Учебное пособие 2125

Входными данными для определения нештатных ситуаций являются входные данные с датчиков системы телемеханики о состоянии газораспределительной сети:

–Pвход – давление газа (кг/см2);

–Tвход – температура газа на входе (° C)

–Твоздух – температура воздуха (° C)

Уставки задают значения технологических границ для значений аналоговых параметров. Значения уставок задаются для каждой ГРС, в зависимости от технологических особенностей процесса.

Аварийные границы включают также верхнюю и нижнюю аварийные границы. Если рабочее значение находится в данном диапазоне, то система находится в аварийном состоянии. Возможные границы включают верхнюю возможную границу (ВВГ) и нижнюю возможную границу (НВГ), и отражают значения, в которых может находиться система, но только в критических ситуациях [2]. Таким образом, можно представить технологические границы следующим образом:

где X – оптимальное рабочее значение;

YНВГ – уставка нижняя возможная граница;

YНАГ – уставка нижняя аварийная граница;

YНТГ – уставка нижняя технологическая граница;

YВТГ – уставка верхняя технологическая граница; YВАГ – уставка верхняя аварийная граница; YВВГ – уставка верхняя возможная граница.

Технологические уставки обычно устанавливают в диапазоне 10% от оптимального рабочего значения, аварийные на 12% от оптимального значения.

Для учета погрешностей вводят зазоры коррекции для технологических и аварийных границ:

ТГ –зазор коррекции технологических границ ( 1% ) ; АГ –зазор коррекции аварийных границ ( 1.2% ).

Величина технологических и аварийных границ зависит от назначения и режимов работы газопровода, таким образом технологические границы для газопроводов – отводов значительно выше, чем у линейной части газопровода,

из-за возможных реверсивных потоков.

Возможные технологические границы отражают критические значения режимов работы газопровода. Они зависят от максимального значения давления на данном участке, толщины стенок трубы, длины газопровода и допустимого падения давления газа в трубе.

Для расчета возможных границ необходимо учитывать различные критерии, такие как падение давления на участке казовой сети и толщина стенок газопровода. Нижние и верхние возможные технологические границы определяются при проектировании газопровода и газораспределительной станции и соответствуют значениям ГОСТ Р 54983-2012.

30

В случае если оптимальное рабочее значение переменной неизвестно, его можно высчитать на основании известных границ. Рассчитать оптимальное значение давления и температуры можно из условия, что значение х будет значительно далеко от верхней возможной границы YВТГ и нижней возможной границы YНТГ.

где P – давление в трубе, кг/см2;

YНТГ – уставка возможная технологическая граница, кг/см2;

YВТГ – уставка возможная технологическая граница, кг/см2;

Аналогично вычисляется оптимальное значение температуры газа в трубе: f(T) → min ( |max(T −YНВГ) − ( max(YВВГ −T)|),

где T – температура газа в трубе, ° C.

НТГ – уставка возможная технологическая граница, ° C ;

YВТГ – уставка возможная технологическая граница, ° C.

На первом шаге работы алгоритма необходимо выставить технологические уставки для каждой ГРС. Данные о состоянии поступают с пункта управления комплекса.

Для удобства наблюдения за расходом газа вводим переменные MNorth, MSouth, MWest, MEast. четырем направлениям. На каждой ветке установлен пункт телемеханики, собирающий данные. Переменные MNorth, MSouth, MWest, MEast суммируют расход газа по каждой ветке. Далее каждая переменная сравнивается с технологическими границами, и в случае несоответствия, формируется запрос к базе знаний о нештатной ситуации. После проверяются аварийные границы и аналогично формируется запрос.

В случае нештатной или аварийной ситуации выдается сообщение об аварийной ситуации. Проверка данных с ГРС аналогична проверке контрольных сумм. В случае отклонения переменных P отражающей давление газа в трубе, T воздуха показывающую температуру воздуха на ГРС и Т – температуры проходящего по трубе газа, от технологических границ формируется запрос о нештатной ситуации к базе знаний. Также начинается проверка датчиков по конкретной ГРС: проверяется соответствие средним значениям датчиков давления pi, температуры ti и плотности проходящего газа qi.

Литература 1. Гусев М.А. Основы создания интеллектуальных систем мониторинга и

поддержки принятия решений диспетчером при управлении многониточным магистральным газопроводом / М.А. Гусев. – Вологда: ВГТУ, 2008. – С. 32.

2. Унифицированный комплекс телемеханики / И.Р. Бухвалов, А.В. Коротышев, В.Е. Костюков, О.В. Сучков и др.; под ред. И.Р. Бухвалов. – М.: Территория «Нефтегаз», 2004. – С. 231.

ФГБОУ ВО «Ворнежский государственный технический университет», Россия

31

УДК 681.3

А.Г. Грошев

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СФЕРЕ МУЛЬТИКОПТЕРОВ

В настоящее время можно наблюдать активное применение на практике

Исследования связаны с механикой, теорией управления, теорией передачи информации, компьютерной графикой, обработкой изображений, теориями, базирующимися на искусственном интеллекте [2], когнитивными науками и др.

Когда рассматриваются задачи планирования траектории, то полезным может быть применение искусственного интеллекта.

При этом формулируют задачу, в которой есть поиска путей на графах. Агент размещается в определенных фиксированных точках. Им ставятся

в соответствие вершины в графах.

Элементарные траектории, которые позволяют соединять места размещения агентов, будут ребрами. Они демонстрируют возможные переходы среди вершин.

Если рассматривать общий случай, то задача, связанная с планированием

вслучае множества агентов будет являться NP-сложной.

Сточки зрения возможностей решения на современных персональных компьютерах эта задача имеет ограничения. Число агентов должно быть небольшим. Также размер графа должен быть ограничен.

Тогда есть возможности для того, чтобы получать оптимальные решения Но обычно тем, кто стремится моделировать реальные ситуации, приходится сталкиваться с характеристиками, выходящими за требуемые

рамки.

При решении задачи можно опираться на децентрализованный подход [3]. Процесс планирования состоит в том, что траектория строится независимым образом для каждого из агентов. Затем происходит

централизованное согласование траекторий между собой.

Существуют специализированные алгоритмы, которые имеют высокие скорости [4]. Но есть возможности для функционирования подобных алгоритмов в некоторых условиях.

Для определенных вершин в графе должен быть конфликт среди индивидуальных траекторий. Тогда алгоритм работает.

Сточки зрения практической реализации, траектории получаются такие, которые будут лишь частичным образом привязаны к топологиям графов.

32

Опорными точками траектории будут вершины графов. Конфликты могут появляться вне вершин.

В этой связи представляет интерес проведение разработок и новых подходов и методик, связанных с планированием траекторий в случае, когда есть множество беспилотных транспортных средств.

Концептуальная схема формирования информационных систем в данной сфере может рассматриваться в виде организации системных форм взаимодействия по всем видам беспилотных аппаратов, а также максимально эффективного использования транспортного ресурса.

Литература

1. Грошев А.Г. Анализ методов управления мультикоптерами / А.Г. Грошев // Вестник Воронежского института высоких технологий. - 2018.

-№ 4 (27). - С. 51-53.

2.Применение интеллектуальных технологий в информационноизмерительных системах / И.Г. Чернышов, Д.Г. Тимохин, Г.В. Сысоев, А.В. Шапаев // Вестник Воронежского института высоких технологий. - 2018.

-№ 1 (24). - С. 95-98.

3. Львович И.Я. Проблемы создания интеллектуальных систем / И.Я. Львович, Н.Е. Кравцова, Ю.Л. Чупринская // Вестник Воронежского института высоких технологий. - 2018. - № 2 (25). - С. 13-15.

4.Преображенский Ю.П. Некоторые этапы истории развития информатики

ивычислительной техники / Ю.П. Преображенский, Д.В. Жилин // Вестник Воронежского института высоких технологий. - 2018. - № 3 (26). - С. 37-39.

АНОО ВО «Воронежский институт высоких технологий», Россия

УДК 681.3

В.Н. Кострова, Т.А. Цепковская

ПРИМЕНЕНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В ОБРАЗОВАТЕЛЬНОЙ СФЕРЕ

Обучение на базе традиционных образовательных технологий в последнее время заменяется инновационными технологиями, в том числе, базирующимися на информационных технологиях [1].

Если раньше люди получали образование, и его им хватало в пределах всей жизни, то сейчас им приходится непрерывным образом учиться.

Образование проходит красной нитью через всю жизнь.

Связано это с тем, что существуют процессы глобализация, наблюдается ускорение в научно-техническом прогрессе.

Быстрым образом происходят изменения в различных аспектах сторон общественной жизни.

33

Люди должны проходить подготовку, переподготовку или повышение квалификации. Причем это относится к большим группам людей.

Проведение решения подобных проблем возможно с привлечением информационных технологий [2].

Среди них сейчас выделяют дистанционные технологии. На их основе можно вести обучение в любом месте страны. При этом реализуется широкий круг образовательных программ. Они адаптируются к тем, какие потребности, временной график и другие требования обучающихся.

Вдистанционное обучении есть разные направления.

Вкейсовом подходе применяются кейсы. Они формируются при помощи текстов учебных материалов, аудиоматериалов, видеоматериалов и др.

Ведется рассылка для обучающихся. Они самостоятельным образом изучают представленные материалы. При этом им помогают тьюторы в соответствующих учебных центрах.

При помощи интернет-технологий обеспечивается возможность для доступа

кматериалам в сети. За счет телекоммуникаций осуществляется поддержка взаимодействия среди преподавателей и обучающихся.

Технологии могут комбинироваться. Тогда могут сочетаться например личные консультации тьюторов и передача при помощи телекоммуникационных технологий соответствующих учебных материалов.

Вамериканской модели рассматриваются возможности для того, чтобы осуществлялось групповое обучение.

При этом поддерживается синхронная связь преподавателей и обучающихся для режима реального времени. Преподаватели при этом располагаются в центре.

Вбританской модели рассматриваются возможности индивидуального

изучения. При этом формируется асинхронная связь. Обучающийся располагается в центре.

В существующих условиях можно говорить о том, что подобные модели сближаются.

Сейчас уже недостаточно говорить даже о присутствии просто компьютерных презентаций. На базе технологий компьютерной графики, интерактивной разработки, могут быть использованы технологии виртуальной и дополненной реальности [3, 4].

Литература

1.Жулябин Д.Ю. Инновации и инновационные технологии в образовании

/Д.Ю. Жулябин, Р.Р. Ямлиханов // Вестник Воронежского института высоких технологий. - 2018. - № 3 (26). - С. 107-109.

2.Choporova E. Information system of assessment rating tool of student’s

knowledge when learning a foreign language / E. Choporova, A. Preobrazhenski, E. Alferenko // Information Technology Applications. - 2017. - № 2. - С. 106-117.

34

3.Кравцова Н.Е. Некоторые характеристики дополненной реальности / Н.Е. Кравцова, А.П. Преображенский // Вестник Воронежского института высоких технологий. - 2018. - № 4 (27). - С. 70-72.

4.Кравцова Н.Е. О проблемах использования виртуальной реальности / Н.Е. Кравцова, А.П. Преображенский // Вестник Воронежского института высоких технологий. - 2018. - № 4 (27). - С. 67-69.

АНОО ВО «Воронежский институт высоких технологий», ФГБОУ ВО «Воронежский государственный технический университет»,

Россия

УДК 004.94

М. В. Куркчи, Ю. В. Доронина

АНАЛИЗ ДОСТОВЕРНОСТИ ИМИТАЦИОННОЙ МОДЕЛИ ТЕХНИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ ЦЕПИ МАРКОВА

Исследование функционирования технической системы на основе модели Маркова предполагает наличие дискретных состояний xn, вероятностных переходов между ними pij и непрерывного времени функционирования t. Для описания и моделирования систем существует множество математических пакетов и технологий, но излишня их гибкость усложняет использование таких программ (MATLAB, GPSS, AnyLogic). Для исследования выше описанных Марковских моделей был разработан специализированный программный комплекс.

При моделировании реальных систем существует ограничение на ресурсы такие как время и размерность выборки. Отсюда возникает задача проверки достоверности на ограниченной выборке. Самым простым подходом исследование восстанавливаемости модели является генерация множества длинных цепочек случайных блужданий, их последующее восстановление с проверкой результатов (рис. 1).

Рис. 1. Простейшая проверка восстанавливаемости

35

Как видно вероятности переходов восстановленной модели в значительной степени совпадают с исходной моделью. Такая модель была восстановлена 10ю цепочками по 200 шагов случайных блужданий в каждой, допустимая погрешность задана на величине 0.05.

Чтобы одна модель могла покрывать случаи с достаточно контрастными вероятностями переходов необходимо регулировать параметр уровня погрешности, однако его изменение для всей модели является не целесообразным и увеличивает количество вычислений. Сбалансированным решением будет использование различных погрешностей для каждого отдельного перехода.

Более подробной проверкой устойчивости модели является итеративное восстановление. В данном случае после процесс восстановления воспринимается как вычисление через приближения.

С целью изучения известной модели на степень влияния допустимых погрешностей, количества шагов в цепочке, самих цепочек и этапов восстановления можно воспользоваться режимом восстановления. Восстановленная таким образом модель может показывать как улучшение устойчивости по сравнению с промежуточной моделью 1-го порядка, так и расхождение вплоть до вырождения части переходов. Модель, представленная ранее на рис. 1, восстановленная с 20ю этапами показана на рис. 2.

Рис. 2. Сравнение влияния количества этапов восстановления на модель

Еще одна группа экспериментов проводилась в предположении о наличии множества состояний системы и исследовались события с кратковременными отказами. В табл. 1 показаны исходные вероятности переходов. Анализ данных (табл. 2) показывает расхождение с исходными значениями переходных вероятностей.

Таблица 1 Матрица переходов системы с кратковременными отказами

36

Таблица 2 Восстановленная матрица переходов системы с кратковременными

отказами

Табл. 3 содержит обобщенные данные по моделированию системы при 100 и 200 шагах в каждой цепочке. Под шагами понимается максимальное количество случайных блужданий в Марковской цепи.

Таблица 3 Сравнение результатов моделирования марковского процесса при 100

и 200 шагах

На рис. 3 изображены средние значения по всем реализациям относительно исходных значений вероятностей переходов, видны незначительные расхождения при изменении числа шагов процесса.

37

1Шаговпроцесса100

Шаговпроцесса200

0,5

0

Рис. 3. Средние значения по всем реализациям относительно исходных значений вероятностей переходов

Под средними значениями по всем реализациям понимается усредненные вероятности восстановленных переходов между указанными состояниями. Как видно из рисунка увеличение количества шагов со 100 до 200 лишь незначительно влияет на значения вероятностей некоторых переходов.

Нормированные отклонения вероятностей переходов из начального состояния S0 относительно числа реализаций процесса (рис. 4).

1,5

S0-S0 S0-S1 S0-S3 S0-S4

1

0,5

0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 100 120 150

Рис. 4. Нормированные отклонения вероятностей переходов от исходных значений

Для оценки точности принималась во внимание оценка дисперсии:

0,002

0

S0-S0 S0-S1 S0-S3 S0-S4 S1-S1 S1-S2 S2-S0 S2-S2 S3-S0 S3-S3 S4-S0 S4-S1

Рис. 5. Изменение отклонения вероятностей переходов относительно числа реализаций

Восстановление параметров модели путем получения вероятностей переходов на основе процесса случайных блужданий позволило построить

38

статистический портрет для каждого перехода. Так для модели представленной на рис.1 восстановленные параметры модели дают точность = 0.5764 и две вероятности переходов, имеющих отклонения от исходных данных более чем = 0.01 при 200 шагах.

Литература

1.Жуковский В.И. Риск в многокритериальных и конфликтных системах при неопределенности / В.И. Жуковский, Л.В. Жуковская. - М.: Едиториал УРСС, 2004. - 272 с.

2.Флейшман Б.С. Элементы теории потенциальной эффективности сложных систем / Б.С. Флейшман. - М.: Сов. радио, 1971. - 225 с.

3.Эдельмаи В.И. Надежность технических систем: Экономическая оценка / В.И. Эдельмаи. - М.: Экономика, 1988. - 151 с.

4.Эндрени Дж. Моделирование при расч тах над жности в электроэнергетических системах / Дж. Эндрени. - М.: Энергоатомиздат, 1983. - 336 с.

5.Райншке К. Оценка надежности систем с использованием графов / К. Райншке, И. Ушаков. – М.: Радио и связь, 1988. – 208 с.

ФГАОУ ВО «Севастопольский государственный университет», Россия

УДК 004.41

А.Э. Куркчи, Ю.В. Доронина

ПРОГРАММНЫЙ КОМПЛЕКС ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ НАДЁЖНОСТИ СЛОЖНЫХ СИСТЕМ

Имитационное моделирование представляет собой метод исследования, при котором система заменяется некоторой моделью, которая с достаточной точностью описывает реальную систему. Существующие системы имитационного моделирования не имеют графической интерпретации (GPSS) или требуют навыков разработки на языке Java от конечного пользователя (AnyLogic). Необходим специальный комплекс для моделирования сложных систем, требующих метод статистических испытаний.

Марковский процесс описывает поведение стохастической системы, в которой наступление очередного состояния зависит только от непосредственно