УДК 004.41
UDC 004.41
РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ РАСЧЕТА ТОПЛИВНОЙ ЭФФЕКТИВНОСТИ ДВИГАТЕЛЕЙ ДИЗЕЛЬНЫХ ЭЛЕКТРОСТАНЦИЙ
Атрощенко Валерий Александрович д.т.н., профессор
Дьяченко Роман Александрович к.т.н., доцент
Сучкова Екатерина Валерьевна студентка
Литвинов Юрий Николаевич соискатель кафедры информатики
Кубанский Государственный Технологический университет, Краснодар, Россия
В статье рассмотрены вопросы прогнозирования нечетких многопараметрических систем. Предоставлен алгоритм подбора оборудования по значимым параметрам двигателя
Ключевые слова: НЕЧЕТКАЯ СИСТЕМА, ПРОГНОЗИРОВАНИЕ, КЛАСТЕРИЗАЦИЯ, ТОПЛИВНАЯ ЭФФЕКТИВНОСТЬ, ЛОТВ
DEVELOPING OF AUTOMATED INFORMATION SYSTEM FOR CALCULATION OF MILES PER GALLON FOR DIESEL POWER STATIONS
Atroshchenko Valery Aleksandrovich Dr.Sci.Tech., professor
Dyachenko Roman Aleksandrovich Сand.Tech.Sci., associate professor
Suchkova EkaterinaValeryevna student
Litvinov Yury Nikolaevich competitor of chair of computer science
Kuban State Technological University, Krasnodar, Russia
In this article, problems of multiparameter fuzzy systems’ state forecasting are reviewed. The algorithm of selection of the equipment on significant parameters of the engine is given
Keywords: INDISTINCT SYSTEM, FORECASTING, CLASTERING, MILES PER GALLON , ANFIS
В настоящее время вопросы эксплуатации и экономической эффективности применения дизельных электростанций (ДЭС) являются актуальными. Одной из проблем является подбор оборудования в зависимости от технических требований и экономических затрат на приобретение и эксплуатацию. В этой связи задача выбора оборудования по значимым критериям является актуальной. Она может быть решена несколькими способами.
Наиболее распространенным способом является выбор оборудования на основе экспертных оценок компетентных специалистов, зафиксированных в базе знаний экспертной системы. В случае отсутствия сведений о практике подбора можно применять различные методы прогнозирования (методы множественной линейной регрессии, методы нечеткого прогнозирования и нейросетевые методы).
В качестве одной из методик выбора оборудования можно применить установление зависимости топливной эффективности дизельных двигателей ДЭС от их массы, мощности и стоимости с последующим использованием этой зависимости, т.е. представить модель выбора в виде функции от 3-х переменных:
MPG = ^Weight, Power, Price) , (1)
где MPG - расход топлива,
Weight - масса двигателя,
Power - номинальная мощность,
Рг^ - стоимость.
Выбор оборудования будет представлять собой вычисление функции f с определенными параметрами массы двигателя, номинальной мощности и стоимости, в результате которого будет получено прогнозное значение топливной эффективности. Последняя (MPG) может быть использована как оценка эксплуатационных качеств ДЭС в условиях финансовых (массо-габаритных) ограничений на эксплуатацию.
Одними из эффективных методов построения таких зависимостей являются методы нечеткого моделирования, для применения которых требуется статистическая выборка по входным параметрам.
В качестве исходных данных для построения зависимости будем использовать данные крупных фирм производителей ДЭС, представленных в виде ценовой информации и технических описаний (данные фирм Caterpiller, Cummins, Perkins, Iveco).
Методика подбора оборудования состоит из следующих этапов:
1) сбор статистической информации (формирование базы данных оборудования);
2) обработка данных (нормализация) к виду, необходимому для построения нечеткой модели выбора;
3) построение нечеткой модели выбора(нечеткой кластеризации);
4) использование сформированной нечеткой модели для определения топливной эффективности в зависимости от массы двигателя, номинальной мощности и стоимости.
Первый этап. Сбор статистической информации можно проводить с использованием данных специальных ценовых справочников и информации сети интернет. На момент написания статьи авторами была получена информация, представленная в таблице 1.
Таблица 1 - Статистическая информация.
Расход топлива, л/час Масса, кг Мощность, кВт Стоимость, руб Ширина, мм Г лубина, мм Высота, мм Фирма
16,4 1070 64 100000 2400 1050 1500 caterpillar
18,4 1250 72 100000 2400 1050 1500 caterpillar
21,5 1350 84 100000 2400 1050 1500 caterpillar
30,7 1400 120 100000 2640 1075 1500 caterpillar
33,8 1520 132 100000 2800 1155 1500 caterpillar
36,8 1620 144 100000 2800 1155 1500 caterpillar
43 1620 168 100000 2800 1155 1500 caterpillar
45 1700 180 100000 2400 1050 1500 caterpillar
50 2050 200 100000 3100 1050 1500 caterpillar
6,7 780 20,8 296000 1650 740 1400 cummins
9,3 820 32 317000 1700 740 1400 cummins
13 900 45 369000 1750 740 1400 cummins
22 1200 80 454000 2100 830 1550 cummins
27 1300 100 534000 2150 830 1550 cummins
30 1400 110 569000 2250 830 1600 cummins
40 1550 145 715000 2400 900 1650 cummins
45 1700 160 860000 2500 1000 1550 cummins
53 1900 200 962000 2600 1000 1700 cummins
56 2750 200 983000 2900 970 1600 cummins
61 2800 220 1064000 2900 970 1650 cummins
83 4250 305 1828000 3200 1310 1750 cummins
118,5 5500 475 2617000 3450 1780 2100 cummins
167 8500 600 4231000 4200 2060 2250 cummins
247 9650 880 6254000 4350 1900 2250 cummins
261 11200 1000 6856000 5210 2300 2500 cummins
7,7 370 24 367000 998 680 905 iveco
9,7 415 32 401000 1094 680 885 iveco
9 480 36 450000 1134 640 964 iveco
13,7 480 48 494000 1259 657 1016 iveco
19,3 500 68 576000 1367 753 1085 iveco
22 500 80 588000 1367 753 1085 iveco
28,8 610 100 709000 1697 789 1318 iveco
36 640 128 755000 1697 789 1318 iveco
42 730 160 930000 1713 796 1230 iveco
51 1030 200 1000000 2107 1055 1480 iveco
55 1220 216 1405000 2042 1055 1394 iveco
64,9 1110 240 1537000 2195 1055 1480 iveco
70 1180 280 1632000 2272 1055 1468 iveco
81,3 1228 320 1662000 2324 1270 1546 iveco
148 2118 576 5281000 2359 1563 2079 iveco
3 400 7,2 246000 1100 500 1000 perkins
4,2 450 10,4 272000 1150 600 1100 perkins
6,2 550 16 304000 1300 600 1150 perkins
7,1 720 24 350000 1600 730 1250 perkins
10,7 750 36 395000 1600 730 1250 perkins
14,1 780 48 456000 1600 730 1250 perkins
18,7 850 64 528000 1750 730 1250 perkins
22,6 900 80 600000 1850 750 1250 perkins
33,3 1150 113 770000 2250 820 1450 perkins
41 1150 120 854000 2250 820 1450 perkins
44 1500 144 963000 2400 900 1600 perkins
45,2 1300 160 1201000 2500 1000 1650 perkins
48,5 1650 182 1262000 2700 1000 1650 perkins
45 1700 200 1294000 2700 1000 1650 perkins
71 1150 280 1770000 2250 820 1450 perkins
85 2800 320 1826000 3200 1150 1800 perkins
99 3300 360 2120000 3350 1150 2150 perkins
132 4200 520 3251000 3400 1550 2250 perkins
157 4700 580 4258000 3900 1700 2150 perkins
172 4700 640 4444000 3900 1700 2150 perkins
206 6500 728 5652000 4800 1870 2450 perkins
208 7000 800 5722000 4600 1870 2450 perkins
259 9300 1000 8100000 4650 1870 2580 perkins
283 9300 1080 8769000 4800 1870 2580 perkins
316 9500 1200 8854000 4800 1870 2580 perkins
372 11500 1360 9746000 5000 2250 2580 perkins
372 11500 1440 13175000 5600 2300 3350 perkins
385 13000 1600 13911000 5800 2300 3350 perkins
Второй этап. Нормализация входных данных (приведение к относительным единицам) необходима для улучшения качества нечеткой модели(проводится стандартным приемом).
Третий этап. Нечеткая кластеризация, представляет собой операцию построения и настройки системы нечетких правил и вывода. Далее будем применять языковые конструкции и функции математического пакета Fuzzy Logic ToolBox среды MATLAB, в котором реализованы базовые функции нечеткой логики. Методика кластеризации представлена следующими шагами:
1) разделение массива входных экспериментальных данных data на обучающую и тестовую выборки (в обучающую выборку попадают нечетные строки массива, в тестовую- четные);
2) генерирование системы нечеткого вывода (далее FIS) типа «Сугено» на основе обучающей выборки;
3) настройка полученной FIS-модели при помощи инструментария ANFIS (инструмент адаптивной нейро-нечеткой настройки);
4) проверка работы системы нечеткого выводы тестовой выборкой.
Четвертый этап. Для использования нечеткой модели (решения задачи выбора) применяется функция evalfis [2].
На практике в условиях постоянно изменяющихся во времени характеристиках модельных рядов оборудования может возникнуть проблема актуальности данных для обучения модели.
Указанная проблема может быть решена созданием автоматизированной информационной системы, реализующей механизмы хранения и обновления данных (технология баз данных) для последующего обучения и использования модели выбора.
На основе описанной выше методики была создана автоматизированная информационная система «FuzzySelect». Система реализована в среде программирования Microsoft Visual Studio 2010 с применением технологий баз данных. Модули, реализующие функции нечеткой кластеризации написаны на языке MATLAB и откомпилированы в библиотечные модули.
Графический интерфейс пользователя GUI системы «FuzzySelect» представлен на рисунке 1.
Рисунок 1. Графический интерфейс пользователя GUI системы «FuzzySelect»
Программа реализует следующий набор функций:
• формирование базы данных и организация ее обновления;
• добавление строк в базу данных при помощи формы для ввода;
• печать таблицы данных;
• визуализация входного массива данных (plot);
• построение нечеткой модели «три входа - один выход» и графическое представление зависимости ошибок ANFIS-алгоритма на обучающей и тестовой выборке от количества итераций (genfis1, anfis);
• определение параметров нечеткой системы и вывод количества нечетких правил (getfis);
• визуальное представление нечеткой системы вывода (plotfis);
• вывод функций принадлежности для параметров модели (plotmf);
• сохранить обученную FIS - модель в виде fis-файла (writefis).
• вычисление прогнозируемой топливной эффективности нечеткой модели по введенным значениям параметров масса, мощность, стоимость [11-
Построение нечеткой модели по массиву входных данных и визуальное представление зависимости ошибок ЯМБЕ (относительная ошибка) от количества итераций алгоритма продемонстрировано на рисунке 2:
Рисунок 2. Демонстрация результата нечеткой кластеризации На рисунке 3 представлено окно визуализации нечеткой системы
вывода.
Рисунок 3. Графическое представление нечеткой системы На рисунке 4 представлено окно визуализации функции принадлежности параметра «Масса»
Рисунок 4. Визуализация функции принадлежности параметра «Масса»
В результате проведенных исследований была предложена методика прогнозирования топливной эффективности ДЭС в зависимости от массы двигателя, номинальной мощности и стоимости, которая может рассматриваться как одна из методик подбора оборудования; была создана автоматизированная информационная система «FuzzySelect», реализующая предложенную методику на основе нечеткой логики.
Литература
1. Майо Д. Самоучитель Microsoft Visual Studio 2010. — C.: «БХВ-Петербург», 2010. — 464 С.
2. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. - М.: Горячая линия - Телеком, 2007. - 288с., ил.