ПРИМЕНЕНИЕ КЛАСТЕРНОГО АНАЛИЗА ДЛЯ ОБРАБОТКИ ОШИБОЧНЫХ СРАБАТЫВАНИЙ С УЧЁТОМ ПРИОРИТЕТОВ ПАРАМЕТРОВ

Благодаря повсеместному развитию технологий и распространению доступности сети Интернет у любого приложения, изначально не рассчитанного на определённое количество пользователей, что является стандартным показателем для корпоративных информационных систем, есть потенциальная возможность быть распространённым на огромное количество пользователей. В данных условиях, что особенно актуально для мобильных платформ, разнообразие условий и платформ приводит к тому, что протестировать такие приложения и полностью покрыть тестами всю функциональность с учётом всех условия является непосильной задачей в ходе разработки.

В таких условиях разработчики предоставляют пользователям возможность самим сообщать о неправильных срабатываниях или работе продукта. Таким образом, реализовывается два фактора: наличие обратной связи с пользователями и постепенное покрытие всех возможных сценариев за счёт самих пользователей. Проблемой является то, что пользователя не являются квалифицированными специалистами и не могут понять в каком случае они увидели особенность работы системы, сбой системы по внешним причинам, действительно

Лог (англ. log) — файл с записями событий, сведениями о них с учётом хронологического порядка. В логах может описываться как внешние воздействия по отношению к данной системе(например, подключение внешнего пользователю), так и события происходящие внутри самой системы и описывающие её внутренние процес-

сы.[12]

С помощью журналов событий (логов) разработчики системы могут получить подробную информацию о работе системы. И на основе этих данных судить о показателях системы, проблемных местах. Также в логах может описываться пользовательская статистика, которая позволяет оценить продукт не только со стороны быстродействия, качества, но и со стороны того, какие возможности продукта нравятся пользователю, какие нет.

На основе полученных данных можно провести следующие шаги анализа продукта:

1. Создание рекомендательных систем на основе действий пользователя

ошибку функционирования или же направили сообщение по субъективным причинам. Вследствие этого, необходимо не только предоставить пользователям инструмент для обратной связи, но и организовать анализ данных обращений. [1].

Внастоящий момент применение концепции распределённых ИС стало стандартом при проектировании, разработке и эксплуатации систем. Также под распределённые ИС стал подстраиваться

ипроцесс тестирования программного обеспечения. Тестирование такого рода ИС осложняется следующими факторами:

- Многообразие платформ(аппаратных, программных)

- Большое количество пользователей - Увеличение количества маловероятных

сценариев действий пользователя - Многокомпонентность распределённых

ИС

Вподобных ситуациях в проект внедряется инструментарий, позволяющий сообщить об ошибке работы программы от пользователя, автоматически оформляющееся как ошибка в функционировании.

2.Сбор данных о действиях пользователей

исоздание агрегированных отчетов

3.Улучшение программного продукта на основе данных о взаимодействии пользователя с продуктом

4.Сбор данных о работе программного продукта и проведение анализа производительности

5.Сбор данных о ключевых параметрах программного продукта и их ана-лиз для предотвращения ухудшения функционирования продукта в ходе разработки.

Типологический анализ (ТА) — один из методов решения задач, возникающих при анализе социально-экономической, статистической, несортированной информации. В данной работе он будет применяться к анализу логов пользователей для более точного определения типа проблемы, который пользователь в силу неосведомлённости не может указать.

Исходными данными в условиях данной проблемы является выборка, в которой каждая за-

пись содержит информацию об условиях. Пользователь посчитал, что в данных условиях результат функционирования системы является ошибочным. ТА позволит сначала определить тип проблемы, и в совокупности с последующими методами определить насколько вероятно то, что данная запись действительно содержит информацию об ошибке функционирования.

Первичная информация, получаемая в данном случае изначально представляется в виде набора данных, в которых часть содержит данные свойственные только данному пользователю(данные объекта), другая – данные об условиях (признаки). Поскольку большинство признаков порознь являются малоинформативными, возникает необходимость создания на их основе обобщающего качественного признака. Построение таких обобщенных признаков, как функций от исходных — важный этап типологического анализа.

Метод обобщенных индикаторов состоит в преобразовании большого числа исходных качественных признаков в пространство небольшого количества обобщенных характеристик, называемых индикаторами, к которым и применяются методы классификации. Трудности такого подхода обусловлены недостатком априорных знаний, необходимых для построения отвечающих целям исследования индикаторов; отсутствием в исходных признаках тех, которые могли бы служить основой для требуемых индикаторов. Разбиение пространства признаков конструируется исследователем из теоретических посылок, которые в конкретных социологических исследованиях носят характер рабочих гипотез. В итоге даже те индикаторы, построение которых не вызывает затруднений, имеют субъективный характер.

Решением задачи кластерного анализа является разбиение, удовлетворяющее некоторому условию оптимальности. Этот критерий может представлять собой некоторый функционал, выражающий уровни желательности различных разбиений и группировок. Этот функционал часто называют целевой функцией. Задачей кластерного анализа является задача оптимизации, т.е. нахождение минимума целевой функции при некотором заданном наборе ограничений. Примером целевой функции может служить, в частности, сумма квадратов внутригрупповых отклонений по всем кластерам.

Традиционно результаты кластерного анализа номинальных признаков представляются в виде дендрограммы. При этом подразумевается, что уровень, на котором происходит объединение (слияние) двух групп признаков в одну, есть расстояние или степень взаимосвязи этих групп. Пересчет расстояния между вновь созданной и уже существующими группами осуществляется по одной из возможных формул [9]. Такой пересчет сохраняет смысл расстояния только между группами числовых признаков. Для групп номинальных признаков смысл степени взаимосвязи при этом теряется. Таким образом, только уровень объединения двух

93

отдельных признаков на дендрограмме имеет смысл степени взаимосвязи между ними. Уровень объединения одного признака с группой, либо двух групп признаков, не есть степень взаимосвязи между ними. Это некоторая условная величина, необходимая для дальнейшей работы процедуры кластерного анализа. Для определения степени взаимосвязи нескольких признаков существуют специальные методы

Для определения вероятности достоверности пользовательского обращения мы изначально приводим данные к признакам, описыващимися параметрами логического(булевого) типа. А после высчитываем коэффициент корреляции булевых функций, на основе которого подсчитывается вероятность достоверности:

,

1 с( f , g) 100% ,

где - вероятность достоверности пользовательского обращения.

Результатом обработки является выборка, которую графически можно представить следующим образом:

Графическая модель представления обработанных данных

где точки A,B,C – записи пользователей, луч – принадлежность определённому типу ошибки, положение относительно центра луча – вероятность достоверности пользовательского обращения Информационная подсистема, связанная с источниками статистических данных обеспечивает отображение результата с учётом вероятности наличия ошибки, основываясь не на конкретных показателях, а комбинации экспертной оценки и методов кластерного анализа позволило получить выборки, благодаря которым, аналитики могут сконцентрировать своё внимание сразу на записях,

которые были отмечены системой. Литература

1. Типология и классификация в социологических исследованиях. М : Наука, 1982.

Стремительное мировое развитие информационных технологий в разных аспектах деятельности человека в полной мере затронуло во всем мире и транспортную отрасль.

Большая часть проблем в автомобильных грузоперевозках возникает из-за нехватки времени, ресурсов, что является результатом нерационального планирования. Помимо этого, существуют транспортные процессы, которые в первую очередь нуждаются в автоматизации [1].Такие как маршрутизация, алгоритмы планирования, классификации, формирования заданий, управление заказами, оформление сопроводительной документации, механизм выбора автотранспорта и др.

Механизм выбора автотранспортного средства под определенный заказявляется одной из важнейших многокритериальных задач выполнения грузоперевозки.

Таким образом, разработку данного механизма начнем с анализа параметров заказов на грузоперевозку.

Пусть представлено N критериев, отвечающих за грузоперевозку применительно к заказчику и исполнителю, такие критерии называются частными критериями:

( )( ), = 1,2, … ,

где, – n-мерная векторная переменная, координаты которой представляют управляемые параметры для задачи многокритериальной оптимизации в рамках анализируемого заказа, т.е.

= (1, 2, … , );

( )( ) – функция n переменных формализуемая в качестве одного из частных критериев = 1,2, … .

Так как параметров, рассматриваемых при оптимизации выбора много, то необходимо оптимизировать все частные критерии.

Наилучшим случаем при оптимизации является, пересечение множеств оптимальных полученных решений с так называемой идеальной

оптимизационном решении при всех возможных частных критериях.

Естественно, в реальных ситуациях такое встречается крайне редко и поэтому в систему решений вводятся дополнительные критерии выбора, которые позволят найти оптимальное решение. Эти решения называют оптимальные по Парето. И заключается в том, что не существует

другого решения среди всех альтернатив:

( )( ) ≤ ( )( ), = ̅̅̅̅̅1, .

При этом хотя бы для одного k имеет место строгое неравенство, т.е. должно удовлетворятся следующее свойство. В множестве X допустимых альтернативных решений не найдется ни одного другого решения, переход к которому от х* позволит улучшить показатель хотя бы одного из частных критериев, чтобы при этом не ухудшились бы показатели других частных критериев. Если множество абсолютных решений не является пустым, то множество оптимальных по Парето решений совпадает с множеством абсолютных решений

[2].

Так как параметры, по которым будет производиться оптимизация дискретны, то обозначим их как критерии грузоперевозки:

-g(1) – минимизация затраченного времени на грузоперевозку;

-g(2) – минимизация расходов на перевозку;

-g(3) – максимизация эффективности использования пробега;

-g(4) – максимизация эффективности использования кузова;

-g(5) – максимизация стоимости

заказа.

Таким образом, по обозначенным критериям грузоперевозки происходит выбор оптимального по Парето решения.

Понятие оптимального по Парето решения является основополагающим в теории многокритериальной оптимизации. Несмотря на то, что при разныхкритерияхвыбора решение может отличаться, тем не менее, в формате

процедур их выбора всегда будет общим следующее: любая выборка оптимального решения будет проводиться именно из множества решений оптимальных по Парето [2].

Однако выбор того или иного критерия, лиц, принимающих решения может друг от друга отличаться. Именно поэтому в механизме выбора автотранспортного средства необходим метод, который бы мог индивидуально подстраиватьсяк их предпочтениям в выборе заказов.

Для реализации подобного алгоритма предлагается задействовать самообучающую нейронную сеть. Воспользуемся математической моделью перцептрона Розенблатта [3], которая имитирует деятельность биологического нейрона. И если в состав биологического нейрона входит: ядро, тело клетки и отростки, то в состав персептрона входят: синапсы, сумматор, нелинейный преобразователь. Синапсы осуществляют связь между персептронами и умножают входной сигнал на число, характеризующее силу связи — вес синапса. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента — выхода сумматора. Эта функция называется функцией активации [3].

Модель персептрона представлена на рисунке 1, где ωi – вес синапса, b – значение смещения, S – результат суммирования, xi – компонента входного сигнала, y – выходной сигнал персептрона, n – число входов, f – нелинейное преобразование.

Рис. 1. Модель персептрона

Сигналы xi, поступающие на вход нейрона, умножаются на весовые коэффициенты ωiсинаптического веса, а после они суммируются.

суммирования вычисляется по

= ∑ =1 .

После чего результат суммирования подается на вход блока, реализующего активационную функцию персептрона:

= − ,

где, Q – пороговый уровень нейрона. Таким образом, если функция активации

является положительным числом, то данный персептрон активируется. Увеличивая при этом весовой коэффициент синаптического веса:

где, 0 –коэффициент синаптического

веса.

Пороговый уровень персептрона устанавливается эмпирически, и он равен единице. Коэффициентсинаптическоговеса приравнивается к 0,01.

Помимо того, как при активации перцептрона коэффициент синаптического веса увеличивается, он увеличивается и при выборе определенного оптимального решения при множестве по Парето и коэффициент увеличивает вес того синапса, который отвечает за решение по наилучшему критерию выбора g(k).

Таким образом, опишем весь механизм выбора оптимального автотранспортного средства по параметрам заказа. Алгоритм начинается с отбора заказов под параметры грузового транспорта. Для этого вводится ряд ограничений:

Эти ограничения вводятся по каждому частному критерию грузоперевозки. И если найдется элемент, превосходящий предельно допустимые ограничения, то такой заказ не рассматривается.

После чего среди оставшихся заказов находятся наилучшие по какому-то частному критерию ( )( ) и по ним происходит выбор оптимального заказа под транспортное средство.

Таким образом, по обозначенным ограничениям отбираются потенциальные заказы на грузоперевозку. После чего в соответствии с параметрами заказа и транспортного средства рассчитываются критерии грузоперевозки. И согласно принципу Эджворта-Парето [4] наилучшие решения всегда следует выбирать в пределах множества Парето, поэтому преобразуем полученный список в множество Парето.

Далее с помощью перцептрона Розенблатта проверяются веса всех критериеввыбора g(k) полученных решений. Если одно из полученных оптимальных решений в множестве решений по Парето активирует перцептрон Розенблатта, то это решение является оптимальным для данного исполнителя заказа, что и является решением поставленной задачи.

Литература

1.Ларин О.Н. Организация грузовых перевозок: учеб. пос. / О.Н. Ларин. – Челябинск: Изд-во ЮУрГУ, 2006. – 99 с.

2.Бродецкий Г.Л. Методы оптимизации многокритериальных решений в логистике. – М.:

2009. – 230с.

3.Головко В.А. Нейроные сети: обучение, организация и применение: учеб. пособие для вузов / Общая ред. А.И. Галушкина. – М.:

НОРЖР, 2001. – 256 с.

Жидкостные ракетные двигатели (ЖРД) являются одними из наиболее сложных и ответственных элементов ракетно-космических систем гражданского и оборонного назначения на всех стадиях их создания и применения, поэтому к ним предъявляются особые требования по надежности и прочности обусловленные высокой температурно-силовой нагруженностью и динамической напряженностью различных элементов двигателей.

Условия работы деталей, узлов, агрегатов крайне сложны – температуры рабочих процессов изменяются в пределах от минус 250оС до плюс 3000-3500оС, давление – от 0.05 до 600 атм (бар), скорости вращения роторов ТНА достигают 50000 об/мин, вибрации находятся в диапазонах частот от10 до 10000 Гц, число включений – от 4 до 20000, числа циклов термомеханического, вибрационного, аэрогидродинамического нагружения – от 100 до 109, скорости движения жидких компонентов топлива – до 200 м/с, газов в соплах - до 3500 м/с., время работы – от десятков секунд до десятков лет. При этих условиях нагружения номинальные напряжения достигают предела текучести конструкционных материалов, а локальные в зонах концентрации – могут превосходить его, делая

традиционный запас по пределу текучести меньше единицы, поэтому для решения всех этих задач использую программы прочностного и теплового анализа.

Прочностной анализ делится на статический и динамический прочностной анализ. Статический анализ используется для определения перемещений, напряжений, деформаций и усилий, возникающих в конструкциях или ее составных частях в результате приложения механических сил. Статический анализ пригоден для задач, в которых действие сил инерции или процессы рассеяния энергии не оказывают существенного влияния на поведение конструкции. Прочностной динамический анализ используется для определения действия на конструкцию или ее составные части нагрузок, зависящих от времени. В отличие от статических расчетов, в этом типе анализа принимается во внимание рассеяние энергии и инерционные эффекты переменных во

времени нагрузок. Примерами таких нагрузок являются: циклические нагрузки (вращающиеся

части оборудования); внезапно прикладываемые нагрузки (удар или взрыв); случайные нагрузки (землетрясение); любые другие переменные нагрузки.

Прочностной анализ кронштейна.

Тепловой анализ. С помощью современных программ можно выполнить тепловой анализ для следующих задач: стационарная теплопроводность; неустановившийся температурный режим; фазовые превращения; расчет температурных напряжений и деформаций.

Визуальное отображение решения задачи теплового анализа в ANSYS.

Стационарный тепловой анализ определяет установившееся распределение температур в конструкции. Анализ может быть линейным и нелинейным. Результаты решения представляют собой значения температуры и плотности теплового потока в узлах. Эти данные можно использовать при постпроцессорной обработке, например, для построения изотерм в расчетной модели.

Нестационарный тепловой анализ используется для

для определения тепловых потоков при передаче и аккумулировании тепла в системе. Анализ фазовых превращений представляет собой особый вид теплового нестационарного анализа, при котором моделируется затвердевание или плавление материала в процессе теплообмена. Этот вид анализа с успехом может использоваться во многих приложениях, относящихся, например, к технологии непрерывной разливки металла или процессам в установках для преобразования солнечной энергии.

Средства термо-прочностного анализа программы ANSYS позволяют использовать результаты решения задачи теплообмена для проведения прочностного анализа. Такая возможность удобна при определении влияния температурного поля на прочность конструкции. Пользователь может задать тепловую нагрузку отдельно или в совокупности с механическими нагрузками.

Отображение решения совместного термопрочностного анализа в ANSYS.

В программе ANSYS доступны два способа связывания теплового и прочностного анализов. Первый состоит в том, что эти два анализа делаются друг за другом. Сначала получают температурное поле в модели для заданных граничных условий теплообмена. Значения температур затем используются в виде нагрузок на стадиях препроцессорной подготовки и получения

97

решения при последующем прочностном анализе.

Второй способ предусматривает проведение совместного термо-прочностного решения. В программе ANSYS это достигается использованием конечных элементов связанной задачи, которые имеют как тепловые, так и прочностные степени свободы. Из этих элементов создается расчетная модель и задаются тепловые и механические граничные условия. На каждой итерации выполняется решение тепловой и прочностной задач с использованием значений температур и перемещений, полученных на предыдущей итерации. Имеется возможность вводить в

расчетную модель контактные элементы общего типа. Эти элементы допускают теплопередачу через поверхность контакта. Как только контактные поверхности смыкаются, становится возможным процесс теплообмена.

С помощью процедуры совместного решения возможно объединить такие сложные задачи теплообмена и расчета на прочность, как нестационарный тепловой и нелинейный динамический анализы. Например, такой подход можно использовать для анализа биметаллической полосы, которая при нагревании испытывает деформации как тепловой, так и механической природы. В этом случае из-за различия температурных коэффициентов расширения двух металлов возможно появление больших геометрических деформаций, что может сказаться на величине коэффициентов матрицы теплопроводности.

Надежность и ресурс закладываются на этапе проектирования, недостаточная надежность конструкции влечет за собой существенные экономические потери, перебои в эксплуатации. Программный модуль ANSYS нашел широкое применение в космической технике. С его помощью решаются инженерные задачи разной сложности, к которым можно отнести проведение совместного термо-прочностного расчета. ANSYS на ранних этапах позволяет обнаружить недостатки конструкции, что значительно упрощает процесс создания ЖРД.

Литература 1. Фролов К.В., Рачук В.С., Махутов Н.А.,

Рудис М.А. Кислородно-водородные двигатели для ракетно-космических комплексов. Наука в России. 2003, №5. С. 4-7.

2.С.П. Королев. Академик. Ученый. Инженер. Человек: Творческий портрет по воспоминаниям современников: Сб. статей / Под ред. А.Ю. Ишлинского. - М., 1986.

3. http://cdotnntu.ru/basebook/Osnovi_avtomatizirovannogo_proekt irovaniya/files/assets/basic-html/page68.html