CC BY
171
ношения частичного или линейного порядка между показателями ремонтопригодности, а значит и между самим планируемым для ремонта оборудованием. Выявление наиболее предпочтительных критериальных постановок для решения задач выбора на ремонт при таком подходе может быть осуществлено на основе лишь качественной информации о целях выбора, и от нее не требуется введение каких-либо количественных данных.
Таким образом, безусловный критерий Парето и условный лексикографический критерий, учитывающие степень информированности лица, принимающего решение, используются с целью выстраивания частичных и линейных порядков объектов в однородных группах. Они дают возможность сформировать стратегии проведения ремонтов и обслуживания оборудования адаптивно к задаваемым исходным данным.
Оптимизация работ по ТОиР в целом позволит сократить издержки на складские запасы, понизить аварийность оборудования и тем самым сократить возможные риски остановки производства.
Авторы считают, что в данной работе новыми являются следующие положения и результаты: предложен набор методов прогнозирования значений характеристик оборудования для планирования проведения работ по ТОиР оборудования; для построения очередей ТОиР предложено использовать методы поддержки принятия решений, основанные на использовании неметрических критериев предпочтения (безусловного критерия Парето и условного лексикографического критерия).
В данный момент происходит разработка программной системы автоматизации планирования ремонтных работ для ОАО «ПО «Баррикады» с использованием полученных результатов.
Литература
1.Кизим А. В. Обоснование необходимости автоматизации работ по ремонту и техническому обслуживанию оборудования // Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в техн. Системах». - Волгоград, 2009. - № 6. - С. 118-121.
2.Кизим А. В. Постановка и решение задач автоматизации работ по ремонту и техническому обслуживанию оборудования // Доклады Томского государственного университета систем управления и радиоэлектроники (Доклады ТУСУРа). - 2009. - № 2 (декабрь). - С. 131-135.
3.Кандырин Ю. В. Методы и модели многокритериального выбора вариантов в САПР. Учебное пособие для Вузов. М.: Издательство МЭИ, 2004. - 172с.
4.Кандырин Ю. В., Московский А. Е., Шкурина Г. Л. Методика формирования оптимальных очередей ремонтов по техническим характеристикам объектов // Известия Волгоградского государственного технического университета. - Волгоград, 2007. № 2. - С. 110-114
УДК 004.8
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ ЭНЕРГОСБЕРЕЖЕНИЕМ
В. А. Камаев, д. т. н., профессор, заведующий кафедрой Тел. (8442) 248 100, e-mail: [email protected] М. В. Щербаков, к. т. н., доцент кафедры Тел. (8442) 248 100, e-mail: [email protected] Кафедра Системы автоматизированного проектирования и поискового конструирования (САПР и ПК)
Волгоградский государственный технический университет (ВолгГТУ)
http://www.vstu.ru А. Бребельс, менеджер проектов Тел. +32 14 57 96 57, e-mail: [email protected] Католическая высшая школа Кемпена (KHKempen) http://www.khk.be
The article dwells on the architecture and functionality of intelligent automation systems for energy saving management. The components of the system, among which a key module of data analysis knowledge database are shown. The issues of intelligent management implementation are discussed.
В статье рассматривается вопросы архитектуры и функциональности интеллектуальных систем автоматизации управления энергосбережением. Представлены компоненты системы, среди которых ключевым является модуль интеллектуального анализа данных и формирования знаний из данных. Отражены вопросы реализации блока интеллектуального управления энергосбережением.
Ключевые слова: энергосбережение, управление энергосбережением, интеллектуальная система, извлечение знаний из данных, интеллектуальный анализ данных.
Keywords. Energy saving, energy management, intelligent system, smart system, knowledge database discovery, data mining.
Актуальность. Вопросы, связанные с мероприятиями по оптимальному использованию ресурсов при сохранении установленного уровня комфорта (для человека) или установленного уровня производства являются актуальными практически для любой страны. Решения оптимальные в силу минимизации целевой функции потребления электроэнергии позволяют формировать программы для систем потребителей и накопителей электроэнергии с учетом заданного (целевого) уровня комфорта или плана производства. Особенно актуальным становится вопрос при условиях рынка свободной торговли ресурсами, при которых 1) возникают альтернативы поставки электроэнергии (других ресурсов), 2) имеется наличие гибкие тарифы, зависящие от времени суток, 3) наличие альтернативных источников электроэнергии. В этом случае возникает ряд задач, требующих решения. Рассмотрим важные с точки зрения тематики статьи.
Первая проблема точного прогнозирования потребления электроэнергии [1]. От ее решения зависит качество выполнения обязательной процедуры для предприятий - формирование дневных/ недельных заявок на потребление электроэнергии. Отклонение фактического потребления от прогнозного влечет формирование штрафов, а следовательно и финансовых рисков для потребителей. Прогнозирование требует высокой квалификации эксперта и осведомленности об объекте и параметрах влияющих на потребление. Безусловно, это самый эффективный способ решения задачи (при достаточном уровне компетенции эксперта как специалиста в предметной области, так и в области разработки и применения механизмов прогнозирования). Отметим узкие места такого подхода: 1) сложность в обработке разнородной информации с различных источников данных; 2) проблема в оперативном формирование прогнозов для множества объектов; 3) высокая стоимость привлечения экспертов. При этом, решение технических задач сбора, консолидации и представления в необходимом виде исходной информации зачастую требуют до 50-60% времени от всей процедуры прогнозирования. В этом случае разработка интеллектуальных, использующих базу знаний о процессе является обоснованной. Вторая проблема связана с вопросами качества данных: насколько достоверна имеющаяся информация? Если возникают вопросы о достоверности данных, то соответственно справедливы и опасения о достоверности результата. Третья проблема - проблема выявления потенциала энергосбережения - такое дневное (недельное) потребление электроэнергии, которое возможно экономить при заданных условиях.
Следовательно, вопросы проектирования и разработки интеллектуальной системы автоматизации процесса энергосбережения, являются критичными и своевременными в области использования информационных технологий в вопросах ресурсосбережения.
Проектирование интеллектуальных систем автоматизации управления энергосбережением. При проектировании подобных систем необходимо принять во внимание следующие области знаний: разработка интеллектуальных систем, основанных на принципе функционирования биологических объектов, интеллектуальных систем управления, гибридных интеллектуальных систем, интеллектуальной обработки данных (дата майнинг) и извлечения знаний из данных (и аналогичных), эволюционных интеллектуальных систем [2-7]. Несмотря на большое количество подходов и теоретических изысканий, критичными вопросами в проектировании остаются: 1) выбор и формирование структуры модели объекта управления (идентификация); 2) проверка качества данных, 3) адаптация моделей к изменению поведения объекта; 4) интерпретация результатов и тиражирование; 5) формирование базы знаний как на основе методов извлечения знаний из экспертов (например, CBR), так и извлечения знаний из данных (CRISP-DM).
Рассмотрим предлагаемую архитектуру интеллектуальной системы. Система имеет основные компоненты [2, 8] (см. рис. 1):
1) семантический слой для выбора (описания) проблемы (не рассматривается в рамках настоящей работы);
2) диспетчер загрузки и определения качества данных;
3) диспетчер запросов;
4) хранилище данных со структурой OLAP с диспетчером загрузки информации со внешних источников данных и с прослойкой, обеспечивающей доступ к хранилищу (например, объектная схема данных, linq);
5) компоненты библиотек моделей и методов;
6) компоненты библиотек процессов (процесс -последовательность вызовов методов для решения проблемы;
7) метаданные или база знаний;
8) компонента интеллектуального формирования и управления процессами и потоками потока метаданных.
Компонент интеллектуального управления представляет наибольший интерес. Алгоритм работы компонента схож с алгоритмом принятия решения.
1) Анализ проблемы и исходных данных для решения проблемы.
2) Формирование альтернатив на уровне процессов (совокупности моделей) и на уровне настроек модели.
3) Формирование целевой функции, формирование системы ограничений, критериев выбора альтернатив решения на основе имеющихся знаний в базе знаний, критериев качества (точность, устойчивость).
4) Выбор процесса, оптимизирующего целевую функцию при ограничениях.
Таким образом, в результате функционирования интеллектуального блока формируются модели объекта управления (задача идентификации) и управляющего устройства (задача управления).
Рис. 1 Архитектура системы интеллектуального управления энергосбережением
Реализация блока интеллектуального управления энергосбережением. Процессы с точки зрения блока интеллектуального управления являются результатом его функционирования. В качестве входной информации выступают данные характеризующие объект управления (здесь потребитель или сеть потребителей электроэнергии), ограничения (на переменные, например, интервал изменения значений в определенный промежуток времени), целевые характеристики (точность модели, устойчивость). Кроме этого для синтеза процессов используется база знаний и реализация моделей и методов интеллектуальной обработки информации. Т.к. процесс - это последовательность применения моделей, выдели частные задачи: задача 1: формирование оптимальной с точки зрения целевой функции последовательности; задача 2: определение оптимального набора входных переменных первой и последующих моделей; задача 3: определение числа моделей в зависимости от числа идентифицируемых типов динамики объекта управления; задача 4: определение структуры и параметрическая оптимизация модели (ей).
Исходя из указанного выше, в состав блока процессов должны входить: 1) процесс анализа качества данных, 2) процесс прогнозирования и 3) процесс расчета потенциала энергосбережения.
Рассмотрим процедуры синтеза процесса прогнозирования. В качестве входной информации показания потребления электроэнергии, датчиков состояния предприятия (работает - закрыто), датчиков температуры, скорости ветра, временной отметки (дата - время). Информация собралась на протяжении времени T с интервалом в 15 минут. Целевая функция среднее квадра-
тичное отклонение (ошибка RMSE). Необходимо выполнить формирование прогноза на горизонте прогнозирования a. Имеется набор коннективистских моделей прогнозирования и моделей предварительной обработки информации.
Алгоритм блока характеризуется следующими шагами.
1) Определить число имеющейся информации (датчиков).
2) Выполнить анализ качества данных с использованием подхода выявления выбросов и аномалий на основе модели прогнозирования.
3) Выполнить однопараметрический анализ и построение однопараметрической модели прогнозирования потребления электроэнергии.
a. Выделить K выборок данных на основе сезонного анализа с одинаковыми статистическими характеристиками (на основе, например анализа хи-квадрат статистики).
b. Провести автокорреляционный анализ для выявления величины лага (n) и число переменных N. Сформировать K моделей ( на основе базисной модели скользящего среднего).
c. Вычислить среднюю ошибку E1.
d. Если ошибка превышает 10%, то выбрать в качестве базиса нейронные сети, сформировать и настроить K моделей.
e. Вычислить среднюю ошибку E2.
f. Если ошибка превышает 10%, то перейти к многопараметрическому анализу.
4) Выполнить многопараметрический анализ и построение многопараметрической модели прогнозирования потребления электроэнергии.
а. Для каждого сенсора провести подбор входных переменных: определить значение N - число точек временного ряда для включения в модель и n - число дискретных отсчетом между точками (причем n ? const). Выбор осуществляется на основе продукционных правил, имеющих высокий степень доверия. Правила имеют левую часть: 1) тип объекта управления; 2) статистические характеристики распределения величины потребления; 3) тип сенсора. В правую часть включены: 1) значения <N, n >,
2) уровень агрегации (15минут, 30 минут, 1 час, 4 часа, 12 часов, день).
b. Изменить вектор входных данных и выполнить формирование и параметрическую оптимизацию модели (моделей).
c. Вычислить среднюю ошибку E3 (или показатель интегральной точности IA) для рассматриваемых объектов [9].
d. Если выполняется условие E3< E2, то перейти на шаг 3.а. В противном случае исключить добавленные параметры во входной вектор и снизить степень доверия правила.
5) Выполнить анализ потенциала энергосбережения сравнением прогнозных значений и измеренных.
Обсуждение результатов. Представлена концепция синтеза интеллектуальных систем автоматизации управления энергосбережением. Можно сформулировать следующие положения. Формирование процессов прогнозирования на основе приведенного ниже алгоритма позволит добиться формирования моделей прогнозирования в автоматическом режиме без участия эксперта на момент формирования и проверки моделей. Формирование базы знаний о процессе могут происходить в фоновом режиме, а знания о процессе формирования моделей прогнозирования извлекаться из данных.
Критичным вопросом при формировании моделей в условиях множественности объектов являются 1) точность прогнозирования и 2) скорость формирования процессов и модели. Для выбора наиболее оптимального процесс предлагается выполнять сверку нормализованных значений точности и скорости и соответствующих им весов.
Концепция была апробирована для решения вопросов анализа качества данных для выявления выбросов и аномальных значений и прогнозирования потребления электроэнергии в коммерческих зданиях.
Литература
1.Камаев В. А., Щербаков М. В., Панченко Д. П., Щербакова Н. Л., Бребельс А. Применение коннективистских систем для прогнозирования потребления электроэнергии в торговых центрах / Управление большими системами. Выпуск 31. М.: ИПУ РАН, 2010. С.92-109.
2.Методы классической и современной теории автоматического управления. В 5 томах. Том 5. Методы современной теории автоматического управления / Под ред. К. А. Пупкова, Н.Д. Егупов. - М.: Издательство МГТУ им. Н. Э. Баумана, 2004 год, 784 стр. ISBN: 5-7038-2193-2, 5-7038-2194-0
3.Гаврилов А. В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ, 2003. - 168с.
4.Frawley W. J. Knowledge discovery in databases: an overview/ W. J. Frawley, G. Patetsky-Shapiro, and C. J. Mathews // Cambridge: AAAI/MIT Press. - 1991.
5.Larose D. T. Discovering knowledge in data: an introduction to data mining / Daniel T. Larose // John Wiley & Sons, Inc. ISBN 0-471-66657-2 (cloth). - 2005.
бАкимов А. А., Богатырев В. Е., Финогеев А. Г. Системы поддержки принятия решений на базе беспроводных сенсорных сетей с использованием интеллектуального анализа данных // Сб. статей Международного симпозиума «Надежность и качество». - Пенза, Изд-во Приволжский Дом знаний, 2010 г. - с. 113115.
7.Камаев В. А., Щербаков М. В., Скоробогатченко Д. А. Применение нечетких нейросетевых моделей для идентификации состояния автомобильных дорог / Вестник компьютерных и информационных технологий. Вып. 12. М.: Научно-техническое издательство “Машиностроение”, 2010. С. 36-41
8.Коннолли Т., Бегг К. - Базы данных. Проектирование, реализация и сопровождение. Теория и практика. (3-е издание) // из-во Вильямс, 2003, 1440с.
9.Brebels A. Mathematical and statistical framework for comparison of neural network models with other algorithms for prediction of Energy consumption in shopping centres / Shcherbakov M.V., Kamaev V.A., et all / / Proceedings of the 37 Int. Conf. Information Technology in Science Education Telecommunication and Business, suppl. to Journal Open Education. Yalta - Gurzuf. - 2010. - P. 96-97.
УДК 004.89
РАЗРАБОТКА ХРАНИЛИЩ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ МОНИТОРИНГА УЧЕБНОЙ ДЕЯТЕЛЬНОСТИ КАФЕДРЫ
А. М. Бершадский, д. т. н., профессор Тел/факс: (8412) 36 84 48, e-mail: [email protected],
И. П. Бурукина, к. т. н., доцент Тел/факс: (8412) 36 84 48, e-mail: [email protected] А . А. Акимов, аспирант.
Тел/факс: (8412) 36 84 48, e-mail: [email protected] Пензенский государственный университет http://pnzgu.ru
The article deals with the development of data warehouse and the use of data analysis for monitoring the educational activities of the department. The technology of the development of data warehouses is described. The authors offer integration technology of data analysis and the concept of data warehousing.
В статье рассматриваются вопросы разработки хранилищ данных и использование методов интеллектуального анализа данных для мониторинга учебной деятельности кафедры. Описывается технология разработки хранилищ данных. Предлагается интеграция технологии интеллектуального анализа данных и концепции хранилищ данных.
Ключевые слова: хранилища данных, мониторинг учебной деятельности, интеллектуальный анализ данных.
Keywords: data warehouse, monitoring of educational activities, data mining.
Постановка задачи
Актуальность работы заключается в том, что в связи с возрастающими объемами статистической информации по учебной деятельности кафедры вуза, накапливаемой в распределенных, разрозненных источниках данных, и постоянно меняющимися требованиями к анализу информации актуальным становится построение хранилищ данных (Data Warehouse) для решения аналитических задач и использование методов интеллектуального анализа данных для мониторинга учебной деятельности. Концепция хранилищ данных получила развитие вследствие желания конечных пользователей иметь непосредственный единообразный доступ к необходимым им данным, источники происхождения которых организационно и территориально распределены [1]. Хранилище в этом случае является инструментом, обеспечивающим поддержку принятия обоснованных управленческих решений на базе технологии оперативного анализа данных (Online
