод, что
расчетные параметры модели на 92 % объясняют зависимость между
параметрами, также они позволяют составить следующее уравнение
множественной регрессии:
(1)
Коэффициент без переменной (0,028) называется свободным
коэффициентом, коэффициенты для переменных показывают среднее
изменение результативного признака с изменением на единицу своего
измерения данного фактора, если все остальные остаются неизменными.
Для того чтобы определить факторы, которые оказывают наибольшее
влияние на результат, следует высчитать коэффициенты эластичности.
С помощью полученных данных высчитывается коэффициент
эластичности:
Таблица 2 - Коэффициенты эластичности
Исходя из полученных данных, представленных в таблице 2, можно
сделать вывод о наибольшем влиянии факторов х1 и х3.
С помощью F-критерия Фишера оценим значимость уравнения линейной
223
регрессии и показателя тесноты связи.
Расчетное значение F-критерия равно 13,03. Табличное значение Fкритерия для данной модели равно 4,39. Следовательно, Fфакт>Fтабл, это значит,
что уравнение регрессии является статистически значимым, и полученное
значение F-критерия не является случайным.
Для оценки значимости коэффициентов регрессии следует обратиться к tкритерию Стьюдента. Для данной модели табличное значение t-критерия равно
2,17. Ниже представлены полученные значения.
Таблица 3. Значения t-критерия
Если значения t-критерия меньше 2,17, можно сделать вывод о
неслучайной природе данного значения параметра. Исходя из данных (таблица
3) можно сделать вывод, что параметры статистически значимы и надежны.
Для оценки качества уравнения рассчитаем среднюю ошибку
аппроксимации.
(2)
(3)
Если А <4% – модель отличного качества; если 4%< А <8% – модель
хорошего качества; если 8%< А <15% – модель удовлетворительная; если
15%< А – необходимо строить другую модель.
Средняя ошибка аппроксимации для данной модели попадает в
промежуток 4%<6,81%<8%, следовательно, модель хорошего качества. С
помощью
матрицы
парных
коэффициентов
корреляции
отберем
информативные факторы. После проведения корреляционного анализа было
выявлено, что все факторы имеют высокий коэффициент корреляции, однако
фактор х2 больше всего коррелирует с факторами х3 и х4, а фактор х3 – с
фактором х4. Исключить следует факторы х2 и х3. Далее необходимо построить
новое уравнение множественной регрессии с информативными факторами:
(5)
(4)
Заключение
В ходе корреляционно-регрессионного анализа выявлены информативные
факторы: х1 - ошибки, связанные с ручным переносом данных, х4 - количество
224
сотрудников, задействованных в обработке заявок на перевозку, х5- системные
ошибки, которые имеют наибольшее влияние на скорость обработки заявки на
перевозку. Следовательно, при наладке данных факторов, повысится
эффективность работы отдела. Таким образом, использование корреляционнорегрессионного анализа способствует установке наличия связи между
признаками и определению критериев качества. Отдел железнодорожной
логистики занимается обработкой заявок на перевозку, что необходимо для
планирования доставки материально-технических ресурсов к месторождениям,
что способствует развитию, расширению и укреплению нефтяной
промышленности.
Использованные источники
1. Официальный сайт ООО «Газпромнефть-Снабжение» // Режим доступа:
https://supply.gazprom-neft.ru/
2. Транспортная стратегия РФ на период до 2030 года с прогнозом на период до 2035
года // Режим доступа: https://rosavtodor.gov.ru/docs/transportnaya-strategiya-rf-na-period-do2030-goda-s-prognozom-na-period-do-2035-goda
3. Плоткин, Б. К., & Хайкин, М. М. (2017). Формирование и развитие теории
минерально-сырьевой
логистики.
Записки
Горного
института,
223,
139.
https://doi.org/10.18454/pmi.2017.1.139
4. Князева Е. В., Шаповал Е. В. Эффективность деятельности предприятия и факторы,
влияющие на нее // Вестник ГУУ. 2018. №2. https://cyberleninka.ru/article/n/effektivnostdeyatelnosti-predpriyatiya-i-faktory-vliyayuschie-na-nee
5. Самойленко Д. Ю. Основные направления повышения эффективности управления
процессом геологоразведочных работ в нефтяных компаниях. Записки Горного института,
151, 32. Режим доступа: https://pmi.spmi.ru/index.php/pmi/article/view/9413
6. Матрохина , К. В., Трофимец , В. Я., Мазаков , Е. Б., Маховиков , А. Б., & Хайкин ,
М. М. (2023). Развитие методологии сценарного анализа инвестиционных проектов
предприятий минерально-сырьевого комплекса. Записки Горного института, 259, 112-124.
7. Первухин , Д. А., & Клавдиев , А. А. (2015). Оценка качества сложных систем на
основе методов стохастического подобия. Записки Горного института, 214, 85.
https://pmi.spmi.ru/index.php/pmi/article/view/5204
8. Хажиева Э.А. Многомерный корреляционно-регрессионный анализ предприятия по
производству промышленного оборудования // Анализ и прогнозирование систем
управления в промышленности, на транспорте и в логистике: Труды XXII Международной
научно- практической конференции молодых ученых, студентов и аспирантов, 19-21 апреля
2022, СПб.: Медиапапир, С. 250-256.
9. Гржибовский А. М. Корреляционный анализ // Экология человека. 2008. №9. Режим
доступа: https://cyberleninka.ru/article/n/korrelyatsionnyy-analiz
10. Сподарева Е.Г. Применение корреляционно-регрессионного анализа для оценки
финансовой устойчивости предприятия / Сподарева Е.Г., Кузьмина Т.С. // Вестник
Уральского института экономики, управления и права, 2020 год
11. Лапач С.Н. Регрессионный анализ. Процессный подход // ММС. 2016. №1. Режим
доступа:https://cyberleninka.ru/article/n/regressionnyy-analiz-protsessnyy-podhod
12. Hill, T., Lewicki, P. (2007). STATISTICS: Methods and Applications. StatSoft, Tulsa,
OK; StatSoft, Inc. (2013). Electronic Statistics Textbook. Tulsa, OK: StatSoft. Retrieved from:
http://www.statsoft.com/textbook
Рецензент: д-р техн. наук, проф. В.Е. Трушников
225
АННОТАЦИИ И КЛЮЧЕВЫЕ СЛОВА
Ю.А. Бланко, Ю.С. Аргота, Э.П.Сильва, Э.К. Мартинес, Э.К. Мартинес
СИСТЕМА УПРАВЛЕНИЯ ПЛАНОМ ОХРАНЫ ОКРУЖАЮЩЕЙ СРЕДЫ В
КОМПАНИИ ТЕХНИЧЕСКИХ УСЛУГ ВЫЧИСЛИТЕЛЬНОЙ ТЕХНИКИ, СВЯЗИ
И ЭЛЕКТРОНИКИ НИКЕЛЬ
Аннотация. В компании Rafael Fausto Orejón Forment Nickel Technical Services Company
for Computing, Communications and Electronics (SERCONI) на Кубе в настоящее время
существуют недостатки в процессе, связанном с управлением Планом защиты
окружающей среды для решения существующих экологических проблем на предприятии.
В настоящей работе представлен анализ системы управления экологической информацией.
Модуль: План охраны окружающей среды, предыдущий шаг к разработке его
автоматизированной версии в ближайшем будущем. Указанная система будет
способствовать развитию более эффективной и гибкой деятельности по управлению
окружающей средой, что повлияет на увеличение прибыли компании. В качестве
технологий использовались методология гибкой разработки ICONIX, унифицированный
язык моделирования (UML) и инструмент CASE Visual Paradigm версии 5.0.
Ключевые слова: компьютерная система, план охраны окружающей среды, процесс
разработки, методология ICONIX.
Э.К. Мартинес, Э.К. Мартинес, Ю.А. Бланко
ГРАФИЧЕСКИЙ ИНТЕРФЕЙС РАСЧЕТА ДЛЯ ПРОЕКТИРОВАНИЯ
АБСОРБЦИОННЫХ ХОЛОДИЛЬНЫХ СИСТЕМ (АММИАК-ВОДА) С
КОЖУХОТРУБНЫМ ТЕПЛООБМЕННИКОМ
Аннотация. Процесс выбора компонентов, составляющих абсорбционную холодильную
систему (аммиак-вода), является громоздким, учитывая количество необходимой
информации и большой объем необходимых расчетов. Поэтому целью настоящей работы
была разработка компьютерного приложения для ускорения этого процесса. Для его
разработки за основу была взята методология расчета термодинамических параметров и
входящих в нее компонентов. Используя библиотеки, справочники и профессиональный
программный редактор Matlab, в результате исследования был получен графический
интерфейс, облегчающий процесс выбора компонентов, входящих в состав абсорбционной
холодильной системы (аммиак-вода) из труб и кожуха.
Ключевые слова: Графический интерфейс; абсорбционная холодильная система (аммиаквода).
Р.Й. Ромеро, О.Л. Монтеро
СТАТИСТИЧЕСКИЙ АНАЛИЗ ОЦЕНКИ ОБУЧЕНИЯ В ОБРАЗОВАТЕЛЬНОЙ
СРЕДЕ УНИВЕРСИТЕТА МОА
Аннотация. Оценка - важный и неотъемлемый процесс образовательной деятельности охватывает не только процессы преподавания и обучения, но и административные, учебные
и оценочные аспекты. Это имеет большое значение в образовании, и в последние годы, с
развитием новых технологий, растет озабоченность по поводу его применения в
виртуальных средах для образовательных целей. Для разработки настоящего исследования,
текущее состояние оценки в виртуальной обучающей виртуальной среде Moodle (EVEA), в
Университете Моа "Доктор Антонио Нуньес Хименес" было проверено с помощью
226
диагностического инструмента для подтверждения проблемной ситуации, о которой
свидетельствуют результаты, полученные в ходе диагностики.
Ключевые слова: оценка, образовательные учреждения, диагностика.
I.G. Ankudinov, N.S. Doriomedov
ANALYSIS OF COMMON ERRORS WHEN WORKING WITH ASYNCHRONY IN C#
Annotation. Asynchronous operations made it possible to create high-performance applications
that perform many operations without the need to use a large number of threads. However, at the
same time the number of errors allowed in the software has increased and this negatively affects
the program's performance.
The purpose of this article is to analyze various errors which are made when working with
asynchrony in c# language.
Keywords: asynchronous programming, threads, tasks, c#, software bugs.
М P. Afanasyev, E.A. Krotovskaya
THE COMPARATIVE ANALYSIS OF INFLUENCE OF HUMIDITY OF AIR ON
OPERATION PROCESS OF COMPRESSION IN CENTRIFUGAL COMPRESSOR
DURING CALCULATION BASED ON TWO APPROACHES IN MODELING OF GAS
MIXTURES
Abstract. The calculation and comparative analysis of two approaches to modeling process of
compression in the centrifugal compressor of working body represented by wet air is carried out in
the work. The main indicators and values for working bodies, gases are obtained. Interpolation
dependences are given. Calculation of the centrifugal compressor and comparison of the received
indicators for the classical approach and approach on the basis of allocation in calculations of
components for steam in structure of wet air is carried out.
Key words: centrifugal compressor, wet air, modeling.
O.V. Afanaseva, A. Andreichyk
DEVELOPMENT OF A SIMULATION MODEL ON THE EXAMPLE OF JSC MHC
"EUROCHEM"
Abstract. Simulation modeling and its capabilities have long gone beyond solving a number of
tasks related only to the development and decision-making in conditions of uncertainty and risk, as
well as the lack of sufficient information. Currently, its application covers many such system
conditions under which it is impossible to carry out experiments on real objects, for which it seems
necessary to simulate the operation of the system in time. Based on these possibilities, this article
analyses the work of the department for the preliminary acceptance of contracts of JSC MHC
"EuroChem". The simulation model of the department is implemented as a queuing system (QMS)
in the GPSS World environment. According to the results of the study, based on the constructed
simulation model, the necessary number of employees of the department has been established to
improve the efficiency of work, both of the department and the company as a whole. In addition,
the prospects for further use of the developed model and its improvement are determined.
Keywords: simulation model, simulation, queuing system, optimization, GPSS World.
227
O.V.Afanasyeva, A.S.Prokofyev
RESEARCH OF THE MAIN PERFORMANCE INDICATOR OF SOCIALLY
IMPORTANT OBJECT BY METHODS OF SYSTEM ANALYSIS
Abstract. The article presents the results of the analysis of the main indicator of socially
significant object functioning on the basis of using the method of ranking of factors and the
method of multivariate correlation-regression analysis to determine the most significant factors
affecting the educational activities.
Key words: factors, ranking, multivariate correlation and regression analysis.
A. S. Belorusov, E. S. Yudnikova
ANALYSIS OF THE STATE OF SUPPLY AND EXISTING PROBLEMS OF
INVENTORY MANAGEMENT IN TRANSOIL LLC
Abstract. The article gives the organizational and economic characteristics of the company
«Transoil», presents the operational performance of the transport and logistics group, describes the
process of organizing the provision of the company with expensive parts to the places of need for
the repair of cars, analyzes the structure of stocks of parts, the dynamics of supplies of spare parts
and inventory turnover indicators. On the basis of the work carried out, problems in inventory
management were identified to develop practical recommendations for improving the supply
activities at the enterprise.
Keywords: Company, analysis, data, organization, structure, details, inventory, management,
logistics.
D. V. Belyaeva, E. S. Yudnikova
CHOOSING THE CONCEPT OF STOCK CONTROL IN ST. PETERSBURG HEALTH
CARE INSTITUTIONS IN THE DIGITAL ECONOMY
Abstract. The scientific article analyzes the software used in a hospital institution, compares two
different software products in order to optimize the work of the procurement department and
quality inventory accounting at the enterprise. Also, based on the statistical data of the enterprise,
the "minimum-maximum" system is calculated to identify weaknesses in inventory accounting.
Keywords: Inventory, software, minimum-maximum system, medical devices, medicine
L.A. Vedrov, V.A. Navatskaya, S.K. Neyrus
SYSTEM ANALYSIS AND SIMULATION MODELING: OPTIMIZATION OF
PRODUCTION AND LOGISTIC PROCESSES AT INDUSTRIAL ENTERPRISE
Abstract. In the article the influence and importance of the system analysis which is an important
tool in the context of simulation modeling at the industrial enterprises is considered. Systems
analysis allows you to analyze complex systems and processes as a whole, not just their
components. In systems analysis, researchers analyze a system, identify its key components and
the relationships between them, and analyze the effects of external factors on system performance.
The article provides information and examples of how this topic can be used to improve the
productivity and economic efficiency of enterprises.
Keywords: system, research, modeling, system analysis, factors.
228
M.P. Grigorieva
THE USE OF FIRE-RESISTANT FLUIDS TO IMPROVE FIRE SAFETY AT THERMAL
POWER PLANTS
Abstract.The electric power industry is a significant branch of the Russian economy. Due to the
fact that most of the electricity is produced at thermal power plants, ensuring fire safety at them is
a very important task. The article examines the statistics of accidents at industry facilities and
considers one of the measures to increase fire safety – the use of fire-resistant fluids.
Key words: thermal power plants, accidental situations, fire safety, fire-resistant fluids, oil
deterioration.
A.A. Demidov
A SYSTEM STUDY OF AN IT COMPANY'S DEPARTMENT USING
MULTIDIMENSIONAL CORRELATION-REGRESSION ANALYSIS
Abstract. The present scientific article presents the results of a multidimensional correlationregression analysis of performance indicators of the IT company's consulting unit. The study
allowed to identify significant factors affecting the efficiency of the unit's work, as well as to
assess the strength of the relationship between these factors and performance indicators. The
obtained results can be used to optimize the activities of the IT company's consulting unit and
improve its efficiency.
Key words: regression analysis, assessment of performance indicators, business process
optimization, statistical analysis, efficiency improvement.
Ya.A. Ilyukhina
ANALYTICAL STUDIES OF MODERN APPROACHES TO CALCULATIONS AND
MODELING OF WORKING PROCESSES IN A CONTINUOUS REHEATING FURNACE
FOR HEATING LONG-DIMENSIONAL METAL PRODUCTS
Abstract. There are significant opportunities for cost reduction in the Russian steel industry,
especially by improving the energy efficiency of metallurgical furnaces, including the heating
furnaces of hot rolling mills.
The purpose of the study is to analyze existing approaches to improve energy efficiency and
optimize the operation of continuous reheating furnaces of metallurgical enterprises, to analyze
methods for improving the quality of products at the annealing stage, as well as problems that arise
during the operation of furnaces, and existing methods for solving them, both already implemented
in practice, and developed on a theoretical level.
Keywords: continuous reheating furnace, heating of long metal products, temperature field,
mathematical model, automated process control system.
E. K. Korovyakovskiy, M. B. Saburov, S. K. Xudayberganov, R. Ya. Abdullaev
ANALYSIS OF CARGO FLOW OF AGRICULTURAL PRODUCTS OF UZBEKISTAN
FOR AGROEXPRESS TRAINS
Abstract
In this paper the cargo flows are analyzed in Uzbekistan, specialized for transportation in
Agroexpress trains. The purpose of the work is a choice of optimal route for the Agroexpress train,
based on the regional origin of agricultural product flows and transportation distances.
Key words: freight traffic, agricultural products, Agroexpress train, route selection.
229
Y.V. Korovyakovskaya, Y.V. Pakhomova
USE OF ARTIFICIAL INTELLIGENCE IN MANAGEMENT TASKS OF TRANSPORT
AND LOGISTICS COMPLEX
Abstract. The supply chains of multinational companies in the face of international sanctions are
constantly becoming more complex and capacity planning processes are changing. In response to
these challenges, many companies are turning to the use of artificial intelligence (AI) software to
dramatically improve the efficiency of the transportation and logistics complex. This article looks
at advances in AI technology and how they are changing approaches to supply chain management.
Keywords: artificial intelligence, supply chain management, transport and logistics complex.
V.M. Larchenkov, N.G. Yankovskaya, V.A. Bolotin
PROBLEMS AND TRENDS OF TRANSPORT LOGISTICS IN MODERN CONDITIONS
Abstract. The article highlights the features of the functioning of transport logistics during covid
restrictions. The difficulties caused by the sanction’s restrictions imposed on the Russian
Federation are considered. Some trends aimed at overcoming the crisis state of the transport and
logistics industry are presented.
Key words: Transport logistics, covid restrictions, conditions of sanctions, directions of
development of transport logistics.
D.A. Levanovich
ANALYSIS OF THE WORK OF THE DEPARTMENT AS A QUEUING SYSTEM
Abstract. This paper assesses the effectiveness of the enterprise Betarobotics LLC. The data on
the basis of which the analysis is carried out was obtained by studying the data on the number of
incoming applications for the implementation of the project. In this paper, the outstaff department
of the Betarobotics IT company is considered as a queuing system. The purpose of this study is to
develop a simulation model, which in turn will help to assess the quality of the work of the
company department responsible for outstaff.
Key words: forecasting, simulation model, queuing system, modeling, outstaff.
L.U. Litovchenko, I.A. Brigadnov
IMAGE PROCESSING AND ANALYSIS IN ISSUES OF
COMPUTER VISION
Abstract. The article deals with an overview of image processing methods used in computer
vision. The research includes the study of existing approaches and styles of machine learning in
computer vision, analyzing application areas and predicting future trends.
Keywords: computer vision, machine learning, neural networks, image processing, recognition.
А. Panova
ANALYSIS OF THE STAGES OF STEEL PRODUCTION
Abstract. The paper examines the production of steel in an electric steelmaking furnace both at the
world level and in Russia, as well as the development of a conceptual model of steel production.
The object of research in this work is an electric steelmaking furnace. The goal of the work is the
development of a conceptual model of steel production. Within the framework of this study, the
230
main stages of steel production were studied, a conceptual model was built based on expert
assessments and corresponding calculations.
Keywords: electric steelmaking furnace; steel; steel production; arc steelmaking furnace;
conceptual model of steel production; stages of steel melting; technological process of steel
melting; input parameters affecting steel production.
A.S. Panova, R.S.Fedkov, A.V.Gurko
PREDICTIVE DIAGNOSTICS OF INDUSTRIAL EQUIPMENT BASED ON
TECHNICAL SOUNDS RECOGNITION
Abstract. An analysis is made of approaches to solving the problem of predictive diagnostics of
industrial equipment based on systems for recognizing technical sounds using machine learning
algorithms.
Keywords: predictive diagnostics, diagnostic complex, technical condition monitoring, machine
learning, sound recognition, neural networks.
S.Y. Putilo
EVALUATION OF DECISION-MAKING STRATEGIES FOR ANALYZING THE
FUNCTIONING OF THE DEPARTMENT OF THE ORGANIZATION OF
MAINTENANCE OF A GAS TRANSPORTATION ENTERPRISE
Abstract. The paper evaluates decision-making strategies within the framework of the analysis of
the performance of the department of the organization of maintenance of a gas transportation
enterprise. As a result of the analysis of the causes of service failures, three options were proposed
to change the current situation for the better. Classical and derived criteria were used to evaluate
them and select the most effective strategy. The application of the above criteria made it possible
to make a choice in favor of the most preferred strategy.
Keywords: decision-making, industry, strategic management, maintenance, classical and derived
criteria.
R.B. Razyapov, V.E. Zhigalov, A.V. Gurko
A REVIEW OF INDOOR PLACEMENT TECHNOLOGIES
Annotation. The article discusses the current state of IPS technologies and proposes a way to
improve the efficiency of one of the technologies. A brief description of the data transmission
technology is presented, the main advantages and disadvantages are analyzed, including in
comparison with the characteristics, pluses and minuses of technologies. The spheres in which the
technology can be applied are determined. Conclusions are drawn about the degree of knowledge
of technology in the Russian Federation.
Keywords: GPS, Li-Fi, Wi-Fi, RTLS, IPS, data transmission, network technologies, radio waves,
light waves, positioning systems.
D.V. Romashin
INVESTIGATION OF THE PERFORMANCE INDICATORS OF THE UNIT THAT
MONITORS THE OPERATION OF THE CAUCASIAN MINERAL WATERS
PRODUCTION WELL BASED ON THE METHODS OF SYSTEM ANALYSIS
Abstract. For any enterprise, the main goal is profit: more output with less capital expenditure.
The article conducted a study of the Caucasian Mineral Waters producing well using predictive
231
models, as well as an analysis of the influence of factors using multiple correlation and regression
analysis. This made it possible to form conclusions that in the future may affect the increase in the
economic efficiency of the plant for the extraction of hydromineral raw materials.
Key words: automation, neural networks, machine vision, industry, predictive models, multiple
regression method.
A.A. Slavich
ANALYSIS OF METHODS FOR CONTROLLING THE TECHNOLOGICAL PROCESS
OF MIXING PRODUCTS
Abstract: The mixing process is a very important process in various fields of industry, for
example, such as food and chemical. The process consists of mixing, combining two components
using mixing agents that achieve a state of homogeneity for the mixture.
Keywords: mixing process, impellers, mixing fblades, turbulent flow, mixtures.
Y Sudan, A.S. Panova, A.V. Gurko
AUTOMATIC ANALYSIS, RECOGNITION AND SYNTHESIS OF SPEECH
(USING CHINESE AS AN EXAMPLE)
Abstract. The paper proposes a method of automatic translation of spoken speech on the example
of the Chinese language. As the main method for solving the problem of machine learning
algorithms are chosen.
Keywords: voice recognition, natural language processing, speech synthesis, machine learning,
neural networks, acoustic model, machine learning.
T.F. Tuliakov
SYSTEMATIC STUDY OF THE DEMAND FOR THE USE OF ROBOTIC DEVICES FOR
THE TECHNICAL INSPECTION OF POWER LINES
Abstract. The article studies the use of robotic devices for technical inspection of power lines
using predictive models, and also analyzes the influence of factors that are most important when
choosing and implementing a robotic device using multivariate correlation and regression analysis.
Keywords: robotic devices, power lines, predictive models, multiple regression method, demand.
R.S. FEDKOV, A.V. GURKO
INCREASING THE RESISTANCE OF SPEECH BIOMETRIC IDENTIFICATION TO
COMPROMISE BY THE METHOD OF VOICE IMITATION
Abstract. The article analyzes approaches to solving the problem of countering spoofing,
identifies problems in this area and their possible solution. Machine learning was chosen as the
main method.
Keywords: voice recognition, speaker identification, spoofing, machine learning, neural networks.
K.V. Gritsenko, Fedorova E.A.,Fursova E. A.
FOREIGN ECONOMIC AND LOGISTICS ACTIVITIES IN RUSSIA UNDER
THE PARALLEL IMPORT TERMS
Abstract. The relevance of the article is due to the need to monitor the current economic and
political situation in order to have the most reliable information based on official data from state
authorities and comments from leading experts in the field of the world economy and international
232
logistics. The purpose of the work was to research the possibilities, rules and methods of
organizing foreign economic and logistics activities in the Russian Federation in 2023 under the
parallel import terms.
Keywords: foreign economic activity, logistics, parallel import, international anti-Russian
sanctions.
A.B. Khasanov, K.N. Normurodov, N.S. Rakhmatullaeva
INTEGRATION OF A NONLINEAR SINE-GORDON TYPE EQUATION WITH
ADDITIONAL MEMBERS IN THE CLASS OF PERIODIC FUNCTIONS
Abstract. In this paper, the inverse spectral problem method is used to integrate a nonlinear sineGordon type equation with an additional term in the class of periodic infinite-gap functions. The
solvability of the Cauchy problem for an infinite system of Dubrovin differential equations in the
class of three times continuously differentiable periodic infinite-gap functions is proved. It is
shown that the sum of a uniformly convergent functional series constructed by solving the system
of Dubrovin equations and the first trace formula satisfies sine-Gordon-type equations with an
additional term.
Keywords. Sine-Gordon type equations, Dirac operator, spectral data, Dubrovin's system of
equations, trace formulas.
V.V. Chirtsov
STUDY OF THE EFFECTIVENESS OF A STRUCTURAL UNIT OF AN INDUSTRIAL
ENTERPRISE USING SIMULATION MODELING METHODS
Abstract. This paper considers the application of simulation modeling methods in the GPSS
world environment to study the effectiveness of the scientific and technical department, which is a
structural unit of an industrial enterprise. On the basis of the developed model analysis the
conclusions were made about the most important indicators of the system for a decision maker and
the variant of increasing the efficiency of the department operation was presented.
Keywords: simulation modeling, structural division, analysis, research, modeling, model, mass
service system.
N. A. Shatilova
OVERVIEW OF PROBLEMATIC ISSUES OF THE DIGITAL TWIN
Abstract. The concept of a digital double is becoming more in demand every year. Despite the
fact that it has been known since the 90s, a large number of questions arise in relation to this
technology. In this paper, the key problems of the digital twin related to the definition, structure,
security, implementation, etc. are considered.
Keywords: digital twin, digital technologies, industry 4.0.
O.V. Shishkina, D.V. Kutlemblebytov, A.V.Gurko
FINANCIAL SITUATION OF THE ENTERPRISE AND MACHINE LEARNING
METHODS
Annotation. The article presents methods for assessing the financial condition of the enterprise
using the example of the financial statements of Russian companies. The relevance of development
is justified by the need for market for daily decision -making in relation to organizations, trends in
their development or bankruptcy. The work uses Python programming language and machine
learning methods. The methods of clustering and classification of data are investigated and
233
mathematically substantiated. Clustralization decisions are presented on the graphs. The practical
significance of the work lies in the fact that these methods of machine learning can be applicable
to assess the financial condition of the enterprise.
Keywords: financial situation of enterprises, economic assessment, machine learning, data
analysis.
N.N. Shpazhnikova
APPLICATION OF MATHEMATICAL METHODS TO IDENTIFY KEY FACTORS
AFFECTING AN ENTERPRISE'S ACTIVITY
Abstract. The development of the construction industry has many significant advantages for the
formation of positive trends in the economic and social spheres. The construction process directly
depends on a large number of factors. Identification of the most significant factors plays a key role
in the development of an enterprise strategy. An aprioristic ranking and correlation analysis are
used to solve this problem.
Keywords: a priori ranking, correlation analysis, mathematical methods, company, technical
equipment, technical service.
A.A. Yudentsova
IMPLEMENTATION OF CORRELATION AND REGRESSION ANALYSIS METHODS
TO ASSESS THE EFFICIENCY OF THE COMPANY
Abstract. Important directions of the Russian Federation’s transport strategy are the development
of a stable railway transport infrastructure. It’s necessary that the shipping will be timely and
accurately. It’s required to ensure prompt processing of requests for transportation to achieve
results. Various factors can influence of processing an application, in order to assess the degree of
their influence and identify the most informative indicators, let's turn to a correlation-regression
analysis.
Keywords: correlation analysis, regression analysis, mathematical methods, company, logistics.
234
АВТОРЫ СТАТЕЙ
Agota Junia Sánchez - Ingeniera Informatica, professor University of Moa «Dr.
Antonio Núñez Jiménez», Cuba
Blanco Yadira Arguelles - Master en Education Superior, Ingeniera en Ciencias
Informatica, Yefa de la Zarrera Ingenieria Informatitsa.
Martinez Elijeski Cruz - Master en Electrometsánica, Ingeniero Eléctrico, professor
University of Moa «Dr. Antonio Núñez Jiménez», Cuba
Martinez Ernesto Cruz – Ingeniero Metalurgyso, professor University of Moa «Dr.
Antonio Núñez Jiménez», Cuba
Montero O.L. - University of Moa «Dr.Antonio Núñez Jiménez», Cuba
Proenza Silva Exnider - Ingeniera Informatica, professor University of Moa «Dr.
Antonio Núñez Jiménez», Cuba
Romero R.Y. - University of Moa «Dr.Antonio Núñez Jiménez», Cuba
Абдуллаев Рустам Якубович – кандидат экономических наук, доцент
Ташкентского государственного транспортного университета, Узбекистан
Андрейчук Амина – студентка, ФГБОУ ВО «Санкт-Петербургский горный
университет», Россия
Анкудинов Иван Георгиевич - кандидат технических наук, доцент ФГБОУ
ВО «Санкт-Петербургский горный университет», Россия
Афанасьев Михаил Петрович – доцент, ФГБОУ ВО «Государственный
университет морского и речного флота имени адмирала С.О. Макарова»
Афанасьева Ольга Владимировна – кандидат технических наук, доцент,
ФГБОУ ВО «Санкт-Петербургский горный университет», Россия
Белорусов Артем Сергеевич – главный специалист отдела материально –
технического обеспечения ООО «Трансойл», Россия
Беляева Диана Владиславовна – менеджер отдела закупки СПб ГБУЗ
«Городская больница № 40», Россия
Болотин Валерий Алексеевич – кандидат технических наук, профессор
ФГБОУ ВО «Петербургский государственный университет путей сообщения
императора Александра I», Россия
Бригаднов Игорь Альбертович - профессор ФГБОУ ВО «СанктПетербургский горный университет», Россия
Ведров Лев Александрович – ученик, Частное общеобразовательное
учреждение «Школа «Шамир», Россия
Григорьева Мария Павловна – студентка ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Гриценко Карина Владимировна - студентка ФГБОУ ВО «Петербургский
государственный университет путей сообщения императора Александра I»,
Россия
Гурко Андрей Владимирович - кандидат технических наук, доцент ФГБОУ
ВО «Санкт-Петербургский горный университет», Россия gurko_av@pers.spmi.ru
Демидов Антон Александрович - студент, ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
235
Дориомедов Никита Сергеевич, студент ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Жигалов Владимир Евгеньевич
- аспирант ФГБОУ ВО «СанктПетербургский государственный университет промышленных технологий и
дизайна»
Ильюхина Яна Алексеевна - студентка ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Коровяковская Юлия В. - доцент ФГБОУ ВО «Петербургский
государственный университет путей сообщения императора Александра I»,
Россия
Коровяковский Евгений Константинович – кандидат технических наук,
профессор ФГБОУ ВО «Петербургский государственный университет путей
сообщения императора Александра I», Россия
Кротовская Екатерина Андреевна – студентка ФГБОУ ВО «Государственный
университет морского и речного флота имени адмирала С.О. Макарова»
Кутлембетов Данил Вадимович - студент ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия, s212247@stud.spmi.ru
Ларченков Валерий Максимович – студент ФГБОУ ВО «Петербургский
государственный университет путей сообщения императора Александра I»,
Россия
Леванович Дарья Александровна - студентка ФГБОУ ВО «СанктПетербургский горный университет», Россия
Литовченко Лидия Юрьевна - студентка ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Навацкая Вероника Алексеевна студентка ФГБОУ ВО «СанктПетербургский горный университет», Россия
Нейрус Семён Константинович - студент, ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Нормуродов Хожимурод Нормуминович - аспирант Самаркандского
государственного университета, Узбекистан, normurodov.96@bk.ru
Панова Анастасия Анатольевна – студентка ФГБОУ ВО «СанктПетербургский горный университет», Россия
Панова Анастасия Сергеевна - студентка ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Пахомова Юлиана В. - студентка ФГБОУ ВО «Петербургский
государственный университет путей сообщения императора Александра I»,
Россия
Прокофьев Андрей Сергеевич - студент ФГАОУ ВО «Санкт-Петербургский
государственный университет аэрокосмического приборостроения», Россия
Путило Станислава Юрьевна - студентка ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Разяпов Радмир Борисович - студент ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
236
Рахматуллаева Нозима Шодикуловна - аспирант Самаркандского
государственного университета, Узбекистан, nozima.raxmatullayeva@mail.ru.
Ромашин Даниил Васильевич– студент ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Сабуров Мардонбек Баходирович – аспирант ФГБОУ ВО «Петербургский
государственный университет путей сообщения императора Александра I»,
Россия
Славич Андрей Александрович - студент ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Судань У - студентка ФГБОУ ВО «Санкт-Петербургский горный
университет», Россия
Туляков Тимур Фаритович– студент ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Федьков Роман Сергеевич - студент ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Федорова Елена Алексеевна – студентка ФГБОУ ВО «Петербургский
государственный университет путей сообщения императора Александра I»,
Россия
Фурсова Елена Алексеевна – кандидат экономических наук, доцент, ФГБОУ
ВО «Петербургский государственный университет путей сообщения
императора Александра I», Россия
Хасанов
Акназар
Бекдурдиевич
профессор
Самаркандского
государственного университета, Узбекистан, ahasanov2002@mail.ru.
Худайберганов Сакижон Кабулжанович - -кандидат технических наук,
доцент Ташкентского государственного транспортного университета,
Узбекистан
Чирцов Всеслав Вячеславович - студент ФГБОУ ВО «Санкт-Петербургский
горный университет», Россия
Шатилова Наталья Александровна - студентка ФГБОУ ВО «СанктПетербургский горный университет», Россия
Шишкина Ольга Владимировна - студентка ФГБОУ ВО «СанктПетербургский горный университет», Россия, email: s200234@stud.spmi.ru
Шпажникова Наталия Николаевна – студентка ФГБОУ ВО «СанктПетербургский горный университет», Россия
Юденцова Анна Александровна – студентка ФГБОУ ВО «СанктПетербургский горный университет», Россия
Юдникова Елена Сергеевна – проф., д.э.н., проф. ФГБОУ ВО «Петербургский
государственный университет путей сообщения императора Александра I»,
Россия
Янковская Наталья Григорьевна – кандидат технических наук, доцент
ФГБОУ ВО «Петербургский государственный университет путей сообщения
императора Александра I», Россия
237
Научное издание
АНАЛИЗ И ПРОГНОЗИРОВАНИЕ СИСТЕМ
УПРАВЛЕНИЯ В ПРОМЫШЛЕННОСТИ,
НА ТРАНСПОРТЕ И В ЛОГИСТИКЕ
Труды
XXIII Международной научно-практической конференции
молодых учёных, студентов и аспирантов
Санкт-Петербург, 18–20 апреля 2023 г.
Подписано в печать 07.04.2023. Формат 60×84/16. Печать цифровая.
Усл. печ. л. 14,88. Тираж 150. Заказ 077.
Выпущено ООО «Медиапапир»
с готового оригинал-макета, предоставленного заказчиком
194021, Санкт-Петербург, ул. Политехническая, д. 28, литера А,
помещ. 3-н, ком. 184, 185, 188, 192, 193, 194. Тел.: (812) 987-75-26
mediapapir@gmail.com www.mediapapir.com www.mediapapir.ru
