CC BY
5
7. Wilhelm Burger, Mark J. Burge. Principles of Digital Image Processing. Core Algorithms. Springer. 2009. P.
17 - 48.
8. Bart Braden. The Surveyor's Area Formula. The College Mathematics Journal, Volume 17, Number 4. September 1986. P. 326 - 337.
9. Козлов В. Н. Функциональный анализ (с приложениями в энергетике). СПб.: Издательство Политехнического университета. 2011. C. 36 - 43.
10. Sara Campos, Understanding DPI and Pixel Dimensions, iPrintfromHome.com, 2007 [Электронный ресурс]. URL: https://www.iprintfromhome.com/mso/understandingdpi.pdf (дата обращения: 18.07.2023).
Салех Лабиб Омар Абдулла, аспирант, labib_saleh_92@yahoo.com. Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого,
Хлопин Сергей Владимирович, канд. техн. наук, доцент, x@spbstu.ru, Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого,
Черненькая Людмила Васильевна, д-р техн. наук, профессор, ludmila@qmd.spbstu.ru. Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого
ALGORITHM FOR CALCULATION OF THE VOLUME OF IMPURITIES IN A LIQUID FROM OPTICAL DATA
L.O.A. Saleh, S.V. Khlopin, L.V. Chernenkaya
The work is devoted to the development of methods and their software implementation for processing binary images, calculating the total volume of impurities in a liquid. For the calculation, the search for contours in a binary image, the selection of closed areas, the analysis of the hierarchy, and the calculation of the area and volume of the content of impurities are performed. An author's method is proposed for finding the characteristic geometric dimensions of impurity contours and using these dimensions to calculate the volume of impurities.
Key words: computer vision, finding contours, contour hierarchy analysis.
Saleh Labib Omar Abdullah, postgraduate, labib_saleh_92@yahoo.com, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Khlopin Sergey Vladimirovich, candidate of technical sciences, docent, x@spbstu.ru, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Chernenkaya Lyudmila Vasilievna, doctor of technical sciences, professor, ludmila@lqmd.spbstu.ru. Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University
УДК 004.42
DOI: 10.24412/2071-6168-2023-7-569-70
АЛГОРИТМ ОПЕРАТИВНОЙ ИДЕНТИФИКАЦИИ ДИНАМИЧЕСКИХ СИСТЕМ С ПЕРИОДИЧЕСКИМИ ВХОДНЫМИ СИГНАЛАМИ
Я.Н. Гусеница, М.И. Колоколов, А.А. Донченко
В работе предложен алгоритм оперативной идентификации динамических систем с периодическими входными сигналами. Алгоритм базируется на гипердельтной аппроксимации аналогов автокорреляционной и взаимно-корреляционной функций входного и выходного сигналов, которая предполагает вычисление начальных моментов для их аналогов плотностей распределения. Новый алгоритм позволяет вычислять начальные моменты только для одного периода и повысить оперативность расчетов в количество раз, равное периодам сигналов.
Ключевые слова: динамическая система, периодический сигнал, непараметрическая идентификация, автокорреляционная функция.
Идентификация представляет собой получение или уточнение математической модели исследуемой системы по ее измеряемым входным и выходным сигналам [1].
Важное место в идентификации отводится решению уравнения
да
Кх(0 = K(t-T)h(T)dx, 0)
0
где т - момент подачи входного x(t) сигнала относительно начала отсчета; Kyx(t) - взаимно-корреляционная функция входного x(t) и выходного y(t) сигналов; Kxx(t) - автокорреляционная функция входного x(t) сигнала; h(t) - неизвестная весовая функция, позволяющая при произвольной x(t) определять y(t).
569
Для решения уравнения (1) можно использовать различные временные и частотные (спектральные) методы [2-7]. Вместе с тем, эти методы имеют ограниченные условия применения. Так, например, одни методы оказываются непригодными для идентификации динамических систем, входные и выходные сигналы которых имеют вероятностный характер. Другие методы требуют исчерпывающей информации о входных и выходных сигналах и существенных затрат вычислительных ресурсов.
В [8] предложен оригинальный метод решения уравнения непараметрической идентификации динамической системы, который лишен указанных выше недостатков. Указанный метод использован в работах [9, 10] для разработки алгоритма и программной реализации синтеза модели объекта испытаний на основе решения уравнения непараметрической идентификации.
Целью настоящей статьи является разработка алгоритма оперативной идентификации динамических систем с периодическими входными сигналами.
Алгоритм [9, 10] базируется на гипердельтной аппроксимации аналогов автокорреляционной и взаимно-корреляционной функций входного и выходного сигналов, которая предполагает вычисление начальных моментов для их аналогов плотностей распределения. Новый алгоритм позволяет вычислять начальные моменты только для одного периода и повысить оперативность расчетов в количество раз, равное периодам сигналов.
Алгоритм представлен на рис. 1 и работает следующим образом.
Да
1 Нет г
П роверить входной сигнал на периодичность с периодом равным номеру отсчета
1 г
Рис. 1. Схема алгоритма
В самом начале работы выполняется вычисление автокорреляционной функции Кхх[] сигнала по форму-
£ х[п] • х[п + у]
Кхх [У] = П=0 N-1-'
£ х 2[п]
п=0
где у - смещение; г - номер текущего отсчета; п - период сигнала; N - количество отсчетов сигнала.
Далее отбрасывается первое значение автокорреляционной функции и выполняется поиск ее следующего максимального значения близкого к 1. Если такое значение функции имеется, а отсчет не равен длине сигнала, то его номер запоминается в буфере.
В случае не нахождения максимального значения возвращается нулевой номер отсчета. Если максимальное значение найдено не в нулевом отсчете, то выполняется проверка сигнала на периодичность с периодом, равным найденному отсчету. При этом дискретный периодический сигнал должен соответствовать условию в каждом отсчете:
х[г] = х[г + п].
Если результатом всех проверок является то, что входной сигнал - периодический, тогда решение уравнения непараметрической идентификации выполняется только для одного периода сигнала.
Дальнейшее решение уравнения непараметрической идентификации выполняется в соответствии с работой [8].
Для подтверждения эффективности разработанного алгоритма проведены вычисления на одном и том же синусоидальном сигнале. Примеры сигнала и результатов идентификации представлены на рис. 2.
Рис. 2. Результаты идентификации периодического сигнала
Здесь сплошная линия представляет собой исходный выходной сигнал, штриховая - идентифицированный сигнал с использованием предлагаемого алгоритма, а штрихпунктирная - без его применения. Как видно из рис. 2, использование нового алгоритма для идентификации выходного сигнала позволяет достигнуть среднеквадра-тическое отклонение 0,181. Полученные результаты не уступают результатам, достигнутым существующим алгоритмом, для которого среднеквадратическое отклонение составляет 0,185.
Значительное различие проявляется при оценки временных ресурсов, затрачиваемых на выполнение идентификации выходного сигнала. Использование предлагаемого алгоритма позволяет повысить оперативность идентификации в 2,3 раза (с 303 мс до 132 мс).
Алгоритм реализован с помощью языка программирования С++ и интегрирован в существующую библиотеку программы «Идентификатор модели объекта испытаний» [11].
Список литературы
1. Джинчвелашвили Г.А., Мкртычев О.В., Ковальчук О.А. и др. Идентификация расчетных моделей при динамических воздействиях. М.: Лира софт, 2018. 300 с.
2. Антонова Т.В. Методы идентификации параметра в ядре уравнения первого рода типа свертки на классе функций с разрывами // Сибирский журнал вычислительной математики. 2015. Т. 18. № 2. С. 107-120.
3. Воскобойников Ю.Е., Крысов Д.А. Непараметрическая идентификация динамической системы при неточном входном сигнале // Автоматика и программная инженерия. 2017. № 4 (22). С. 86-93.
4. Гарькина И.А., Данилов А.М., Тюкалов Д.Е. Сложные системы: идентификация динамических характеристик, возмущений и помех // Современные проблемы науки и образования. 2015. № 1-1. С. 88.
5. Корнеева А.А., Чернова С.С., Шишкина А.В. Непараметрические алгоритмы восстановления взаимно неоднозначных функций по наблюдениям // Сибирский журнал науки и технологий. 2017. Т. 18. № 3. С. 510-519.
6. Шатов Д.В. Идентификация запаздывания одномерных линейных объектов конечно-частотным методом // Проблемы управления. 2015. № 3. С. 2-8.
7. Ярещенко Д.И. О непараметрической идентификации частично-параметризованного дискретно-непрерывного процесса // Сибирский журнал науки и технологий. 2020. Т. 21. № 1. С. 47-53.
8. Гусеница Я.Н. Решение уравнения непараметрической идентификации динамической системы на основе гипердельтной аппроксимации // Проблемы машиностроения и надежности машин. 2022. Т. 21. № 1. С. 96-102.
9. Гусеница Я.Н., Мингачев Э.Р., Исхаков Н.У., Колоколов М.И. Алгоритм и программная реализация синтеза модели объекта испытаний на основе решения уравнения непараметрической идентификации // Программные продукты и системы. 2023. № 2 (36). С. 320-326.
10. Колоколов М.И., Гусеница Я.Н. Синтез модели объекта испытаний на основе решения уравнений непараметрической идентификации // Сборник статей II научно-технической конференции «Состояние и перспективы раз-вития современной науки по направлению «ИТ-технологии». Т. 3. Высокопроизводительные вычислительные комплексы и суперкомпьютерное моделирование в военно-научном сопровождении жизненного цикла вооружения, военной и специальной техники - Анапа: Военный инновационный технополис «ЭРА». 2022. С. 33-41.
11. Гусеница Я.Н., Мингачев Э.Р., Исхаков Н.У., Колоколов М.И. Идентификатор модели объекта испытаний / Свидетельство о государственной регистрации программы для ЭВМ № 2023611054 Российская Федерация.: № 2022668924: заявл. 27.12.2022: опубл. 16.01.2023.
Гусеница Ярослав Николаевич, канд. техн. наук, начальник научно-исследовательского отдела, era_otd1@mil.ru. Россия, Анапа, Военный инновационный технополис «ЭРА»,
Колоколов Максим Игоревич, старший оператор научной роты, Россия, Анапа, Военный инновационный технополис «ЭРА»,
Донченко Анатолий Анатольевич, д-р техн. наук, профессор, главный научный сотрудник Института теоретической и математической физики, Россия, Нижегородская область, Саров, Российский федеральный ядерный центр - Всероссийский научно-исследовательский институт экспериментальной физики
ALGORITHM FOR OPERATIONAL IDENTIFICATION OF DYNAMIC SYSTEMS WITH PERIODIC INPUT SIGNALS
Ya.N. Gusenitsa, M.I. Kolokolov, A.A. Donchenko
The paper proposes an algorithm for the operational identification of dynamical systems with periodic input signals. The algorithm is based on the hyperdelta approximation of the analogs of the autocorrelation and cross-correlation functions of the input and output signals, which involves the calculation of the initial moments for their analogs of distribution densities. The new algorithm allows you to calculate the initial moments for only one period and increase the efficiency of calculations by a number of times equal to the signal periods.
Key words: dynamic system, periodic signal, nonparametric identification, autocorrelation function.
Gusenitsa Yaroslav Nikolaevich, candidate of technical sciences, head of research department, era_otd1@mil.ru, Russia, Anapa, Military Innovative Technopolis «ERA»,
Kolokolov Maksim Igorevich, senior operator of research company, Russia, Anapa, Military Innovative Technopolis «ERA»,
Donchenko Anatoly Anatolievich, doctor of technical sciences, professor, chief Researcher of the Institute of Theoretical and Mathematical Physics, Russia, Nizhny Novgorod Region, Sarov, Russian Federal Nuclear Center - All-Russian Research Institute of Experimental Physics
УДК 519.872
DOI: 10.24412/2071-6168-2023-7-572-573
ИМИТАЦИОННАЯ МОДЕЛЬ ПРОЦЕССОВ ОБСЛУЖИВАНИЯ И РЕМОНТА ИНЖЕНЕРНОЙ
ИНФРАСТРУКТУРЫ
А.С. Глуханов, К.Н. Поспелов
В статье рассматривается новая имитационная модель бизнес-процесса по обслуживанию и ремонту инженерной инфраструктуры. Модель разработана в среде для имитационного моделирования AnyLogic и представлена в открытом доступе в облачном хранилище AnyLogic Cloud. Предлагаемая модель позволяет проводить анализ и оптимизацию бизнес-процессов, в том числе по таким критериям, как скорость обработки заявок, максимальное число заявок в очереди, прибыль управляющей организации. Проведены эксперименты при нескольких наборах входных данных, построены зависимости моделей от входных данных.
Ключевые слова: имитационное моделирование, техническая эксплуатация, инженерная инфраструктура, многоквартирный дом, управляющая организация.
Введение. В условиях сложившегося производства и стабильной экономики особое место занимают операции по обслуживанию производственного оборудования, восстановлению, частичной или полной замене инженерной инфраструктуры. В каждом отдельно взятом случае необходимо учитывать специфику предприятия, при этом базовая структура бизнес-процесса обслуживания и ремонта сохраняется. В открытых источниках можно найти ряд научных работ, посвященных разработке подобных моделей. Модель обслуживания и ремонта радиоэлектронного оборудования рассмотрена в [1]. Модель ремонта компьютерной техники приведена в [2]. Исследование возможностей по улучшению службы эксплуатации с использованием имитационной модели проведено в [3]. В [4, 5] рассматривается имитационная модель финансовых потоков фонда капитального ремонта. В [6] имитационное моделирование используется для подсчета производственных потерь при ремонте электровозов.
На примере приведенных публикаций можно увидеть достаточно широкий спектр приложений разрабатываемых имитационных моделей. Большинство моделей являются узкоспециализированными. В данной статье представлена типовая модель бизнес-процесса по обслуживанию и ремонту инженерной инфраструктуры, позволяющая проводить дальнейшую детализацию и масштабирование модели.
Постановка задачи. Обслуживание и ремонт общедомового имущества включает несколько отдельных бизнес-процессов, представленных на рис. 1. Заявки с адресов поступают в аварийно-диспетчерскую службу, клиентскую службу, коммерческий отдел, при наличии свободных ремонтных бригад направляются в эксплуатационный отдел для исполнения [7].
Практический интерес представляет единая имитационная модель, описывающая генерацию, поступление, обработку заявок, позволяющая оценивать максимальное время нахождения заявки в системе, проводить прогнозирование качественного характера улучшений при выборе типовых управленческих решений. Основными параметрами модели являются: типы заявок, вероятностные распределения, характеризующие процессы появления и обработки заявок, число операторов, обрабатывающих заявки, специализация операторов. Управленческие решения могут также заключаться в изменении структуры бизнес-процессов, например, перечня и последовательности операций, совершаемых с заявками. Полномасштабная модель бизнес-процессов при этом может быть достаточно сложной, поэтому необходимо минимизировать затраты на вычислительные мощности.
572
