Архив номеров

Данная работа посвящена исследованию вопросов определения ценообразования для получения максимальной прибыли при продаже товаров, имеющих постоянную закупочную цену у производителей товаров или на складах хранения товаров, которые напрямую ведут отпуск товаров организациям и предприятиям, осуществляющим их продажу непосредственно потребителям. Варьированием цены продаж устанавливается зависимость интенсивности продаж за единицу времени от уровня наценки по отношению к закупочной цене для каждого вида покупаемых товаров. Конкретно рассмотрен случай линейной аппроксимации этой зависимости, который, как правило, реализуется при более эластичном либо при менее эластичном спросе на товары на интервалах спроса при их продаже через интернет-площадки и в розничных магазинах. Для более сложных аппроксимаций квадратичными и кубическими функциями функции спроса предлагаемый подход определения цен, основанный на поиске точек экстремума функций дохода и прибыли для каждого товара, не теряет своей общности. За единицу времени находятся: вид функции маржи; вид функции максимальной прибыли в зависимости от переменной величины – уровня наценки в цене продажи конкретного вида товара; вид функции максимального дохода (выручки) в зависимости от цены продажи конкретного вида товара. Определяются точки экстремума полученных функций. Доказаны теоремы о том, что определяемые точки экстремума являются точками максимума исследуемых функций, когда достигаются или максимальные доходы, или максимальная прибыль при продаже товаров их потребителям. Все общие величины данных функций находятся суммированием этих функций по всему множеству видов реализованных товаров за весь период продаж. Полученная информация используется для практической реализации стратегии эффективных продаж, обеспечивающей максимальные прибыли компаниям и фирмам, специализирующимся на продажах прямо потребителям покупаемых товаров. Предложен и теоретически обоснован прикладной методический подход к организации продаж товаров, обеспечивающий максимальную прибыль от продаж в области эластичного спроса, аппроксимируемого линейной функцией, при постоянной закупочной цене на товары.

В системах IIoT (Industrial Internet of Things), предназначенных для управления предприятием в режиме реального времени, требуется выполнить оперативную и интеллектуальную обработку больших данных и выдать сигнал управления на исполнительные устройства в предсказуемое время (порядка нескольких миллисекунд). Высокие скорости непрерывно генерируемых датчиками и сенсорами системы промышленного Интернета вещей больших данных усложняют получение управляющего воздействия в предсказуемое время. Цель исследования – разработка архитектуры комплекса систем IIoT для получения управляющего воздействия в предсказуемое время в режиме реального времени. Центральный вопрос задачи – скоростная обработка структурированных данных в месте их возникновения для решения противоречия между большим количеством непрерывно генерируемых нужных данных и необходимостью их обработки в предсказуемое время. Применена декомпозиция системы IIoT на отдельные системы IIoT по структурам применяемых ими данных с последующим синтезом в единый комплекс систем IIoT предприятия. Разработанная архитектура комплекса систем IIoT позволяет эффективно реализовать распределенное управление производственными процессами в предсказуемое время, выполнять оперативную и интеллектуальную обработку непрерывно генерируемых промышленными объектами огромных объемов данных разного формата. Комплекс систем IIoT состоит из отдельных систем промышленного Интернета вещей, каждая из которых имеет собственную структуру передаваемых данных и реализована на основе многоуровневой шины, которая обеспечивает высокую скорость передачи данных в структурированном виде, возможность присоединения к шине любого устройства IIoT и любой используемой программы, в том числе системы Big Data для выявления скрытых закономерностей в работе предприятия. Предложенное решение архитектуры комплекса систем IIoT на основе интеллектуальных датчиков и сенсоров позволяет обеспечить эффективное управление оборудованием предприятия и операциями технологических процессов в реальном времени с немедленным использованием найденных новых закономерностей в непрерывно поступающих новых данных. Решение создает основу для разработки и ввода в эксплуатацию эффективных систем IIoT.

Проблема рационального использования энергоресурсов особенно остро стоит перед энергоемкими производствами, к которым относятся высокотемпературная обработка горно-химического сырья (например, производство фосфоритовых окатышей из отходов апатит-нефелиновых руд путем сушки и обжига). В этой связи температурные режимы функционирования обжиговой конвейерной машины должны обеспечивать не только завершенность протекающих в ней химико-технологических процессов и требуемое качество продукции, но и энергоресурсосбережение. Таким образом, возникает актуальная научно-практическая задача оптимизации режимов нагрева шихты на основе результатов моделирования тепло- и массообменных процессов, протекающих в различных зонах обжиговой конвейерной машины. Невозможность проведения дорогостоящих натурных экспериментов приводит к необходимости использования методов компьютерного моделирования. Нелинейность, большая размерность поискового пространства, высокая вычислительная сложность затрудняют применение традиционных методов детерминированного поиска. В этих условиях хорошие результаты показывают стохастические методы, преднамеренно вводящие элемент случайности в поисковый алгоритм. Сегодня широкое распространение получили популяционные алгоритмы, основанные на моделировании коллективного поведения живых организмов и отличающиеся возможностью одновременной обработки нескольких вариантов. В качестве решения поставленной оптимизационной задачи предложено использование модифицированного алгоритма кукушкиного поиска (путем введения элементов нечеткости), которое обеспечивает комплексный учет огромного числа разнотипных параметров, задаваемых для каждой вакуум- камеры обжиговой конвейерной машины. Управление химико-энерготехнологической системой переработки отходов апатит-нефелиновых руд с учетом полученных данных и на основе имеющейся нейросетевой модели высокотемпературного процесса позволит максимально снизить количество возврата и обеспечить энергоресурсосберегающие условия функционирования обжиговых агрегатов.

В статье представлены результаты исследования проблемы структурного синтеза системы технического зрения и ее параметрической идентификации с применением нового метода на основе математического аппарата теории модифицированных дескриптивных алгебр изображений. Теория модифицированных дескриптивных алгебр изображений представляет математический аппарат, позволяющий формально описать обработку и анализ изображений. В данном математическом аппарате можно описать математическую модель функции измерения системы технического зрения для выбранного признака объекта наблюдения. Для разработки математических моделей применяются процедурные и параметрические преобразования изображений. Любая математическая модель в теории модифицированных дескриптивных алгебр изображений обладает хотя бы одним вариационным параметром. В ходе параметрической идентификации требуется вычислить их значения. Данная задача является мультимодальной и всегда имеет хотя бы одно решение. Для решения задачи оптимизации обычно привлекаются численные методы. В статье изложен алгоритм построения математической модели измерения площади с использованием процедурных и параметрических преобразований. Задача параметрической идентификации решена в виде задачи нелинейной оптимизации. Проведена визуализация целевой функции и сформулированы рекомендации по выбору значений ее вариационных параметров. Осуществлен сбор статистических данных и построена гистограмма, на основе которых выбирается закон распределения для измеряемой величины. Решена статистическая задача по проверке гипотезы с выбранным законом распределения генеральной совокупности по критерию Пирсона при заданном уровне значимости. Для неизвестных параметров выбранного закона распределения проведена оценка доверительных интервалов. Материалы статьи носят прикладной характер и имеют практическую ценность. С использованием предлагаемого подхода можно разработать функцию измерения для любого признака объекта наблюдения в серии изображений.

Представлены результаты исследований, целью которых была разработка многоуровневых алгоритмов принятия решений по управлению энергетической и ресурсной эффективностью, техногенной и экологической безопасностью комплексной многостадийной системы переработки мелкодисперсного рудного сырья (МСПМРС). Отличительной особенностью такой системы является ее многомерность и многомасштабность, проявляющаяся в наличии двух вариантов реализации технологических процессов переработки мелкодисперсного рудного сырья (МРС), необходимости учета взаимодействия входящих в систему агрегатов, а также иерархии описания процессов, протекающих в них, – механических, теплофизических, гидродинамических, физико-химических. Такое разнообразие процессов характеризует междисциплинарность исследований и сложность получения аналитических, взаимоувязанных математических моделей. Эта ситуация инспирировала применение для описания и анализа процессов методы искусственного интеллекта, такие как глубокое машинное обучение и нечеткая логика. Научная составляющая результатов исследования заключается в разработанной обобщенной структуре МСПМРС, концептуальной основе многоуровневых алгоритмов оценки и принятия решений по оптимальному управлению этой системой, предложенном составе параметров и форме критерия оптимизации. Задача исследования состояла в проведении анализа возможных вариантов переработки рудного сырья, выработке концепции построения МСПМРС, допускающей возможность оптимизации ее функционирования по критерию энергоресурсоэффективности при обеспечении требований экологической безопасности. Анонсировано применение эволюционных алгоритмов для решения задачи оптимизации МСПМРС по критерию минимума энергоресурсопотребления и конкретизированы ее этапы. Представлена структура блока нейронечеткого анализа информации о параметрах процессов в МСПМРС, в основе которого лежит использование глубоких рекуррентных и сверточных нейронных сетей, а также системы нечеткого логического вывода. Приведены результаты имитационного эксперимента по апробации программной реализации данного блока в среде MatLab.

Средствами имитационного компьютерного моделирования проанализирован эффективный вариант построения идентификатора скорости асинхронного двигателя электромеханической системы агломерационной машины. Приведена математическая и алгоритмическая основа адаптивного идентификатора скорости (АИС) асинхронного двигателя с короткозамкнутым ротором (АДКР). С использованием разработанного математического описания АИС с эталонной моделью и применением аппарата функций Ляпунова создана адекватная компьютерная имитационная модель. По сравнению с существующими способами построения идентификаторов в бездатчиковых асинхронных электроприводах предлагаемый вариант АИС позволяет учесть дискретный характер напряжения питания АДКР на выходе преобразователя частоты с широтно-импульсной модуляцией (ШИМ) выходного напряжения и изменение большего числа параметров схемы замещения. Устойчивость процесса идентификации скорости обеспечивается в широком диапазоне, достаточном для стабилизации скорости тележек по требованиям технологического процесса агломерационных машин. Как следствие, повышается точность идентификации скорости в статических и динамических режимах работы электропривода. Моделированием подтверждена работоспособность предлагаемого варианта идентификатора, предложены варианты настроек компонент АИС. Получены универсальные, важные для практического применения результаты, позволяющие как построить высокоточную систему идентификации скорости АДКР в целом, так и уточнить настройку коэффициентов предлагаемого варианта идентификатора в частности. Важным свойством разработанного варианта АИС является его работоспособность без потери точности на околонулевых и нулевых скоростях вращения и близком к номинальному моменте нагрузки на валу АДКР. В связи с этим практическое применение разработанного варианта, помимо привода агломерационной машины, возможно и в высокоточных системах позиционирования для электроприводов различного назначения.

В настоящее время методы машинного обучения широко используются для решения различных производственных задач, в частности задачи диагностики и прогнозирования дефектов серийно выпускаемых изделий. Одной из важнейших задач является диагностика и прогнозирование дефектов, на основе решения которой можно определять регламенты на параметры технологических процессов и применяемых сырьевых материалов, обеспечивающие минимальную вероятность образования брака и максимально высокое качество производимых изделий. Решение этой актуальной задачи с помощью нейросетевой модели показано на примере технологического процесса изготовления изделий из мелкодисперсного рудного материала. В основе предлагаемой модели – нейронная сеть, обученная на множестве исторических данных, включающих примеры изготовления изделий при разных наборах технологических параметров и сырьевого рудного материала. Прогнозируемый параметр – коробление изделия в одном из его сечений. Проектирование и обучение предлагаемой нейронной сети структуры позволило достигнуть коэффициента детерминации R2 между прогнозируемой и фактической величиной коробления 92 %. Путем проведения компьютерных экспериментов с использованием метода частичного замораживания входных параметров построены зависимости величины коробления от наиболее значимых параметров технологического процесса, в том числе от теплофизических и химико-энерготехнологических процессов обработки сырья. С помощью этих зависимостей определен регламент на наиболее значимые параметры производственного процесса, обеспечивающий получение изделия без нарушения допуска на величину коробления, заданного конструкторской документацией. Таким образом, на конкретном примере показана возможность с помощью нейросетевого моделирования решать задачи назначения регламента на параметры производственного процесса, соблюдение которого обеспечивает минимальное количество брака и, соответственно, более высокое качество партии изделий.

Существенный интерес в области применения машинного обучения для анализа медицинских изображений стимулирует поиск перспективных алгоритмов для решения рутинных диагностических задач в кардиологии. Применительно к сердечно- сосудистым патологиям такой процедурой является коронарная ангиография, оценивающая состояние сосудистого русла и наличие участков стенозирования. В настоящей работе продемонстрирован пример применения современных моделей нейросетей SSD MobileNet V2, SSD ResNet-50, Faster-RCNN Inception ResNet V2 в задаче локализации однососудистого поражения коронарной артерии на наборе клинических данных (3200 изображений). Показано, что наиболее точной по выбранной метрике mAP[0,5:0,95] явилась модель Faster-RCNN Inception ResNet V2, достигшая показателя 0,9434 и 0,95 для валидационной и тестовой выборок соответственно. Однако скорость обработки данных составила 0,363 секунды на один кадр, что эквивалентно 2,8 кадров/сек, т. е. значительно ниже частоты записи коронарографии (15 кадров/сек). Нейросети с более «простой» архитектурой продемонстрировали неудовлетворительное качество локализации стенозов, выраженное в низкой характеристике mAP[0,5:0,95]. Результаты данного исследования демонстрируют ключевую проблему применения алгоритмов машинного обучения на графических данных – высокая точность, которая может быть приемлемая для медицинских диагностических процедур, «декомпенсируется» длительным анализом изображений, вследствие чего использование немодифицированных архитектур нейросетей не обеспечивает обработки данных в режиме реального времени.

Обнаружение аномалий является важной задачей в различных областях производства и технологий, таких как структурные изменения, вредоносные вторжения в системы управления и контроля, финансовый надзор и управление рисками, цифровой скрининг состояния здоровья и др. Все более возрастающие потоки разнообразных данных и их структурная сложность требуют разработки передовых подходов к их решению. В настоящее время методы глубокого обучения достигли значительных успехов в обнаружении аномалий. Популярными стали методы глубокого обучения на основе различных моделей автоэнкодеров. В работе исследованы методы обнаружения аномалий методами глубокого обучения без учителя на примере набора электрокардиограмм (ЭКГ), содержащих нормальные ЭКГ- сигналы и ЭКГ-сигналы людей с различными сердечно-сосудистыми заболеваниями (аномалиями). Для обнаружения аномальных электрокардиограмм разработана модель автоэнкодера в виде глубокой нейронной сети с несколькими полностью связными слоями. Также для решения поставленной задачи предложен метод подбора порога отделения аномальных ЭКГ-сигналов от нормальных, состоящий в оптимизации соотношения показателей производительности модели автоэнкодера. В работе проведен сравнительный анализ эффективности применения к решению задачи обнаружения аномальных ЭКГ-сигналов различных моделей машинного обучения, таких как одноклассовый метод опорных векторов, изолирующий лес, случайный лес и представленная модель автоэнкодера. Для этого были использованы метрики точности: точность (accuracy), чувствительность (recall), полнота (precision) и f1-score. Результаты анализа показали, что модель автоэнкодера превзошла остальные модели с показателями точности accuracy = 98,8%, precision = 95,75%, recall = 99,12%, f1-score = 98,75%.