CC BY
174
functioning within the farm. For the needs of the effective management of the farms there are created a comprehensive professional software products consisting of several subsystems. Such approach has been used on the modern agrocompany AGRODIVISION Selice, located in southwest Slovakia. The company consists of three farms and it is farming on the area of 4500 ha in maize growing region having a 32 mobile units (high-powered tractors, combine harvesters, forage harvesters, self-propelled loaders, self-propelled sprayers, etc.). The company has introduced its own AgroCont information system with the aim to achieve the higher level of farm management, Urbanovic, 2010. The structure of the AgroCont information system and its relation to human resources is presented on the Figure 3.
УДК 621.436-047. 43:621. 384.3 Канд. техн. наук В.Е. КОЛПАКОВ
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОПРЕДЕЛЕНИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ
ДИАГНОСТИРУЕМОГО ОБЪЕКТА
Диагностика двигателя, нейронные сети, нейроны скрытого слоя, многослойный перцептрон, радиально базисная функция, функция ошибок, генерализация, классификация, распознавание образов, искусственный интеллект.
Разработка системы технического диагностирования является непростой задачей включающей в себя как применение современных диагностических средств, так и совершенствование математического аппарата определения состоянии диагностируемого объекта. Современные системы технической диагностики непосредственно связаны с распознаванием образа состоянии объекта[2]. В настоящее время нейронные сети получили широкое развитие и имеют исключительные возможности для получении и значений, правил и тенденций из данных, затруднительных для понимании, имеющих значительные погрешности и шум [1]. Нейронные сети, управляемые посредством сложных математических функций, могут использоваться для получении образов и распознавании тенденций и решать задачи такой сложности, которые не под силу для математических моделей, использующих аналитические или параметрические методики. Одним из достоинств нейронных сетей является способность точного предсказании значений, которые не являются частью экспериментальных данных, т.е. используют процесс, называемый генерализация. Таким образом, нейронные сети могут быть использованы для решении реальных мировых проблем как в науке, так и в бизнесе и индустрии [3].
(СПбГАУ, val-kolpakov@mail.ru)
выход
Рис.1 Простейшая нейронная модель
Работа простейшей нейронной модели (рис.1) происходит следующим образом. На входе л; сигналы передаются нейрону , затем в зависимости от значимости совокупности сигналы обрабатываются и трансформируются с использованием мате мат теской функции/
Далее будет рассмотрена искусственная простейшая нейронная сеть с несколькими входами и одним выходом. Нейрон получает сигналы от многих источников. Источники, обычно формирующиеся посредством экспериментальных данных, рассматриваются как входящие переменные х, или просто входы. Входы характеризуются силой источника, называемой весом. Весу придается численное значение. Чем больше вес w, тем сильнее полученный сигнал, и следовательно, большая значимость для соответствующего входа. При получении сигнала весовая суиплш входов формирует условия для создания актив ацио иной фу нкцииу( просто активации) не йр о нов. Так:
ВЫХОД(output) =f(w1x1+... +wdXd)
Значения выхода прогнозируются простейшей нейронной моделью для переменных данных, которые приводят к цели L Таким образом, процесс сводится к определению связи между входом и целью посредством использования математической функции.
Однако простейшая нейронная модель не в состоянии выполнить сложное задание. Иными словами, для выполнения практической задачи необходимо создание нейронной сети, имеющей множество нейронов. Входы и выходы согласовывают и передают информацию приблизительно так же, как информация, полученная нами от глаз нервными импульсами передается рукам. Однако для этого должны быть и скрытые нейроны, выполняющие внутреннюю роль в сети. Входы, внутренние нейроны и выходы должны соответствующим образом согласовываться. В таком случае простейшая нейронная сеть с механизмом прогнозирования событий будет иметь следующую структуру: входные сигналы поступают к внутренним (скрытым) нейронам, которые в итоге дают информацию выходным нейронам. Такая структура обладает достаточной устойчивостью и безотказностью. Это обусловливает широкое использование сетей с механизмом прогнозирования событий (Feedforward Neural Networks) [4].
Схема полносвязной многослойной MLP2 нейронной сети с тремя входами , четырьмя внутренними нейронами и тремя выходами показана на рис.2
Многослойная нейронная сеть
выходной слой
внутренний слой
входной слой
Qнейрон ф биас
Рис.2 Схема многослойной нейронной сети MLP
Для каждого нейронного слоя в MLP нейронной сети имеется биас. Биас - это нейрон, в котором актив ацио иная функция постоянно имеет единичное значение. Биас, как и другие нейроны, имеет связи с нейронами в верхнем слое с учетом значимости сигнала, иногда его называют пороговой величиной. Биасы и нейроны обеспечивают создание послойной топологии прогнозирования событий. Многослойный перцептроны (MLP) являются наиболее распространенной архитектурой нейронной сети на сегодняшний день, изобретателями которого являются Рамелхарт и МакКлеланд
(1986г.), в дальнейшем получили широкое развитие благодаря Бишопу (1995 г.). Каждый нейрон выполняет весовое суммирование, своего входа и передает информацию через трансферную функцию для получения соответствующего выхода. Та сеть так же имеет простейшую интерпретацию в форме модели со входом и выходом с весом сигналов и способностью прогнозирования, то есть модель с регулируемыми параметрами. Такая сеть может моделировать функции произвольной сложности с множеством слоев и нейронов. Важной особенностью конструкции многослойных перцептронов (MLP) включают в себя характеристики всех внутренних слоев и нейронов в каждом внутреннем слое, могут производить выбор активационной функции и методов обучения.
Схема нейронной сети с радиально базисной функцией (RBF) с тремя входами, четырьмя радиально базисными функциями представлена на рис.3. Как видно из схемы, в отличие от MLP сети, данная сеть содержит биас только в выходном слое. В большинстве случаев RBF сеть проще, чем MLP. BRF также имеет однонаправленные полные связи между нейронами различных слоев, обеспечивающие работу механизма прогнозирования событий.
Рис.3 Нейронная сеть с радиально базисной функцией (RBF)
Однако такие нейронные сети имеют фундаментальные различия в части моделирования связей вход- цель. В то время как модель сети MLP соотносят вход-цель в один этап, сети RBF разделяют процесс обучения на два независимых этапа, имеющие различные направления. На первом этапе при использовании нейронов внутренних слоев, известных как радиальные базисные функции, RBF сетевые модели определяют закон распределения входных данных. На втором этапе RBF анализируют, как соотносятся входные данные х с целью t При этом в отличии от MLP сетей, только выходные нейроны имеют связи с биасом. Иными словами, RBF сети не имеют связи со входными и радиально базисными нейронами.
Процесс выбора параметров нейронных сетей, позволяющий приблизительно установить функциональную зависимость между входом х и целью t называют обучением. В этом процессе нейронные сети обучают модель работать, используя примеры. Имеется также арсенал различных методов обучения нейронных сетей, реализация большинства которых требует использование
выходной слой
внутренний слой
входной слой
большого количества алгоритмов, что существенно усложняет задание даже при ограниченном количестве циклов. Необходимость в таких итеративных алгоритмах обусловливает высоко нелинейную природу моделей нейронных сетей, что существенно усложняет, а зачастую делает невозможным решение задачи. Итеративный обучающий алгоритм шаг за шагом регулирует вес сигнала в нейронных сетях так, что любое входное значение х в нейронной сети может произвести выходные данные, максимально приближенные к цели t.
Поскольку обучающие нейронные сети требуют инициализации итеративного алгоритма при каждой регулировке веса он должен задать начальные условия для приемлемых стартовых величин. Это иногда может потребовать не только качества решений, но и времени для подготовки обучения. Для получения точных данных важно , чтобы инициализация весов начиналась с небольших значений в линейном режиме , которые затем постепенно увеличивались.
Пакет программ СТАТИСТИКА Автоматизированные нейронные сети (SANN) [5] снабжен двумя рендомизированными методами для инициализации весовых значений, использующими нормальное и равномерное распределение. Метод, использующий нормальное распределение, инициализирующий вес использует данные, соответствующие нормальному закону распределения внутри ряда имеющего значения от нуля до единицы. Метод, использующий равномерное распределение, определяет веса, равные либо 0, либо 1.
Нейронные сети сами по себе не могут предсказывать событие до тех пор пока не пройдут процедуру обучения на примерах. Примеры обычно состоят из пар информации "вход-предсказание", которые используют одну за другой по мере процесса обучения. Можно представить входные данные в виде "вопроса", а предсказание в виде "ответа". Таким образом обучение идет в постоянном режиме вопрос- ответ. Тем не менее в каждом шаге обучения нейронная сеть требует установку значений весов, используемых данных и оценивает их корректность с помощью критерия, называемого функцией ошибок. Если вес выбран не достаточно правильно, производится его корректировка, отвечающая более правильному предсказанию.
Как правило, процесс обучения достаточно сложен, однако таким образом возможно снижение ошибочности предсказаний (классификации). Корректировка значений веса обычно происходит с помощью алгоритма, который, как учитель, учит как правильно подобрать вес для получения наилучшего результата, используя каждую пару обучающих примеров.
Для эволюции нейронной сети в процессе обучения необходима функция ошибок . Функция ошибок рассчитывает насколько близко к истине предсказание нейронной сети и какое значение веса необходимо для алгоритма в каждой итерации. Таким образом функция ошибок - это глаза и уши алгоритма обучения, оценивающая качество работы нейронной сети.
Функция ошибок, используемая для обучения нейронной сети, снабжена неким мерилом дистанции точности достижения цели при использовании конкретных входных данных. Для этого наиболее общим подходом является использование квадратичной суммы. В данном случае это может быть дискриминантная функция. Функция квадрата суммы необходима для определения различия между расчетным и фактическим значением предсказания определенного внутри цикла обучения.
N
Esos = - tí)2, где
i —1
N- количество случаев, используемых в обучении, yt- расчетное предсказание состояния, t¿-действительное состояние объекта.
Естественно, чем больше различие между расчетным и действительным тем больше значение функции ошибок, что в свою очередь означает необходимость более точной коррекции веса для работы обучающего алгороитма. Функция ошибок на основе квадрата суммы может использоваться как для регрессионного анализа, так и для решения задач классификации. Однако достоверные нейронные сети при решении задач классификации могут использовать и другую функцию ошибок, называемую функцией ошибок крестовой энтропии:
ЕСЕ = -Жг ti ln(f).
При этом предполагается, что действительное состояние описывается полиномиальным распределением. Это является отличием от функции ошибок квадрата сумм, использующую распределение значений действительного состояния как функцию нормального вероятностного распределения. С другой стороны, для классификационных задач SANN использует крест -энтропическую функцию ошибок для обучения, но выбор критерия преобразований для получения лучшей нейронной сети в действительности базируется на классификационном ряду, который может быть упрощенно интерпретирован как сравнение с функцией ошибок, базирующейся на энтропии. Работа нейронной сети оценивается степенью правдивости предсказаний при использовании незнакомых данных. Этот процесс называется генерализацией. Результат генерализации известен как тенденция использования обучающих данных осложненная использованием новых данных. В то время как процесс обучения направлен на создание разветвленной и гибкой нейронной сети, достигающей превосходных результатов (значение 0 функции ошибок), все же реальным выходом является точное предсказание по новым данным.
Сеть повторяет циклы обучения до тех пор пока тестовая ошибка уменьшается. Как только тестовая ошибка начинает увеличиваться процесс должен быть остановлен. Существуют различные технические приемы для решения проблемы правильного выбора и подстановки выходных данных процесса генерализации. Наиболее распространенным является возведение в степень использования данных тестирования. Данные тестирования это некая выборка, которая никогда не используется в обучении. Таким образом она будет использоваться в качестве значений, показывающих насколько удачно идет процесс моделирования соотношения входа и выхода являясь продолжением обучения. Наиболее значительная работа в оценке качества нейронного моделирования концентрируется на достижении близости к действительности результатов теста. Отдельные тестовые данные используются для снижения количества циклов обучения. Такой процесс остановки обучения нейронных сетей направленный на улучшение качества генерализации называют своевременной остановкой или "стоп краном". Алгоритм своевременной остановки следующий:
1. Подготовка обучающей выборки в виде пар входа- результата.
2. Расчет результата предсказаний
3. Использование функции ошибок для вычисления разницы между расчетным и действительным значением предсказания.
4. Продолжение выполнения шагов 1 и 2 до тех пор пока все пары данных не будут использованы.
5. Использование алгоритма обучения для оптимального выбора значимости исходных данных с целью получения наилучших результатов предсказания для каждой пары данных.
6. Прохождение окончательного тестирования сети и вычисление ошибки.
7. Сравнить значение ошибки с предыдущим циклом; в случае, если ошибка продолжает уменьшаться - продолжать, а в противном случае - остановить обучение. Количество циклов обучения может быть различным.
Наряду со своевременной остановкой существует и альтернативная методика улучшения генерализации , которую называют регуляризация. Этот метод содержит добавление логикической составляющей к функции ошибок, которая препятствует чрезмерному увеличению значений веса данных. Один из общих подходов регуляризации известен как весовое снижение.(Bishop 1995). Весовое снижение осуществляется посредством модификации функции ошибок для снижения значительного веса посредством добавочной составляющей аналогично функции ошибок крестовой энтропии.
Е = Esos + Ew , где Ew = ^waw , где: о -константа уменьшения веса, w-веса сети (исключая биас).
Чем больше а, тем меньше вес. Следовательно, значительное снижение веса может сделать нейронную сеть непригодной для использования, а экспериментирование необходимо для определения фактора оптимального снижения веса. Способность генерализации зависит нейронной сети зависит от константы снижения веса. Таким образом, один метод использует постоянную снижения веса для обучения различных нейронных сетей с различными значениями снижения и последующую оценку ошибок генерализации для каждой, в то время как другой метод постоянную
снижения веса, которая минимизирует ошибку. На ранних стадиях метода поддерживается уменьшение веса, которое чувствительно к проблеме повышения точности нейронной сети и улучшения ее способностей, затем за счет увеличения крутизны изменения значений происходит дальнейшее улучшение свойств.
Использование нейронных сетей для определения технического состояния двигателей внутреннего сгорания (ДВС), в том числе автотракторных, в настоящее время является перспективным направлением, так как нейронные сети обладают несомненными преимуществами по сравнению с другими методами распознавания образов, такими как метод Байеса, дискриминантный анализ, метод ближайших соседей и пр. К основным преимуществам математических моделей основанных на нейронных сетях в задачах классификации можно отнести высокую гибкость и точность предсказаний, приобретающие важное значение при диагностике технических стохастических систем, к которым можно отнести ДВС. Несомненно, что нейронные сети в состоянии решать сложнейшие задачи, такие как непосредственное определение неисправности конкретной системы двигателя, узла или детали, однако при использовании диагностики в качестве первого этапа определения фактической загрузки машино- тракторного агрегата (МТА) достаточно решить задачу принадлежности к одному из классов технического состояния.
В процессе эксплуатации при переходе границы технического состояния двигатель попадает в класс непригодности, называемый параметрическим повреждением вследствие износа или нарушения эксплуатационных регулировок. Изменение технического состояния двигателя в области состояний пригодности детерминировано физическими и химическими процессами. Однако непосредственное установление границ классов состояний (диагнозов) носит условный характер. Критерии состояния зависят от принятых параметров "качества технического состояния" двигателя . Учитывая , что качество изделий оценивается "степенью обеспечения требований потребителя" - ГОСТ 15467-79, следует отметить , что важнейшими критериями предельного состояния могут быть такие, которые обусловлены эксплуатационными факторами, а именно технические и экономические В рамках поставленной диагностической задачи наибольший интерес представляет комплексный технический критерий - критерий потери мощности, который может быть косвенно определен по температуре выпускных газов и динамике разгона ДВС.
Предельным состоянием технической системы называется такое его техническое состояние, при котором дальнейшая эксплуатация будет невозможна или запрещена (ГОСТ 27. 002-89). От момента начала эксплуатации и до момента достижения предельного состояния двигатель будет находиться в различных состояниях (классах ). При этом состояние объекта можно условно поделить на три класса.
1 класс - работоспособное состояние- состояние объекта при котором значения всех параметров, характеризующих выполнять заданные функции соответствуют требованиям нормативно- технической и конструкторской документации..
2 класс -параметрическое повреждение пригодности , вызывающее снижение мощности до 10 %.
3 класс - предельное состояние, потеря мощности свыше 10%.
Каждому классу соответствуют априорные диагностические признаки, полученные в результате эксперимента.
Для реализации способа диагностики проведен анализ и создана математическая модель на основе теории распознавания образов.
Исходными данными такой модели являются выборки данных, представляющие собой массив значений температур выпускных газов двигателя в зависимости от эксплуатационных характеристик и регулировок. При этом в качестве диагностических параметров используются средние значения температур каждого цилиндра 1, С при максимальной и минимальной частоте вращения коленчатого вала и время разгона т от минимальной до максимальной частоты вращения. С целью получения такого массива создана экспериментальная установка, включающая в себя атмосферный дизель Д-144 с воздушным охлаждением, электрический тормозного стенд и комплекс измерительной аппаратуры. Места замера температур указаны на рис.4.
Рис. 4. Схема расположения точек замера температур
Результаты экспериментальных исследований зависимости температур и времени разгона от состояния двигателя (выборка) сведены в таблицу 2 в формате, предложенном пакетом программ STATISTIC А 10 Enterprise.
Таблица1 Выборка значений диагностических признаков с указание принадлежности к опеделенному классу технического состояния
Данныа по ДЗС Д -Ш создания нейронной сети
1 NNSET 2 11 trm gr С 3 12 min gr С t 13 mir gr С 5 14 m n gr С е 11 iraxgrC 7 t2max<)rC 8 13 max fir С 9 14 max gr С 1С вр. patr., С 11 КЛАСС
1 Train 59.6 57,7 48,2 52.9 117,4 115,3 114,7 116,2 1.85 1
2 Sdecl 60,6 60,8 51 45,7 124,6 129,7 116.6 115,1 1.92 1
3 Trail 59.6 55,9 47 52.9 129,1 115,1 111.1 102,6 1.98 1
4 Sited 57.2 60,1 50,8 40.8 134,7 120,4 127 109,3 1,57 1
5 Train 58,4 59,9 49,2 53.6 132,7 125.6 120.7 115,5 1.95 1
е Trail 58,9 56,6 49,9 45.1 127,7 129.1 118.8 114,7 1.91 1
7 idea 56,2 52 49,8 39.5 135 115,4 116.7 103,2 1.58 1
8 JiKi 59,7 55,2 50,6 38.1 124,6 142 115.9 110,2 103,4 1,9 1
9 Sdeci 65,4 52,7 50,2 3B.9 125.3 114 97.6 1.51 1
10 Trail 56,2 52 49,8 38,1 135 115.1 110.7 93.2 1.95 1
11 Trail 64,8 60,8 52,4 43.1 125,3 120 109,3 95.1 1.59 1
12 Jften 34 59,7 51,8 47.2 122,4 120 110,2 93,1 1.92 1
13 Sdecl 56,3 54,8 52,1 49.2 127,5 123.4 108.2 106 1,91 1
14 Trail 57,1 55,2 51,9 49,8 124,3 115,1 109,2 104,1 101 1,55 1
15 > fieri 55,8 53,2 49,7 44.2 1207 116,2 110.1 1,95 1
16 Trail 60,6 52,1 59,1 45.1 130 115,4 110 98,9 1,58 1
17 Sdea 60,5 60,3 51 46.8 124,2 120,1 116,6 11-3,2 1.Э1 1
18 Sdeci 52,7 52,3 49,1 45.4 129,2 124.1 118 116,2 1.56 1
19 Train 56,2 53,1 50.8 4Э.2 125 124.2 119.3 114,2 1.95 1
20 Trail 65,4 52,1 50,8 50.1 132,4 125.6 120,4 116,3 1.53 1
21 Sdeci 54,4 56,7 57,8 65.5 125,1 115.1 114.9 120,1 1.95 2
22 Trail 52,9 62,5 58,2 55.8 124,7 120,1 119,8 85,9 1,9 2
23 Trm 51,1 59,8 44,7 62.5 128,5 125,9 110,9 112,6 1,55 2
24 Stiee) 55,9 62,7 57,7 65.5 122,9 115.4 106.9 123,6 1,9 z.
25 Med 53,4 56,1 62,8 81.2 125,5 123,1 114.8 126,2 124 1.31 2
26 Trail 56,9 66,2 68,2 64.7 122,7 125,2 106.5 1.95 2
27 Trail 57 67,1 61,6 81.3 124.3 127,6 101.9 117,5 1.92 2
28 Sited 56,3 65,5 67,2 81.2 113 117.6 104.2 113,1 1.54 2
29 Trail 62,5 69,7 74,2 91.3 127,5 123.5 122,5 126,6 1.59 2
30 Trail 63,3 71,8 75,2 92,5 122,4 123,8 113,8 120,4 1,54 2
31 Sited 54 72,9 71,9 85.2 130,2 125,6 105,6 123,5 1,59 2
32 Sited 64,7 72,1 73,3 8Э.9 125,1 120,3 109,1 125,1 1,58 2
Моделирование нейронной сети начинается с постановки класификационной задачи. С этой целью производится категорирование цели (принадлежность к первому, второму, или третьему классу) и обозначение количества и параметров входных данных ( значения температур и времени разгона). Данная нейронная сеть, преднаначенная для определения технического состояния четырехцилиндрового дизеля содержит девять входов и три выхода (цели). Генерация данных, отвечающая наибольшей точности предсказаний, является является приоритетом при моделировании нейронной сети. Значительное количество исходных данных (выборки) и следовательно наличие шума существенно осложняет задачу классификации. Одним из путей решения этой проблемы является разделение массива данных на две или три подгруппы. Первая из которых - обучающая
выборка, предназначена для обучения нейронной сети, т.е. анализа зависимости между входными и выходными данными, создания модели нейронной сети, предсказывающей с минимальной ошибкой. Вторая предназначена для экспертизы качества нейронной сети, используется в режиме тестирования. Третья - утверждающая, используется для окончательного контроля. Автоматизированные нейронные сети ANS в пакете StatisticalO на начальной стадии стадии моделирования позволяет выбрать процентное соотношение обучающей контрольной выборок, коды для использования обучающей и контрольной выборок, тип нейронной сети, минимально и максимально допустимое количество нейронов во внутреннем слое. ANS по завершении проверки работы нейронной сети указывает точность при обучении и тестировании и за счет каких алгоритмов и функций это достигнуто. Таким образом построение эффективной нейронной сети сводится к множественному перебору разнообразных параметров сети в поиске обтимального решения.
При определении технического состояния двигателя Д-144, в результате проведения нескольких сотен циклов расчета смоделирована две нейронных сети, архитектура которых позволила получить точность определения принадлежности к класу от 93.3 до 99,8 процентов в зависимости от рендомизации данных. Моделирование показало, что в рамках поставленой задачи нейронная сеть типа многослойный перцептрон(MLP) не оправдала ожидания. В то же время нейронная сеть радиалъно базисного(КВР) типа позволила достигнуть удовлетворительных результатов. Неплохие результаты получились при использовании сети с десятью нейронами (9-10-3) при использовании алгоритма BFGS (Broyden-Fletcher-Goldfarb-Shaiuno), функции ошибок, основанной на применении суммы площадей (SOS), при использовании Гауссовской изотропной функции распределения и линейной активации нейронов в направлении выхода. Однако наилучшие результаты получены при использовании сети с тринадцатью нейронами внутреннего слоя при использовании алгоритма BFGS, функции ошибок крестовой энтропии (СЕ), активации внутренних слоев с использованием функции Гаусса, активации выхоного слоя Softmax .
ФУНКЦИЯ ОШИБОК-
СЕ
3KJIACC
АКТИВ АЦИЯ-SOFMAX
Б НАС
внутр.
СЛОЙ Алгоритм-BFGS
ВХОД
tx min t2 min t3 min t4 min t1 max t2 max t3 max t4 max т
Рис.5. Радиально базисная сеть определения технического состояния автотракторного дизеля Д-144
Несмотря на то, что представленная математическая модель в виде нейронной сети предназначена для определения технического состояния конкретной марки дизеля, построение аналогичных
математических моделей используя данную методику расчета и имея достаточное количество входных данных не представляет затруднений.
Рассмотренный метод определения технического состояния двигателя рассчитан на определение принадлежности к одному из трех классов состояния объекта, однако, в перспективе аналогичный подход может быть использован для решения более сложных задач, например, таких как определение неисправности и конкретного адреса источника ее возникновения, что особенно актуально при разработке принципиально новых бортовых систем диагностики двигателей мобильных агрегатов.
Литература
1. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практическое применение.-М.:Фазис, 2005.
2. Колпаков В.Е.Тепловая экспресс диагностика автотракторных двигателей //Известия Международной академии аграрного образования. 2013. -№16. С.150-154.
3. Агапов Д.С., Белинская И.В. Определение термоэкономических показателей энергопреобразующих систем//Известия Санкт-Петебургского аграрного университета. -2013. - 34. - С 127-131.
4. Bishop С. Neural Networks for Pattern Recognition^ Oxford: University Pressl995) .
5. Statistica 10, Statsoft, inc. 2011, http://statsoft.com
Канд. техн. наук В.В. БЕЛЯКОВ Канд. техн. наук Е.И. ОВЧИННИКОВА1
(СПбГАУ) Л В. ЛЕВЧЕНКО2
(СЗНИПТИМСХ)
МЕЖДУНАРОДНЫЕ КОНФЕРЕНЦИИ CIOSTA КАК ИНТЕГРИРУЮЩИЙ ФАКТОР ФОРМИРОВАНИЯ МЕЖНАЦИОНАЛЬНОГО НАУЧНОГО СООБЩЕСТВА В СФЕРЕ
СЕЛЬСКОГО И ЛЕСНОГО ХОЗЯЙСТВА
Научная конференция, сельскохозяйственная инженерия, CIGR, CIOSTA
Впервые за 60 с липшим лет своей деятельности CIOSTA (Международная комиссия по научно обоснованной организации труда в сельском хозяйстве - Commission Internationale de l'Organisation Scientifique du Traval en Agriculture) и Секция V CIGR (Comission Internationale du Genie Rural) проведут свою традиционную конференцию в России.
26-28 мая 2015 года в Санкт-Петербурге будет проведена XXXVI конференция CIOSTA на тему «Экологически дружественное сельское и лесное хозяйство для будущих поколений».
Конференция призвана стать площадкой для обмена научными идеями, содействия разработке и внедрению эффективных и безопасных технологий, методов управления производственными процессами в сельском и лесном хозяйстве.
Научными партнерами конференции являются Санкт-Петербургский государственный аграрный университет (СПбГАУ), Северо-Западный научно-исследовательский институт механизации и электрификации сельского хозяйства (СЗНИИМЭСХ) и Санкт-Петербургский государственный лесотехнический университет (СПбЛТУ) с участием Северо-Западного научного центра Россельхозакадемии и Ассоциации содействия полевым исследованиям и развитию сельских территорий. Президент CIOSTA-2015 - В.Д. Попов; вице-президенты - В.А. Ефимов, А.В. Селиховкин, С.Н. Широков; топ-менеджер - В.В. Беляков.
В состав международного научного комитета конференции вошли Александр Алексеев (Россия), Рикардо Бартосик (Аргентина), Ремиджио Берруто (Италия), Тадеуш Юлишевски (Польша),
1 Spbgau @mail.ru
2 nii@sznii.ru
