CC BY
26
Рисунок 1 - Схема оптимального транспортного маршрута
Точно также y,2 ysl = U4optjy42 г У44 У51 =
U 4opi! У 44 - первый набор условно оптимальных решений; возможные положения объекта к началу предпоследнего (третьего) этапа есть y3s (s = 1,5 ); для состояния y31 существует единственное решение - двигаться по линии y31 y41 y51 =
(U3,U4>ор,/Уз1 ; для y32 лучшим является продолжение У32 У41 У51 = (U3,U 4 ^opi / У32 и далее узз У42 У51 =
(U3,U4)ор^Уз3 У35 У43 У51 = (U3,U4)ор^Уз5 •
Отметим, действия здесь спланированы с учетом требования достичь наибольшего эффекта на двух последних этапах вместе.
Повторяя алгоритм аналогичного действия применительно к состояниям y2s (s = 1,4) получим следующие результаты: кратчайший путь из y21 в B
ЛИТЕРАТУРА
1. Бецков А.В. Модели оценок и снижений рисков на воздушном транспорте. М.: ТЕИС, 2004. 248 с.
2. Северцев Н.А., Бецков А.В. Введение в безопасность. М.: ТЕИС, 2008. - 176 с.
3. Северцев Н.А., Бецков А.В. Модели безопасности функционирования динамических систем. М. : ТЕИС, 2015. - 328 с.
есть У21 У31 У41 У41, из У22 - У22 У42 У51, ИЗ У23 - У23 У34 У42 У51 И, наконец, из У24 - У24 У35 У43 У51- Теперь исследуем точку А. Поскольку оптимальные решения
для точек У2в (в = 1,4) найдены, то достаточно сравнить величины (У11 У21 + У21 У31 У41 У51), (У11 У22 + У22 У33 У42 У51), (У11 У23 + + У23 У34 У42 У51) и (У11 У24 + У24 У35 У43 У51); наименьшей среди них оказывается (Ун У22 + У22 У33 У42 У51) •
Примечание. Величина минимизация пройденного расстояния определяется масштабом рис. 1.
Оптимальная траектория перемещения летательного аппарата моделируется исходя из множества факторов, прежде всего из целевых, условий среды выполнения задания, типа технической системы и пр.
УДК 620.77
Полетаев В.П., Богданов Д.А.
ФГБОУ ВО «Вологодский государственный университет», Вологда, Россия
АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ ОЦЕНКИ СОСТОЯНИЯ ОБОРУДОВАНИЯ
К числу приоритетных задач по повышению уровня безотказности оборудования относятся совершенствование методов анализа надежности, рациональное применение их результатов в действующем производстве. Решение о стратегии использования технических систем может приниматься автоматизированной системой управления или может входить или в систему контроля, или в систему восстановления работоспособности объекта. Алгоритмическое обеспечение, разработанное применительно к конкретному объекту, позволяет определить необходимые структуру и состав вычислительно-управляющего комплекса. На основе предложенного ранее метода разработано алгоритмическое обеспечение системы оценки состояния оборудования, включающее следующие алгоритмы: алгоритм предварительной обработки информации, позволяющий определить оптимальное время технического обслуживания по критерию максимума коэффициента технического использования; алгоритм реализации модели оценки технического состояния оборудования на основе критерия минимума удельных затрат; алгоритм принятия решения об эксплуатации оборудования (планирования работ по техническому состоянию оборудования) на основе упрощенной математической модели, в основе которой лежит определение коэффициента характеризующего поведение функции надежности на основании линейной аппроксимации
Ключевые слова:
алгоритмы, техническое обслуживание, автоматизированные системы управления
Введение
Промышленное оборудование представляет собой физические системы, предназначенные для выполнения определенных функций с требуемой эффективностью. Решение о стратегии использования технических систем может приниматься автоматизированной системой управления (АСУ) или может входить или в систему контроля, или в систему восстановления работоспособности объекта [1].
Роль системы восстановления может выполнять специальное автоматическое (автоматизированное) устройство или человек-оператор с приданными ему техническими средствами. По результатам, полученным на выходе анализирующей подсистемы, система восстановления осуществляет перевод объекта в допустимое множество состояний. Этот перевод объекта может осуществляться автоматически или неавтоматически путем настройки параметров,
замены блоков, модулей или всего контролируемого объекта в целом. В этом смысле эксплуатируемые объекты и элементы технических систем могут считаться объектами управления, а система контроля с системой восстановления (АСУ, система обслуживания) - системой управления эффективностью объекта (рисунок 1). Процесс контроля и восстановления эффективности объекта является, таким образом, процессом управления эффективностью эксплуатируемого объекта [2].
Рисунок 1 - Обобщенная схема АСУ-техническая система
Оценка эффективности функционирования объекта и системы обслуживания может быть произведена на основе математической модели процесса контроля и восстановления [1,2].
Основная часть
К задачам технической прогностики относятся, например, задачи, связанные с определением срока
службы объекта или с назначением периодичности его профилактических проверок и ремонтов. Эти задачи решаются путем определения возможных или вероятных эволюций состояния объекта, начинающихся в настоящий момент времени.
Решение задач прогнозирования весьма важно, в частности, для организации технического обслуживания объектов по состоянию вместо обслуживания по срокам или по ресурсу. Непосредственное перенесение методов решения задач диагностирования на задачи прогнозирования невозможно из-за различия моделей, с которыми приходится работать: при диагностировании моделью обычно является описание объекта, в то время как при прогнозировании необходима модель процесса эволюции технических характеристик объекта во времени. В результате диагностирования каждый раз определяется не более чем одна "точка" указанного процесса эволюции для текущего момента (интервала) времени. Тем не менее, хорошо организованное диагностическое обеспечение объекта с хранением всех предшествующих результатов диагностирования может дать полезную и объективную информацию, представляющую собой предысторию (динамику) развития процесса изменения технических характеристик объекта в прошлом, что может быть использовано для систематической коррекции прогноза и повышения его достоверности.
Для решения проблемы адаптации известных методов для прогнозирования необходимо описать причины ее возникновения для формирования эффективного решения по способам устранения. На рисунке 2 представлено «дерево проблем» объектов.
Рисунок 2 - Дерево проблем для принятия решения об оценке состояния оборудования
Алгоритмическое обеспечение, разработанное применительно к конкретному объекту [3], позволяет определить необходимые структуру и состав вычислительно-управляющего комплекса. Алгоритмическое обеспечение представляет собой совокупность алгоритмов обработки информации с их взаимными связями.
Рассмотрим алгоритм предварительной обработки информации, позволяющий определить оптимальное время технического обслуживания по критерию максимума коэффициента технического использования.
Блок-схема алгоритма обработки информации представлена на рисунке 3.
Собранные данные подвергаются обработке сервером приложений, где производится подбор вида
распределения. На следующем этапе происходит расчет критериев согласия, которые предназначены для проверки гипотезы о принадлежности выборки некоторому закону распределения, то есть проверки того, что эмпирическое распределение соответствует предполагаемой модели (критерий Пирсона, критерий Колмогорова). Далее расчет происходит с использование математических моделей [3, 4]. На основании расчетов производится оптимизация программы технического обслуживания, которая включает прогнозирование, управление технической документацией и управление работами, а также учет затрат. На основании этого программа строит графики, уточняет сметы, составляет заявки и формирует ведомости.
■хбания ) С Начат птниробашя
Рисунок 3 - Блок-схема разработки модели оценки технического состояния оборудования на основе
критерия максимума
к„
Алгоритм реализации модели оценки технического состояния оборудования на основе критерия минимума удельных затрат осуществляется определением готовности к прогнозированию при наличии модели объекта, базы данных. На следующем этапе происходит определение начальных условий для моделирования - предварительная обработка информации производственных данных. На данном этапе происходит выбор вида распределения, сравнение опытных и теоретических распределений, задаются параметры распределения и вводятся данные для определения оптимального времени технического обслуживания.
Далее происходит расчет оптимального времени на основании математических моделей [5].
Обученная модель готова к управлению.
Рассчитанные на следующем этапе значения критериев надежности элементов и всей системы оборудования передаются и сохраняются в базы банных для использования, как настройки модели, так и в практическом решении.
Последним этапом служит вывод значения и завершение работы алгоритма.
Блок-схема алгоритма обработки информации представлена на рисунке 4.
Опишем алгоритм принятия решения об эксплуатации оборудования (планирования работ по техническому состоянию оборудования) на основе упрощенной математической модели, в основе которой лежит определение коэффициента характеризующего поведение функции надежности на основании линейной аппроксимации. Блок-схема алгоритма показана на рисунке 5.
Собранные статистические данные об отказах подвергаются обработке сервером, где производится расчет прогноза и запись в базу данных, который заключается в выборе вида распределения и его параметров. На следующем этапе с помощью метода наименьших квадратов происходит аппроксимация экспериментальных данных, определяется коэффициент и на основании моделей [6,7], определяется оптимальное время технического обслуживания.
Рисунок 4 - Блок-схема разработки модели оценки технического состояния оборудования на основе критерия минимума Суд
Рисунок 5 - Алгоритм принятия решения об эксплуатации оборудования на основе линейной аппроксимации
Далее с целью сокращения внеплановых ремонтных работ и простоев оборудования производится оптимизация программы технического обслуживания
и ремонтов - устанавливается срочность ремонта, его продолжительность, трудозатраты, требования в запасных частях и материалах, ответственные. Составляются соответствующие данной процедуре документы в электронном виде - ведомости, заявки, сметы, графики, акты, отчеты. После описания алгоритмов системы оценки состояния оборудования на следующем этапе возможна проведение экспериментальная проверка данных методов и алгоритмов, а также реализация данных схем с помощью автоматизированного комплекса принятия решений по техническому состоянию оборудования.
Заключение
Полученные алгоритмы могут быть программно и аппаратно реализованы в автоматизированных системах управления и контроля процесса технического обслуживания и ремонта, тем самым позволяя в реальном режиме времени оценивать техническое состояние машиностроительного оборудования, а также реализовать стратегию оптимизации ремонтных работ по техническому состоянию оборудования, его износу.
ЛИТЕРАТУРА
1. Полетаев, В.П. Автоматизированная система оптимизации периодичности профилактики проявления отказов / В.П. Полетаев, Д.А. Богданов // Труды международной конференции «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта». - Москва: ИПУ РАН, 2015. - С. 224-226.
2. Полетаев, В.П. Применение автоматизированного комплекса для оценки состояния сложных технических систем со скрытыми отказами / В.П. Полетаев, Д.А. Богданов // Надежность и качество сложных систем. - Пенза: ФГБОУ ВО ПГУ. - № 3(15) - 2016. - С. 80-84.
3. Полетаев, В.П. Автоматизированная система реализации модели оценки технического состояния оборудования на основе линейной аппроксимации / В.П. Полетаев, Д.А. Богданов // Труды международной конференции «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта». - Москва: ИПУ РАН, 2016. - С. 364-366.
4. Полетаев, В.П. Моделирование и расчёт периодичности профилактического обслуживания технических систем по эмпирической функции надёжности / В.П. Полетаев, Д.А. Богданов // Конструкции из композиционных материалов. - 2007. -№ 4. -С. 58-64
5. Полетаев, В.П. Управление периодичностью обслуживания технических систем при оптимизации коэффициента технического использования / В. П. Полетаев, Д. А. Богданов // Надежность и качество: труды Международного симпозиума: в 2-х т. / Пенза: Информационно-издательский центр ПГУ, 2007. -С. 237-239.
6. Полетаев, В. П. Оптимизация периодичности профилактики отказов / В. П. Полетаев, Д. А. Богданов // Труды международного симпозиума Надежность и качество. -2015. -Т. 1. -С. 35-37.
7. Полетаев, В. П. Управление профилактическим обслуживанием при различном проявлении отказов технических систем / В. П. Полетаев, О. И. Микрюкова, Д. А. Богданов // Труды международной конференции «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта». - Москва: ИПУ РАН, 2011. -С. 249-250.
УДК 004.89:004.93 Сёмов А.А.
ООО «Комхэлф», Пенза, Россия
ИНТЕЛЛЕКТУАЛЬНАЯ ОБРАБОТКА 3D ИЗОБРАЖЕНИЙ: ПРЕОБРАЗОВАНИЕ, СЕГМЕНТАЦИЯ И НЕЛИНЕЙНАЯ ФИЛЬТРАЦИЯ ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ
В статье описаны основы интеллектуальной обработки 3D изображений на основе гипертрейс-преобразования. Рассматриваемый в настоящей работе метод сканирования трехмерных изображений основан на аппарате стохастической геометрии и функционального анализа. Описана математическая модель и техника сканирования гипертрейс-преобразования. Предложено дальнейшее развитие теории гипертриплетных признаков. Благодаря их аналитической структуре возможна автоматическая генерация большого количества признаков с заранее заданными свойствами, в частности, инвариантности и сенситивности по отношению к группе движений и масштабным преобразованиям. Проанализированы, основные элементы, интеллектуальной обработки 3D изображений: преобразование, сегментация и нелинейная фильтрация. Приведены конкретные примеры
Ключевые слова:
3D изображение, гипертрейс-преобразование, гипертриплетный признак, инвариантное распознавание, интеллектуальная обработка, сегментация изображения, преобразование изображений, нелинейная фильтрация
Введение
Устойчивой тенденцией научно-технического прогресса является увеличение числа людей, занятых обработкой информации, которое становится всё больше и больше с каждым годом. Одной из важнейших задач, возникающих при создании информационных систем, является автоматизация процесса распознавания образов. Для её решения ведутся широкие исследования, которые призваны помочь познать одно из основных свойств человеческого мозга - способность распознавать [1-3]. Для этого разрабатываются и создаются решающие предпосылки для построения интеллектуальных систем.
Проблема анализа и распознавание трехмерных изображений имеет огромное общетехническое и прикладное значение. Во многих отраслях знаний существенная часть информации заключается в изображениях, без анализа которых невозможно осуществлять дальнейшую деятельность. Например, к их числу можно отнести изображения, получаемые с помощью магнитно-резонансной томографии. В большинстве практических задач необходимо исследовать свойства и метрические характеристики исходных пространственных объектов [4-5]. В связи
с этим анализ и распознавание трехмерных изображений является актуальной задачей.
Возможности интеллектуального анализа изображений с помощью компьютеров пока находятся на не высоком уровне, несмотря на возрастающую потребность в данных методах. Самостоятельное принятие решение и искусственный интеллект роботов будет невозможен или крайне неэффективен при слабом уровне машинного зрения [6]. Так, транспортные роботы при плохом качестве машинного зрения не смогут обеспечить надежную ориентацию и движение в пространстве.
Интеллектуальная обработка 3D изображений: гипертрейс-преобразование
Обозначим через В(^,г) = | х | х = г| как касательную к сфере центром в начале координат, проходящую через заданную точку X и на расстоянии г от начала координат и вектором нормалью
Т] = \сс$,т^ $,тф, $жф, СС8ф] , где а - угол между
осью 0х и проекцией отрезка ОХ на плоскость 0ху, Ф - угол между осью 0 2 и отрезком ОХ.
Сканирование исходного объекта осуществляется сеткой параллельных плоскостей с разных углов
