CC BY
26
(6) СЛЄ-
І), учи-
к хпп.
модели
|ЫЧНЫМИ
к возни-нные с іаничен-
У1 [3, 4]. 1) —(6) ования: задачи иеньшей )й полупи осно-.ерновых Ьбласти, іой спо-рзки от х о пла->вых хо-анизмов
\ типа приклад-крования
1,.У) 151,
коммер-(шченные моделям и струк-коррек-І^ать по-ъ в ка-
расчетов;
задачи; по коли-
ІОЄ обес-
группирование зерновых хозяйств по ХПП с учетом существующего перечня на основании договоров контрактации;
группирование зерновых хозяйств по ХПП с учетом наименьшего расстояния подвоза зерна в пределах области;
группирование зерновых хозяйств по ХПП с учетом наименьшего расстояния подвоза зерна в пределах района.
Расчет проводился в разрезе 106 зерновых хозяйств и 37 ХПП, где мощности ХПП соответствуют объему производимого зерна. Минимальные эксплуатационные расходы получаются на основе уменьшения расстояния подвоза зерна автотранспортом из зерновых хозяйств на ХПП.
В этой связи, чтобы оценить схему привязки исследуемых вариантов, составлена сопоставительная таблица показателей производства зерна, расстояний подвоза зерна и количества хозяйств ХПП данной области.
Проведенный анализ решения показал, что наиболее оптимальным считается второй вариант, т. е. закрепление зерновых хозяйств за ХПП с учетом наименьшего расстояния подвоза зерна в пределах области.
В результате работы хозяйств, ХПП и автомобильного транспорта в соответствии с оптимальной схемой закрепления хозяйств за ХПП среднее расстояние подвоза зерна на предприятия сократилось против существующего на 13,1 км, т. е. сократилась стоимость перевозки 1 т зерна на 0,54 руб. в целом по области. От оптимизации закрепления зерновых хозяйств за ХПП общая экономическая эффективность составила (расчетно) 126630 тыс. руб.
На третьем этапе на основании полученного решения и первичной информации с помощью ППП «Генератор отчетов» вычисляем
интересующие нас технико-экономические показатели в форме отчетов и выводим их на печать. Простой язык диалога с ЭВМ позволяет выполнить расчеты непосредственно с рабочего места специалиста объединения хлебопродуктов.
ВЫВОДЫ
1. При наименьшем расстоянии подвоза зерна создается экономическая предпосылка по уменьшению расходов на заготовку зерна в агропромышленном комплексе.
2. Проведенный анализ экономической эффективности выполненных расчетов показывает высокую эффективность применения оптимизационных методов и моделей для решения задачи закрепления зерновых хозяйств за хлебоприемными предприятиями на территории рассматриваемой области.
ЛИТЕРАТУРА
1. Управление перевозками и заготовками продуктов растениеводства/В. Н. Волков, А. А. Кокушин, В. Ф. Та-наныкин.— М.: Колос. 1982.—223 с.
2. Кочу р а С. Н., Черняховская П. М. Эко-номико-математическая модель закрепления поставщиков за перерабатывающими предприятиями в процессе уборки урожая различных сельскохозяйственных культур//Математические методы и информационные технологии обработки социально-экономических систем.— Киев: Ин-т кибернетики им. В. М. Глушкова АН УССР, 1989.— С. 38—42.
3. Экономико-математическое моделирование деятельности флота и портов/В. С. Михалевич, А. А. Бакаев, В. С. Петухов и др.— М.: Транспорт, 1986.—287 с.
4. Му рта ф Б. Современное линейное программирование.— М.: Мир, 1984.—224 с.
5. Пакет прикладных программ «Линейное программирование в АСУ».— Калинин: НПО «Центрпрограмм-систем», 1981.—206 с.
Кафедра высшей математики Кафедра технологии хранения и переработки зерна
Поступила 15.11.91
юрмации; /
ультатов;
т из трех юрмации задачи, [татов реформе, кя исход-кетах ре-ггематиче-|5-формат тан комп-перевод да пред-[Ц, быстро имую ин-
1ия оптизерновых ае задачи:
664.724.001.573
МАТЕМАТИЧЕСКИЕ МОДЩПИ ПРОГНОЗИРОВАНИЯ ВЛАЖНОСТИ И ЗАСОРЕННОСТИ ПШЕНИЦЫ
А. И. ИЗТАЕВ, А. Д. САПАРБАЕВ
Алма-Атинский филиал Джамбулского технологического института легкой и пищевой промышленности
Влажность и засоренность определяют характер и последовательность обработки партии зерна в потоке на технологических линиях хлебоприемных предприятий. Эти показатели непосредственно влияют на ведение организации очистки и сушки зерна и в зависимости
- от их взаимного сочетания.
Кратность объема очистки и сушки зерна во многом зависит от степени влажности и засоренности пшеницы, которая прямо отражается на количестве и производительности технологического и транспортного оборудования
20 Заказ 052
зерновых токов и хлебоприемных предприятий. В этой связи динамическое прогнозирование степени влажности и засоренности пшеницы в периоды возделывания и уборки урожая позволяет правильно устанавливать в первую очередь количество и производительность зерносушильного и зерноочистительного оборудования, необходимого для обработки в потоке свежеубранного зерна.
Для правильной организации послеуборочной обработки зерна на зерновых токах и хлебоприемных предприятиях особый интерес
представляют предсказания степени влажности, сорной и зерновой примеси в июле, августе, сентябре и октябре.
Нами получены линейные математические модели влажности, засоренности зерна пшеницы в зависимости от агрометеорологических факторов по перечисленным месяцам. Условиями ограничения могут служить пределы колебания отдельных факторов по месяцам прогнозирования.
Задачи линейного программирования решаются на достижении максимума и минимума. Это позволяет прогнозировать пределы изменения влажности, сорной и зерновой примесей с определенной вероятностью.
Таким образом, полученные результаты
используются для проверки пропускной способности технологических линий приема и обработки зерна.
Влияние агрометеорологических условий в мае на вероятную влажность созревшего зерна пшеницы в Северном Казахстане описывается следующей целевой функцией:
/=■ (со) = 12,508 —0,084 7в + 0,0041 ф +0,038Д —
. — 0,105^ + 0,00145 + 2,869/С, ■— 0,00048 УР +
+ 0,0287'„-----—*- к тах и тт (1)
при условии:
3,6 <7Я< 26,1 (2)
40 < Ф < 77; (3)
2,40 < 7) < 31,5; (4)
0,90 < й < 150,1; (5)
175,5 < 5 < 439,1; (6)
0,11 < /С, < 3,07; (7)
85.0 < Г < 624; (8)
10.0 < Г,, <20,0. (9)
Аналогично описывается вероятное значение сорной примеси:
Р(Пс) = 1,956 + 0,2107В + 0,00084Ф —0,0167) —
— 0,0288^ + 0,00245 + 0,554 К, + 0,00075 № —
— 0,2177„--------->- к тах и тт.
Для зерновой примеси целевая функция имеет вид:
^(Я3) = 2,087+ 0,1787в — 0,0052Ф — 0,00540 —
— 0,017й + 0,00455 + 0,698/С, + 0,0008 УР —
— 0,1047„----------к к тах и тт.
Влияние агрометеорологических факторов в июне на формирование степени влажности
и засоренности созревшего зерна пшеницы Северного Казахстана описывается следующими целевыми функциями: для влажности
/■(со) = 14,350 + 0,0281 7В + 0,026ф — 0,0437) + + 0,23 <1 + 0,00175 — 1,378/С, — 0,00069 Г —
-0, Ю57’„
к max и тш;
для сорной примеси
F (Пс) = 9,434 —0,0667в — 0,015ф + 0,0310 + + 0,49 d. — 0,00095S — 2,783/С, — 0,00093 W —
— 0,1877,,-------------*■ к max и min;
для зерновой примеси
Р (Я,) = 9,771—0,0477„ — 0,036ф +0,1350 + + 0,04 Ы — 0,00385 — 2,299/С, — 0,0017 Г —
— 0,1087„----->- к тах и тт.
Влияние агрометеорологических факторов в июле на степень влажности и засоренности созревшего зерна пшеницы Северного Казахстана описывается следующими уравнениями:
для влажности
/ _.................................... . __
/г(<о) = 11,286 + 0,08757в + 0,034ф — 0,0310 —
—0,0106^+0,01045—0,351 л:;— 0,00005
— 0,1477„
к max и тт;
для сорной примеси
F (Пс) = 4,276 + 0,1257’в + 0,00023Ф +
+ 0,02257) — 0,00667с? — 0,001545 + 0,250/С, —
— 0,00045W — 0,1857,,-------->- к max и min; '
для зерновой примеси
F (Я3) = 1,474 + 0,1157в — 0,0026ф + 0,1360 + + 0,0073d + 0,00335 — 0,131 Кг — 0,0029 W —
— 0,059Тп-------► к max и min.
В августе целевые функции, описывающие изменения влажности и засоренности пшеницы, имеют следующие виды: для влажности
F (со) = 0,88 + 0,1737в + 0,071ф — 0,0560 —
— 0,145 d + 0,00395 + 0,093/(, + 0,0013 IF —
— 0,1447„
->- к max и пип;
для сорной примеси
F(nc) = 0,321 + 0,091 7В + 0,0088ф — 0,1090 + + 0,015^ — 0,00185 — 0,822/С, + 0,0008 W +
+ 0,0327,,------*■ к max и min;
для зерновой примеси F (П3) = — 0,102 + 0,273Гв — 0,0096ф —
— 0,0930 — 0,112 d — 0,00325 + 0,460/С, -
— 0,00035UP + 0,9277,,------>■ к max и min.
В сентябре целевые функции, описывающие изменения влажности и засоренности пшеницы, имеют следующие виды: для влажности
F(at) = 12,715 —0,0347/; + 0,0417ф + 0,0154D —
— 0,03Ы + 0,00475 + 0,766/С,+ 0,0011 W —
— 0,1717,,----->- к mah и min;
для сорной примеси
F (Пс) = 1,356 — 0,01137в + 0,00086ф —
— 0,00737) — 0,0256d + 0,00255 + 0,556/С, +
+ 0,00072UP — 0,00737,,------------*■ к max и min;
для зерновой примеси
F (П3) = 0,441—0,0177в —0,071 ф —0,0840 —
— 0,031 d - 0,00375 + 0,9137(,+0,00054 W +
+ 0,0407„------->- к max и min.
В октябре целевые функции, описывающие
350 +
тр-
акторов
ценности
Казах-
ениями:
ЗЗЮ —
)5f^
Р +
т~
[ min; '
136 D>
9 W-
вающие
пеницы,
6D — W—
10 90 + SIF+
Ф-
к-
min.
вающие
пеницы,
1540 — W-
?-^Сг +
и min;
84 D — 4Г +
вающие
изменения влажности и засоренности пшеницы, имеют следующие виды:
для влажности
F (со) = 13,598 —0,059ГВ+ 0,0105ф +0,0840—
— 0,013d —0,0047S + 0(083/(, + 0,00137Г-
— 0,167Г,,---->- к max и min;
для сорной примеси F(ric) = 3,984 + 0,082 Тв — 0,0198ф + 0,0220 —
— 0,01 d — 0,0075 + 0,0047 /(, + 0,00063 W —
— 0,056Т„-----v к max и min;
для зерновой примеси F(H.) = 8,995 + 0,332^ —0,064ф —0,1820 +
0,0073d — 0,0088S + 0,0076Кг — 0,00102 W —
— 0,01127,,-----v к max и min.
Таким образом, уточняя пределы изменения агрометеорологических факторов по каждому месяцу, можно определить верхние и нижние границы влажности, сорной и зерновой примесей, т. е. на основе динамического прогнозирования разрабатываются вероятные области колебания состояния партии для отдельного месяца по этим показателям, требующей обработки на поточных линиях зерновых токов и хлебоприемных предприятий.
На состояние зерна пшеницы по влажности и засоренности в период уборки и заготовки заметное влияние оказывает также изменение ежесуточных метеорологических факторов.
Нами получены линейные математические модели, описывающие изменение влажности и засоренности зерна пшеницы в зависимости от ежесуточных метеорологических факторов, характерных зерновым потокам, поступающим на хлебоприемные предприятия Северного Казахстана:
для влажности
F(a>) = 24,462 —0,2667’e — 0.0066<p+l,370d —
— 0,176у8;
для сорной примеси
F(llc) = 6,128 — 0Л50ГВ — 0,023ф + 0,176й( —
— 0,093ufl;
для зерновой примеси F(n3) = 2,758 — 0,1457д + 0,0185ф+ l,769d + + 0,135у„, где v„ — скорость ветра, м/с.
Приведенные математические модели динамического прогнозирования степени влажности и засоренности зерна пшеницы позволяют установить более вероятные области колебания состояния партии по этим показателям, от которых зависит организация очистки и сушки на зерновых токах и хлебоприемных предприятиях.
Мы изучили состояние зерна пшеницы по влажности и засоренности на хлебоприемных предприятиях Северного Казахстана более чем за 30-летний период.
Состояние объемов зерна пшеницы по влаж-
ности рассматривали в трех группах: влажном, сыром, суммарно влажном и сыром.
Изменение указанных групп состояний зерна пшеницы в зависимости от метеорологических факторов описывается следующими линейными уравнениями:
для объема влажного зерна
QB = 54,181—2,0527в — 0,262ф + 0,554d —
— 21,97К, + 0,112ф1 + 0,207ф, + 0,454фз-------► к
max и min,
где ф1 — число дней с осадками d ^ 1,0 мм; фг — число дней с осадками d ^ 5,0 мм; фз — число дней с относительной влажностью ф ^ 80%.
При этом ^ = 0,68 и F = 6,95 для объема сырого зерна
Qc = 46,526 — 3,3857„ + 0,516ф + 0,128d +
+ 3,250/С, — 0,282ф1 + 1,20фг — 0,570фз------>- к
max и min.
При этом R — 0,96 и F = 83,5
для объема влажного и сырого зерна
QBC = 84,072 — 4,7657'й + 0,471ф + 0,403й? —
— 8,062/С, + 0,088ф1 — 0,251 ф2 — 0,543ф3-----► к
max и min.
При этом R — 0,97 и F= 122,9.
Состояние объемов зерна пшеницы по сорной и зерновой примесям рассматривали в двух группах: чистом и средней чистоты, и сорном.
Изменение объемов зерна пшеницы чистого и средней чистоты и сорного по сорной примеси описывается следующими уравнениями:
для объема зерна чистого и средней чистоты
Q,lc = 43,406 + 4,2927’в—l,380q> —0,478d +
+ 30,941/С,------>- к max и min
при этом /? = 0,96 и F= 152,3; для объема сорного зерна
Q СОр = 58,736 —4,3587^+1,373ф +0,474d —
— 30,981 Кг--------->- к max и min.
при этом R — 0,96 и /'=153,1.
Изменение объемов зерна пшеницы чистого и средней чистоты и сорного по зерновой примеси описывается следующими уравнениями: для объема зерна чистого и средней чистоты
Q4C = — 2,930+ 3,5837’, — 0,201ф — 0,122d +
+ 0,742К,------------»- к max и min
при этом /? = 0,80 и F = 25,71; для объема сорного зерна
Qcop = 102,955 — 3,5847’д + 0,202ф + 0,122d —
— 0,751/С,---------->- к max и min
при этом R = 0,80 и /•’ = 25,7.
По приведенным уравнениям можно составить задачи, решаемые на основе использования линейного программирования с применением ЭВМ.
Ограничивающим условием математических моделей являются пределы колебания метеорологических факторов в августе, сентябре и октябре месяцах.
■ 1. Температура воздуха Тв, °С — 3,0<Тв< <30,5.
2. Относительная влажность воздуха <р, %
20,0 < ф < 180,0.
3. Сумма осадков й, мм 0,5<й(<^,< 180,0.
4. Гидротермический коэффициент Кг 0,01 < < Кг < 5,0.
5. Число дней с осадками более 1,0 мм . 1,0 < ф| < 20,0.
6. Число дней с осадками более 5,0 мм • 1,0 < ф2 < 15,0.
7. Число дней с относительной влажностью 1,0 < ф3 < 20,0.
Таким образом, используя линейное программирование, можно установить верхние и нижние границы изменения объемов зерна пшеницы по различным группам влажности и засоренности, а также ожидаемые величины конкретного года заготовок по текущим данным хлебоприемных предприятий Северного Казахстана.
Кафедра высшей математики Кафедра технологии хранения
и переработки зерна Поступила 15.11.91
* 664.002.6:658.562.2
О ВОЗМОЖНОСТИ КОЛИЧЕСТВЕННОЙ ОЦЕНКИ КАЧЕСТВА ПИЩЕВЫХ ПРОДУКТОВ
В. И. ХЛЕБНИКОВ, И. А. ЖЕБЕЛЕВА
Учебно-научный комплекс потребительской кооперации Московский кооперативный институт
Наметившаяся в пищевой промышленности тенденция .производства комбинированных продуктов питания, широкое использование малоотходны^ и безотходных технологий, а также в ряде случаев несоблюдение технологических режимов приводит к тому, что в 'реализацию поступает продукция невысокого качества.
Товароведение в настоящее время ограничивается изучением отдельных органолептических, физико-химических и других свойств продукта с-точки зрения соответствия их опре-деленным^ показателям нормативно-технической документации, не ставя своей задачей комплексно оценить готовый продукт с учетом весомости свойств в общей оценке качества.
В понятие «качество» разными авторами включаеуря различное количество показателей [1—4]. Однако во всех случаях можно констатировать, что качество продукта должно характеризоваться совокупностью потребительских свойств, которые включают пищевую и биологическую ценности, безвредность, органолептические и ряд физико-химических, структурно-механических и других показателей, существенно влияющих на формирование потребительских свойств продукта.
Все эти свойства характеризуются определенными показателями и имеют разную размерность. Следовательно, количественная оценка качества продукции может быть осуществлена только абстрактно. С определенным допуском в этом случае каждый продукт может быть охарактеризован показателем «К», представляющим собой меру взаимодействия продукта и его потребителя* т. е. «К» должен представлять интегральную совокупность отдельных потребительских свойств, характеризующих качество продукта количественно, в виде безразмерной величины.
Изучением основных принципов формирования численной оценки качества как функции отдельных свойств занимается квали-метрия. Если рассматривать качество как динамическое сочетание свойств, каждое из которых может иметь различную значимость в общей численной оценке качества, то с некоторым допущением этот метод можно рассматривать как перспективное направление одной из наук о пищевых продуктах — товароведения. Основная проблема квалиметрической оценки качества продуктов сводится к нахождению «правил построения» дерева свойств, т. е. определению «интегрального качества» через структуру отдельных свойств. При этом следует отметить, что, по-видимому, в полной мере нельзя рассчитывать на адекватное отражение качества методом квалиметрии.
Численная оценка качества продуктов методами квалиметрии, как указывает А. М. Бражников [5], включает ряд операций. На первом этапе необходимо выделить свойства продуктов, изменение которых при оценке его качества и конкретного технологического процесса является существенным. Следует отметить, что сам принцип выделения наиболее существенных свойств продукта несколько затруднителен, так качк до настоящего времени в этом процессе нет единого мнения, а также нет достоверных сведений о независимости (зависимости) отдельных свойств.
Далее следует провести классификацию выделенных свойств в соответствии с весомостью каждого из них. Под весомостью свойств показателя понимается способность его влиять на комплексную оценку качества «К» продукта. Исходя из сказанного, рекомендуем следующую группировку свойств: А — группа свойств, однозначно определяющих
во^
по
(н;
лы>
сое
на
ха[
тур
гру
бис
дуй
фщ
ньН
гие
хра
нал
тел
т
I
ски
мо>
нен
ног
ми,
ния
сто
г
ХИ№
сво
нес
мат
при
где
р\-
эта,
В
сит сам (со пон г-го
ИСП] тре( В • заи чеа фиэ чес: ЧеС1 по 1
В ник: цие кон вае-с е при П
Л
жен
±А
Сле,
пре;
