Применение АСК-анализа для определения рациональных конструктивных особенностей и параметров режимов работы релятивных винтовых барабанов для смешивании комбикормов Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.8

05.00.00 Технические науки

ПРИМЕНЕНИЕ АСК-АНАЛИЗА ДЛЯ ОПРЕДЕЛЕНИЯ РАЦИОНАЛЬНЫХ КОНСТРУКТИВНЫХ ОСОБЕННОСТЕЙ И ПАРАМЕТРОВ РЕЖИМОВ РАБОТЫ РЕЛЯТИВНЫХ ВИНТОВЫХ БАРАБАНОВ ДЛЯ СМЕШИВАНИИ КОМБИКОРМОВ

Марченко Алексей Юрьевич, к.т.н., доцент

РИНЦ БРШ-код: 9995-6699

Кубанский государственный аграрный университет, Краснодар, Россия

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ БРШ-код: 9523-7101 [email protected]

Кубанский государственный аграрный университет, Краснодар, Россия

Фролов Владимир Юрьевич

д.т.н., профессор

РИНЦ БРШ-код: 5236-4331

Кубанский государственный аграрный университет, Краснодар, Россия

Авторами разработано и изготовлено большое количество различных конструкций релятивных винтовых барабанов для смешивания комбикормов. Проведено 749 натурных экспериментов с барабанами 10 различных конструкций при различных параметрах режимов работы. Во всех экспериментах измерялось качество получаемой комбикормовой смеси. Однако непосредственно на основе эмпирических данных рациональный выбор конструктивных особенностей и параметров режимов работы барабанов не представляется возможным. Для этого необходимо предварительно разработать модель, отражающую эти эмпирические данные. Построение содержательных аналитических моделей различных типов барабанов представляет собой сложную и трудоемкую научную задачу, сложность которой обусловлена большим разнообразием и сложностью форм барабанов и режимов их использования, большим числом разнородных физических факторов, влияющих на процессы в барабане. Вследствие этого разработка аналитических моделей связана с большим количеством упрощающих допущений, снижающих их универсальность и достоверность. Поэтому актуальной является задача поиска математического метода и программного инструментария, обеспечивающих быструю и простую для пользователя разработку модели влияния конструкции барабана и параметров режимов его работы на качество получаемой комбикормовой смеси непосредственно на основе

UDC 004.8 Technical sciences

THE APPLICATION OF ASC-ANALYSIS TO DETERMINE RATIONAL DESIGN FEATURES AND PARAMETERS OF THE MODES RELATIVE TO THE SCREW DRUMS FOR MIXING ANIMAL FEED

Marchenko Aleksej Yurievich Cand.Tech.Sci., assistant professor RSCI SPIN-code: 9995-6699

Kuban State Agrarian University, Krasnodar, Russia

Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor RSCI SPIN-code: 9523-7101 prof. lutsenko @gmail. com

Kuban State Agrarian University, Krasnodar, Russia

Frolov Vladimir Yurievich Dr.Tech.Sci., professor RSCI SPIN-code: 5236-4331

Kuban State Agrarian University, Krasnodar, Russia

The authors have developed and manufactured a large number of different designs of relative helical drums for mixing animal feed. We have conducted 749 field experiments with the drums of the 10 different designs with different parameters modes of operation. In all experiments, we measured the quality of the feed mixture. However, directly based on empirical data, rational choice of design features and parameters of the operation modes of the reels is not possible. For this, you must first develop a model reflecting these empirical data. The construction of meaningful analytical models of different types of drums is a difficult and demanding scientific task, the complexity of which is due to the large variety and complexity of forms of drums and their mode of usage, a large number of diverse physical factors affecting the processes in the drum. As a consequence, the development of analytical models associated with a large number of simplifying assumptions that reduce their versatility and reliability. Therefore, it is important to search of a mathematical method and software tools provide a quick and simple for the user to identify and influence the design of the drum and the parameters of the operating modes on the quality of the feed mixture directly on the basis of empirical (experimental) data. The work proposes a solution to this problem with the use of a new universal innovative method of artificial intelligence: automated system-cognitive analysis (ASC-analysis) and its programmatic Toolkit - universal cognitive analytical system called "Eidos". In the system of "Eidos" we

эмпирических (экспериментальных) данных. have implemented a software interface that provides

Предлагается решение этой задачи с применением direct input into the system large amounts of empirical нового универсального инновационного метода data from Excel file. Created on their basis in the sys-искусственного интеллекта: автоматизированного tem of "Eidos" system-cognitive model allows the vis-системно-когнитивного анализа (АСК-анализ) и ual form to reflect the effect of the structure of the его программного инструментария - универсаль- drum and the parameters of the operating modes on the ной когнитивной аналитической системы «Эйдос». quality of the resulting feed mixture and to develop on В системе «Эйдос» реализован программный ин- this basis the science-based and appropriate recom-терфейс, обеспечивающий непосредственный ввод mendations for the rational choice of design features в систему больших объемов эмпирических данных and parameters of the modes relative to the screw из Excel-файла. Создаваемая на их основе в систе- drums. We have also given a numerical example ме «Эйдос» системно-когнитивная модель позволяет в наглядной форме отразить влияние конструкции барабана и параметров режимов его работы на качество получаемой комбикормовой смеси и разработать на этой основе научно-обоснованные и адекватные рекомендации по рациональному выбору конструктивных особенностей и параметров режимов работы релятивных винтовых барабанов. Приводится численный пример

Ключевые слова: АСК-АНАЛИЗ, Keywords: ASC-ANALYSIS, AUTOMATED

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО- SYSTEM-COGNITIVE ANALYSIS,

КОГНИТИВНЫЙ АНАЛИЗ, INTELLIGENCE SYSTEM "EIDOS",

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», MULTIPARAMETER TYPING, SYSTEM МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, IDENTIFICATION, INTELLIGENT IMAGE СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ANALYSIS

ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ЭМПИРИЧЕСКИХ ДАННЫХ РЕЗУЛЬТАТОВ ЭКСПЕРИМЕНТОВ

СОДЕРЖАНИЕ

1. ФОРМУЛИРОВКА ПРОБЛЕМЫ...............................................................................................................3

2. ТРАДИЦИОННЫЙ ПОДХОД К РЕШЕНИЮ ПРОБЛЕМЫ И ЕГО НЕДОСТАТКИ......................4

3. ИДЕЯ ПРЕДЛАГАЕМОГО РЕШЕНИЯ ПРОБЛЕМЫ...........................................................................7

4. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ КАК МЕТОД РЕШЕНИЯ ПРОБЛЕМЫ..................................................................................................................................8

4.1. Кратко об АСК-анализе..........................................................................................................................8

4.2. Истоки АСК-анализа.............................................................................................................................. 8

4.3. Методика АСК-анализа.........................................................................................................................9

4.4. Некоторые результаты применения АСК-анализа......................................................................... 14

5. ЧИСЛЕННЫЙ ПРИМЕР............................................................................................................................15

5.1. Когнитивно-целевая структуризация предметной области........................................................ 15

5.2. Формализация предметной области.................................................................................................16

5.3. Синтез и верификация модели............................................................................................................22

5.4. Исследование моделируемого объекта путем исследования его модели...............................24

5.5. Определение рациональных конструктивных особенностей и режимов работы релятивных барабанов для смешивания комбикормов..............................................................................................28

6. ВЫВОДЫ И РЕКОМЕНДАЦИИ...............................................................................................................41

7. ПЕРСПЕКТИВЫ .......................................................................................................................................... 42

ЛИТЕРАТУРА................................................................................................................................................... 42

1. Формулировка проблемы

Авторами разработано и изготовлено большое количество различных конструкций релятивных винтовых барабанов для смешивания комбикормов [1-8]. На эти барабаны получено 11 патентов Российской Федерации [9-19]. Проведено 749 натурных экспериментов с барабанами 11 различных конструкций при различных параметрах режимов работы:

- времени смешивания;

- скорости продольного перемещения комбикормовой смеси;

- числе оборотов в минуту;

- коэффициенте заполнения барабана;

- угле наклоне барабана или его стенок.

Во всех экспериментах количественно измерялось качество получаемой комбикормовой смеси.

В результате накоплен большой объем экспериментальных данных, отражающих качество комбикормовой смеси, получаемой на барабанах различных конструкций при различных режимах работы.

Для решения поставленной задачи: «Определения рациональных конструктивных особенностей и режимов работы релятивных барабанов для качественного смешивания комбикормов» необходимо знать, как конструктивные особенности и параметры режимов работы релятивных винтовых барабанов влияют на качество получаемых комбикормовых смесей.

Непосредственно на основе эмпирических данных ответить на этот вопрос не представляется возможным и для этого необходимо предварительно разработать модель, правильно отражающую физические процессы в релятивном винтовом барабане при различных режимах работы и влияние этих процессов и параметров режимов работы на качество получаемой комбикормовой смеси. Однако разработка такой модели как раз и представляет собой проблему.

2. Традиционный подход к решению проблемы и его недостатки

Традиционный подход к построению моделей технических систем и состоит в описании этих систем в процессе работы (в динамике) с помощью систем уравнений, т.е. в построении содержательных моделей аналитического типа.

В данном случае такая содержательная аналитическая модель, по-видимому, должна учитывать, что:

- релятивные винтовые барабаны имеют большое разнообразие сложных форм и режимов работы, которые трудно описать математически;

- частицы комбикормов разнородны по своим размерам, форме и физическим свойствам, причем все эти параметры могут изменяться меняются в процессе обработки;

- движение частиц комбикормовой смеси происходит под одновременным совместным действием нескольких разнородных по своей физической природе факторов, таких как соударения этих частиц друг с другом и стенками и другими элементами конструкции барабанов сложной формы, сопротивление воздуха, сила тяжести и центробежная сила.

Рисунок 1. Релятивный цилиндрический винтовой барабан РЦ 1.1.6

Рисунок 2. Релятивный цилиндрический винтовой барабан РЦ 1.2.б

Рисунок 3. Релятивный цилиндрический винтовой барабан РЦ 3.5.а

Рисунок 4. Релятивный цилиндрический винтовой барабан РЦ 4.1.6

Рисунок 5. Релятивный цилиндрический винтовой барабан РЦ 5.1.а

Рисунок 6. Релятивный цилиндрический винтовой барабан РЦ 7.1.а

Рисунок 7. Релятивный конический винтовой барабан РК 1.1.б

Рисунок 8. Релятивный конический винтовой барабан РК 2.1.6

Рисунок 9. Релятивный конический винтовой барабан РК 3.1.6

Рисунок 11. Релятивный конический винтовой барабан РК 7.1.а

Вследствие этих причин разработка содержательных аналитических моделей работы релятивных винтовых барабанов с необходимостью связана с большим количеством упрощающих допущений, снижающих их универсальность и достоверность. Подобные задачи требуют для своего решения большого времени, интеллектуального напряжения, опыта и профессиональной компетенции специалистов.

Поэтому актуальной является задача поиска математического метода и программного инструментария, обеспечивающих быструю и простую для пользователя разработку модели влияния конструкции барабана и параметров режимов его работы на качество получаемой комбикормовой смеси непосредственно на основе эмпирических (экспериментальных) данных.

3. Идея предлагаемого решения проблемы

Предлагается решение этой задачи с применением нового универсального инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос». В системе «Эйдос» реализован программный интерфейс, обеспечивающий непосредственный ввод в систему больших объемов эмпирических данных из Ехсе1-файла. Создаваемая на их основе в системе «Эйдос» системно-когнитивная модель позволяет в наглядной форме отразить влияние конструкции барабана и параметров режимов его работы на качество получаемой комбикормовой смеси и разработать на этой основе научно-обоснованные и адекватные рекомендации по рациональному выбору конструктивных особенностей и параметров режимов работы релятивных винтовых барабанов.

4. Автоматизированный системно-когнитивный анализ как метод решения проблемы

4.1. Кратко об АСК-анализе

Системный анализ представляет собой современный метод научного познания, общепризнанный метод решения проблем [20, 21]. Однако возможности практического применения системного анализа ограничиваются отсутствием программного инструментария, обеспечивающего его автоматизацию. Существуют разнородные программные системы, автоматизирующие отельные этапы или функции системного анализа в различных конкретных предметных областях.

Автоматизированный системно-когнитивный анализ (АСК-анализ) представляет собой системный анализ, структурированный по базовым когнитивным операциям (БКО), благодаря чему удалось разработать для него математическую модель, методику численных расчетов (структуры данных и алгоритмы их обработки), а также реализующую их программную систему - систему Эйдос [22, 23, 24, 25, 26, 27]. Система Эйдос разработана в постановке, не зависящей от предметной области, и имеет ряд программных интерфейсов с внешними данными различных типов [24]. АСК-анализ может быть применен как инструмент, многократно усиливающий возможности естественного интеллекта во всех областях, где используется естественный интеллект. АСК-анализ был успешно применен для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта путем исследования его модели во многих предметных областях, в частности в экономике, технике, социологии, педагогике, психологии, медицине, экологии, ампелографии.

4.2. Истоки АСК-анализа

Известно, что системный анализ является одним из общепризнанных в науке методов решения проблем и многими учеными рассматривается вообще как метод научного познания. Однако как впервые заметил еще в

1984 году проф. И. П. Стабин на практике применение системного анализа наталкивается на проблему [28]. Суть этой проблемы в том, что обычно системный анализ успешно применяется в сравнительно простых случаях, в которых в принципе можно обойтись и без него, тогда как в действительно сложных ситуациях, когда он действительно чрезвычайно востребован и у него нет альтернатив, сделать это удается гораздо реже. Проф. И.П. Стабин предложил и путь решения этой проблемы, который он видел в автоматизации системного анализа [28].

Однако путь от идеи до создания программной системы долог и сложен, т.к. включает ряд этапов:

- выбор теоретического математического метода;

- разработка методики численных расчетов, включающей структуры данных в оперативной памяти и внешних баз данных (даталогическую и инфологическую модели) и алгоритмы обработки этих данных;

- разработка программной системы, реализующей эти математические методы и методики численных расчетов.

4.3. Методика АСК-анализа

4.3.1. Предпосылки решения проблемы

Перегудов Ф. И. и Тарасенко Ф. П. в своих основополагающих работах 1989 и 1997 годов [20, 21] подробно рассмотрели математические методы, которые в принципе могли бы быть применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть применены на практике без реализующих их программных систем, а путь от математического метода к программной системе долог и сложен. Для этого необходимо разработать численные методы или методики численных расчетов (алгоритмы и структуры

данных), реализующие математический метод, а затем разработать программную реализацию системы, основанной на этом численном методе.

В числе первых попыток реальной автоматизации системного анализа следует отметить докторскую диссертацию проф. Симанкова В. С. (2001) [29]. Эта попытка была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Идея была в том, что чем выше детализация системного анализа, чем мельче этапы, тем проще их автоматизировать. Эта попытка была реализована, однако, лишь для специального случая исследования в области возобновляемой энергетики, т.к. системы оказались различных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, явилась большим шагом по пути, предложенному проф. И. П. Стабиным, но и ее нельзя признать обеспечившей достижение поставленной цели, сформулированной Стабиным И.П. (т.е. создание автоматизированного системного анализа), т.к. она не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы применять в различных предметных областях.

Необходимо отметить работы Дж. Клира по системологии и автоматизации решения системных задач, которые внесли большой вклад в автоматизацию системного анализа путем создания и применения универсального решателя системных задач (УРСЗ), реализованного в рамках оригинальной экспертной системы [30, 31].

4.3.2. АСК-анализ, как решение проблемы

Автоматизированный системно-когнитивный анализ разработан профессором Е. В. Луценко и предложен в 2002 году [23]. Основная идея, позволившая сделать это, состоит в рассмотрении системного анализа как

метода познания (отсюда и «когнитивный» от «cognitio» - знание, познание, лат.). Это позволило структурировать системный анализ не по этапам, как пытались сделать ранее, а по базовым когнитивным операциям системного анализа (БКОСА), т.е. таким операциям, к комбинациям которых сводятся остальные. Эти операции образуют минимальную систему, достаточную для описания системного анализа, как метода познания, т.е. конфигуратор. Понятие конфигуратора предложено В.А.Лефевром [32]. В 2002 году Е.В.Луценко был предложен когнитивный конфигуратор [23], включающий 10 базовых когнитивных операций.

Когнитивный конфигуратор:

1) присвоение имен;

2) восприятие (описание конкретных объектов в форме отнологий, т.е. их признаками и принадлежностью к обобщающим категориям - классам);

3) обобщение (синтез, индукция);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция и абдукция;

8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и поддержка принятия управленческих решений.

Каждая из этих операций оказалась достаточно элементарна для

формализации и программной реализации.

Компоненты АСК-анализа:

- формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;

- теоретические основы, методология, технология и методика АСК-анализа;

- математическая модель АСК-анализа, основанная на системном обобщении теории информации;

- методика численных расчетов, в универсальной форме реализующая математическую модель АСК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;

- специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа - Универсальная когнитивная аналитическая система "Эйдос".

Этапы АСК-анализа:

1) когнитивно-целевая структуризация предметной области;

2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);

3) синтез системы моделей предметной области (в настоящее время система Эйдос поддерживает 3 статистические модели и 7 моделей знаний);

4) верификация (оценка достоверности) системы моделей предметной области;

5) повышение качества системы моделей;

6) решение задач идентификации, прогнозирования и поддержки принятия решений;

7) исследование моделируемого объекта путем исследования его моделей является корректным, если модель верно отражает моделируемый объект и включает: кластерно-конструктивный анализ классов и факторов; содержательное сравнение классов и факторов; изучение системы детерминации состояний моделируемого объекта; нелокальные нейроны и ин-

терпретируемые нейронные сети прямого счета; классические когнитивные модели (когнитивные карты); интегральные когнитивные модели (интегральные когнитивные карты), прямые обратные 8ШОТ-диаграммы; когнитивные функции и т. д.

Математические аспекты АСК-анализа

Математическая модель АСК-анализ основана на теории информации, точнее на системной теории информации (СТИ), предложенной Е.В.Луценко [23, 25]1. Это значит, что в АСК-анализе все факторы рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации [25, 27].

Это напоминает подход Дугласа Хаббарда [33], но, в отличие от него, имеет открытый универсальный программный инструментарий (систему «Эйдос»), разработанный в постановке, не зависящей от предметной области [24]. К тому же на систему «Эйдос» уже в 1994 году было три патента РФ [24], а первые акты ее внедрения датируются 1987 годом [23], тогда как основная работа Дугласа Хаббарда [33] появилась лишь в 2009 году. Это означает, что идеи АСК-анализа не только появились, но и были доведены до программной реализации в универсальной форме на 22 с лишним года раньше появления работ Дугласа Хаббарда.

Поэтому АСК-анализ обеспечивает корректную сопоставимую обработку числовых и нечисловых данных, представленных в разных типах измерительных шкал и разных единицах измерения [27]. Метод АСК-анализа является устойчивым непараметрическим методом, обеспечивающим создание моделей больших размерностей при неполных и зашумленных ис-

1 Подробнее рассматривать математическую модель АСК-анализа здесь не целесообразно, т.к. она подробно описана в работах [23, 24] и ряде других работ: http://e1ibrary.ru/author items.asp?authorid=123162

ходных данных о сложном нелинейном динамичном объекте управления. Этот метод является чуть ли не единственным на данный момент, обеспечивающим многопараметрическую типизацию и системную идентификацию методов, инструментарий которого (интеллектуальная система Эйдос) находится в полном открытом бесплатном доступе [25, 26].

4.4. Некоторые результаты применения АСК-анализа

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при проведении 6 докторских и 7 кандидатских диссертационных работ в ряде различных предметных областей по экономическим, техническим, психологическим и медицинским наукам.

АСК-анализ был успешно применены при выполнении десятков грантов РФФИ и РГНФ различной направленности за длительный период с 2002 года по настоящее время (2016 год).

По проблематике АСК-анализа издана 21 монография, получено 28 патентов на системы искусственного интеллекта, их подсистемы, режимы и приложения, опубликовано 210 статей в изданиях, входящих в Перечень ВАК РФ (по данным РИНЦ). В одном только Научном журнале КубГАУ (входит в Перечень ВАК РФ с 26-го марта 2010 года) автором АСК-анализа Луценко Е.В. опубликовано 180 статей, общим объёмом 310,871 у.п.л., в среднем 1,727 у.п.л. на одну статью.

По этим публикациям, грантам и диссертационным работам видно, что АСК-анализ уже был успешно применен в следующих предметных областях и научных направлениях: экономика (региональная, отраслевая, предприятий, прогнозирование фондовых рынков), социология, эконометрика, биометрия, педагогика (создание педагогических измерительных инструментов и их применение), психология (личности, экстремальных ситуаций, профессиональных и учебных достижений, разработка и примене-

ние профессиограмм), сельское хозяйство (прогнозирование результатов применения агротехнологий, принятие решений по выбору рациональных агротехнологий и микрозон выращивания), экология, ампелография, геофизика (глобальное и локальное прогнозирование землетрясений, параметров магнитного поля Земли, движения полюсов Земли), климатология (прогнозирование Эль-Ниньо и Ла-Нинья), возобновляемая энергетика, мелиорация и управление мелиоративными системами, и ряд других областей.

АСК-анализ вызывает большой интерес во всем мире. Сайт автора АСК-анализа [34] посетило около 500 тыс. посетителей с уникальными IP-адресами со всего мира. Еще около 500 тыс. посетителей открывали статьи по АСК-анализу в Научном журнале КубГАУ.

Необходимо отметить, что в развитии различных теоретических основ и практических аспектов АСК-анализа приняли участие многие ученые: Луценко Е.В., Лойко В.И., Трунев А.П. (Канада), Орлов А.И., Коржаков В.Е., Барановская Т.П., Ермоленко В.В., Наприев И.Л., Некрасов С.Д., Лаптев В.Н., Третьяк В.Г., Щукин Т.Н., Симанков В.С., Ткачев А.Н., Саф-ронова Т.И., Горпинченко К.Н., Макаревич О.А., Макаревич Л.О., Сергеева Е.В.(Фомина Е.В.), Бандык Д.К., Артемов А.А., Крохмаль В.В., Рябцев В.Г. и другие.

5. Численный пример

Проведем численный пример решения поставленной проблемы методом АСК-анализа, последовательно выполняя основные его этапы, перечисленные выше.

5.1. Когнитивно-целевая структуризация предметной области

На этом этапе мы должны решить, что будем рассматривать как факторы, а что как результаты их действия. Это единственный неформализо-

ванный и не реализованный программно в системе «Эйдос» этап АСК-анализа. В данном случае в качестве факторов выберем:

- конструктивный тип релятивного винтового барабана;

- время смешивания;

- скорость продольного перемещения комбикормовой смеси;

- число оборотов в минуту;

- коэффициент заполнения барабана комбикормовой смесью;

- угол наклона барабана или его стенок.

В качестве результата совместного действия этих факторов будем рассматривать качество получаемой комбикормовой смеси, измеряемое двумя показателями:

- максимальное отклонение от 100% качественным смешиванием;

- минимальное отклонение от 100% качественным смешиванием;

5.2. Формализация предметной области

Формализация предметной области включает конструирование классификационных и описательных шкал и градаций и кодирование исходных данных с их применением, т.е. подготовку обучающей выборки.

В системе «Эйдос» эта работа полностью автоматизирована в универсальном программном интерфейсе ввода данных из внешних баз данных.

Исходные данные имеют вид (таблица 1):

Таблица 1 - Ехсе1-файл исходных данных (фрагмент)

№ опыта Макс.откл.от 100% кач.смеш. Мин.откл.от 100% кач.смеш. Время смеш.1 (мин.) Скорость продольного перемещения, мм/с Число оборотов в минуту Коэффициент заполнения барабана Тип барабана Угол наклона стенки барабана

1 5,1 -0,1 21,3 1,3 20 0,2 РК 1.1 б 10

2 5,3 0,2 19,4 2,1 30 0,2 РК 1.1 б 10

3 6,0 0,1 17,6 3,0 40 0,2 РК 1.1 б 10

4 5,9 0,2 15,3 3,9 50 0,2 РК 1.1 б 10

5 5,7 0,3 10,7 4,1 60 0,2 РК 1.1 б 10

6 6,1 0,4 13,8 3,6 70 0,2 РК 1.1 б 10

l 5,S 0,3 16,3 2,1 S0 0,2 PK 1.1.6 10

S 5,5 0,2 21,2 0,S 90 0,2 PK 1.1.6 10

9 6,0 -0,1 26,5 0,1 95 0,2 PK 1.1.6 10

10 6,3 0,5 11,2 3,2 20 0,3 PK 1.1.6 10

11 6,0 0,6 1l,3 4,3 30 0,3 PK 1.1.6 10

12 5,9 0,4 16,2 5,6 40 0,3 PK 1.1.6 10

13 6,1 0,5 14,S 6,9 50 0,3 PK 1.1.6 10

14 6,2 0,5 9,S 6,9 60 0,3 PK 1.1.6 10

15 5,S 0,4 10,1 5,0 l0 0,3 PK 1.1.6 10

16 5,9 0,3 15,2 4,1 S0 0,3 PK 1.1.6 10

1l 5,l 0,2 16,S 1,3 90 0,3 PK 1.1.6 10

1S 6,0 0,5 24,0 0,1 95 0,3 PK 1.1.6 10

19 6,3 0,6 15,S 5,0 20 0,5 PK 1.1.6 10

20 6,1 0,5 12,1 6,l 30 0,5 PK 1.1.6 10

21 6,0 0,3 10,2 S,6 40 0,5 PK 1.1.6 10

22 5,9 0,l l,5 9,5 50 0,5 PK 1.1.6 10

23 6,1 0,S 6,S 10,0 60 0,5 PK 1.1.6 10

24 5,S 0,9 S,2 S,6 l0 0,5 PK 1.1.6 10

25 5,l 0,l 10,1 5,S S0 0,5 PK 1.1.6 10

26 5,6 0,6 1 S,2 2,3 90 0,5 PK 1.1.6 10

2l 6,0 -0,5 2l,1 0,1 95 0,5 PK 1.1.6 10

2S 5,9 0,1 1l,3 6,0 20 0,6 PK 1.1.6 10

29 5,S 1,2 12,1 5,S 30 0,6 PK 1.1.6 10

30 5,6 1,1 10,2 l,S 40 0,6 PK 1.1.6 10

31 5,4 0,9 S,2 S,6 50 0,6 PK 1.1.6 10

32 5,2 0,S S,1 9,3 60 0,6 PK 1.1.6 10

33 5,6 0,6 9,5 S,6 l0 0,6 PK 1.1.6 10

34 6,0 0,4 10,1 6,0 S0 0,6 PK 1.1.6 10

35 5,2 0,3 1 S,2 1,9 90 0,6 PK 1.1.6 10

36 6,2 0,5 25,3 0,0 95 0,6 PK 1.1.6 10

3l 6,1 0,5 14,5 2,6 20 0,l PK 1.1.6 10

3S 6,2 0,4 12,1 3,6 30 0,l PK 1.1.6 10

39 6,3 0,3 11,5 4,5 40 0,l PK 1.1.6 10

40 5,9 0,5 10,2 5,2 50 0,l PK 1.1.6 10

41 5,S 0,3 9,S 5,4 60 0,l PK 1.1.6 10

42 5,5 0,4 10,2 4,3 l0 0,l PK 1.1.6 10

43 5,l 0,5 12,S 3,0 S0 0,l PK 1.1.6 10

44 5,6 -0,5 14,5 1,3 90 0,l PK 1.1.6 10

45 6,1 -0,5 26,l 0,1 95 0,l PK 1.1.6 10

46 4,9 0,3 1l,1 1,3 20 0,2 PK 2.1.6 6

4l 4,S 0,2 16,2 3,4 30 0,2 PK 2.1.6 6

4S 5,1 0,1 13,2 5,1 40 0,2 PK 2.1.6 6

49 6,3 0,5 12,1 6,2 50 0,2 PK 2.1.6 6

50 5,3 0,1 9,5 6,l 60 0,2 PK 2.1.6 6

51 4,9 0,1 10,2 5,S l0 0,2 PK 2.1.6 6

52 4,9 -0,3 13,2 3,l S0 0,2 PK 2.1.6 6

53 6,1 1,1 1l,3 1,3 90 0,2 PK 2.1.6 6

54 5,9 0,0 25,1 0,1 95 0,2 PK 2.1.6 6

55 6,3 1,2 16,9 3,2 20 0,3 PK 2.1.6 6

56 5,4 0,l 15,9 5,5 30 0,3 PK 2.1.6 6

5l 5,0 0,6 12,1 l,9 40 0,3 PK 2.1.6 6

5S 4,S 0,2 9,1 10,1 50 0,3 PK 2.1.6 6

59 5,1 0,l 9,S 11,1 60 0,3 PK 2.1.6 6

60 4,9 0,4 11,9 11,1 l0 0,3 PK 2.1.6 6

61 5,3 0,3 12,6 l,l S0 0,3 PK 2.1.6 6

62 5,5 0,1 15,1 3,4 90 0,3 PK 2.1.6 6

63 5,6 0,3 20,1 0,1 95 0,3 PK 2.1.6 6

64 6,0 0,9 15,2 4,9 20 0,5 PK 2.1.6 6

65 5,6 0,6 14,3 S,1 30 0,5 PK 2.1.6 6

66 5,l 0,0 11,5 11,5 40 0,5 PK 2.1.6 6

6l 5,2 0,4 S,5 14,1 50 0,5 PK 2.1.6 6

6S 5,3 0,5 S,2 15,2 60 0,5 PK 2.1.6 6

69 5,4 0,3 S,1 13,l l0 0,5 PK 2.1.6 6

l0 5,5 0,1 11,5 9,9 S0 0,5 PK 2.1.6 6

l1 5,1 0,1 14,1 4,l 90 0,5 PK 2.1.6 6

l2 5,6 0,3 22,3 0,1 95 0,5 PK 2.1.6 6

l3 5,l 0,4 14,0 3,9 20 0,6 PK 2.1.6 6

l4 5,3 0,3 12,0 l,1 30 0,6 PK 2.1.6 6

l5 5,4 0,3 10,1 10,3 40 0,6 PK 2.1.6 6

l6 5,0 0,1 9,2 12,l 50 0,6 PK 2.1.6 6

ll 4,9 0,2 S,1 14,1 60 0,6 PK 2.1.6 6

Полностью исходные данные включают описания результатов 749 экспериментов (опытов) и здесь не приводятся из-за ограниченности объема работы.

Для ввода этих исходных данных в систему «Эйдос» используем режим 2.3.2.2 с указанными параметрами (рисунок 12):

2.1.2.2. Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х»+

№

Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с]а1а"

Задайте параметры:

Стандарт XLS -файла

Задайте тип файла исходных данных: "lnp_data":

RUS'''-':M'S'Exeel-2Ö03' Г •. :V'-- И". Excel-20G7(2Ü10) Г DBF -DBASE IV [DEiF/NTX) Стандарт DBF-Файла

CSV -iComiina-Separafed Values Стандарт CSV-файла

<• H ули и пробелы считать Ü Т СУ Т CT Й И Е М данных Нули и пробелы считать ЗНАЧЕНИЯМИ данных (7 Создавать БД средних по классам "!np_ davi.dbf1'^ Требования к Файлу исходных данных

Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:

Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал:

Конечный сголбец описательных шкал:

Задайте режим1

<• Формализации предметной области (на основе "Inpda'a") Генерации распознаваемой выборки (ha основе "lnp_rasp")

Задайте способ выбеоа размера интервалов:

V Равные интервалы с разным числом наблюдений • Разные интервалы с равным числом наблюдений

Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_daia": » Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей Г Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_daia"

Пояснения по режиму

Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей:

Сценарный метод АСК-анализа:

Записи Файла исходных данных lnp_daia" рассматриваются казкдая сама по себе независимо друг от друга

Спец.интерпретация ТХТ-полей

Значения текстовых полей Файла исходных данных

"Inp data" рассматриваются как целое

Какие наименования ГРАДАЦИЙ числовых шкал использовать: » Только интервальные числовые значения С Только наименования интервальных числовых значений

V И интервальные числовые значения, и их наименования

(например (например (например

"1 /3-{59873.0G00C0(]. 178545. G66G667}"] "Минимальное")

"Минимальное: 1/3-!53Й73.П|]00Г100.178545.GGGGGG7}"

Пк

Cancel

Рисунок 12. Экранная форма универсального программного интерфейса

импорта данных в систему «Эйдос»

Отметим, что выбрана опция: «Разные интервалы с равным числом наблюдений», т.к. выбор 1-й опции «Равные интервалы с равным числом

наблюдений» показал, что эмпирические данные очень неравномерно распределены по диапазону их изменения и в случае выбора 1-го варианта некоторые интервальные значения получаются не представленными.

Таблица 1 полностью соответствует требованиям этого программного интерфейса, описанным в его Help (рисунок 13):

Помощь по режиму 2.3.2.2 для случая Excei-файлов исходных данных

Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных ■lnp_data.xls" в систему иЭйдос-х++" и формализации предметной области.

- Данный программный интерфейс обеспечивает автоматическое Формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию предметной области, на основе XLS или XLSX-Файла с исходными данными приведенного ниже стандарта.

- Файл исходных данных должен иметь имя: INP_DATA.XLS или INF'_DATA.XLSX и может быть получен в Ехсе1-2003(2007-2010), а файл распознаваемой выборки имя: INP_F!ASP.XLS или INP_RASP.XLSX: Файлы INP_DATA.XLS (INF'_DATA.XLSX] и INP_RASP.XLS или INP.RASP. XLSX) должны находиться в папке /'AID0S-X/АID_DАТА/1nр_dа\а/ и имеют совершенно одинаковую структуру.

-1 -я строка этого Файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во всех колонках., при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.

- Каждая отрока этого файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может быть до 65536 строк, и до 256 колонок, В листе Excel-20Q7(2010] возможно до 1 048 576 строк и 16 384 колонок.

- Столбцы., начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального] или числового типа (с десятичными знаками после запятой),

- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.

-1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.

- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.

- Столбцы с N+1 по последний являются описательными шкалами (факторами] и содержат данные о признаках (значениях Факторов], характеризующих объекты обучающей выборки.

- В результате работы режима формируется файл INF'_NAME.TXT стандарта MS DOS (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и Формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных NP_.DATА и содержит коды классов, соответствующие фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков С градациями описательных шкал.

- Распознаваемая выборка Формируется на основе Файла INP_RASF' аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле INP_RASP были пустыми. Структура файла INF'_RASP должна быть такая же, как INP_DATA,T.e. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.

Принцип организации таблицы исходных данных:

Нанменоазние объема обучающей выБорки Наименование 1-й классификационной шкалы Наименование 2-Й классификационной шкапы Наименование 1-й описательной шкапы Наименование 2-й описательной шкалы

1-й объект обучающей аыборш Значение локазагепя Значение показателя Значение показателя Значение показателя

2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя

... ... ... ...

Ok jj Cancel

Рисунок 13. HELP универсального программного интерфейса импорта данных в систему «Эйдос»

Отметим, что действующие факторы и их конкретные значения описываются колонками 4-9 файла исходных данных, приведенного в таблице 1, а результаты действия этих факторов - колонками 2-3.

В данном случае значения всех факторов и результатов их действия, кроме типа барабана, числовые, а тип барабана - это текстовое значение.

При нажатии на 'ОК' на экранной форме, представленной на рисунке 12, система «Эйдос» загружает Ехсе1-файл исходных данных, анализирует его и выводит экранную форму внутреннего калькулятора, представленную на рисунке 14:

Рисунок 14. Внутренний калькулятор универсального программного интерфейса импорта данных в систему «Эйдос»

Здесь пользователь имеет возможность просмотреть отчет о формируемых классификационных и описательных шкалах и градациях (рисунок 15), а также задать число интервальных числовых значений в числовых шкалах (после этого нужно пересчитать шкалы и градации).

При выходе на создание модели происходит нормализаций базы исходных данных и формирование обучающей выборки (базы событий). Стадия исполнения и его результаты отражены на экранной форме, приведенной на рисунке 16. Из этой экранной формы видно, что ввод в систему

«Эйдос» данных 749 опытов из таблицы 1 осуществлен за 1 минуту 35 секунд.

Рисунок 15. Отчет о формируемых классификационных и описательных шкалах и градациях

Стадия исполнения процесса

1/3: Формирование классификационных и описательных шкал и градаций на основе БД "1гр_с1а(а" - Готово 2/3: Генерация обучающей выборки и базы событий :|Еуеп(зК0" на основе внешней БД "¡пр_с1а(а" - Готово 3/3: Переиндексация всех баз данных нового приложения - Гот обо

ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!

Прогноз времени исполнения

Начало: 09:07:42 Окончание: 9:03:17

Прошло: 0:01:34 Осталось: 0:00:00

Рисунок 16. Отчет о формируемых классификационных

и описательных шкалах и градациях

5.3. Синтез и верификация модели

Следующий этап АСК-анализа - это синтез и верификация (оценка достоверности) модели выполняется в режиме 3.5 при указанных параметрах (рисунок 17):

Рисунок 17. Экранная форма режима синтеза и верификации модели

Стадия процесса исполнения и его результат отображается на кранной форме, приведенной на рисунке 18. В результате выполнения этого режима создается 3 статистических и 7 системно-когнитивных моделей, отражающих влияние факторов на качество результатов смешивания комбикормов. Отметим, что как это видно из рисунка 18, весь процесс синтеза и верификации этих моделей занял 2 минуты 56секунд. Достоверность созданных моделей в соответствии с метрикой, сходной с F-критерием, приведена на рисунке 19, пояснение - на рисунке 20.

Рисунок 18. Экранная форма отображения стадии процесса синтеза и верификации модели

lg -sí i

4.1.3.6. Обобщ,форма по достов.моделей при разн.инт.ерит.. Текущая модель: TNF1"

Наименование модели мчистпстс критерия Интегральный критерий Вероятность правильной иаентифка... Вероятность правильной не щентиф.. Средняя вероятно., правильн. результата Дш-á получения результата Время получения результ...

90.531 9.492 54.011 24.04.2016 09:47:47

1. Át: - частный критерий: количество встреч сочетаний: "клас... ; Сумма абс. частот по признак.... 100.000 50.000 24.04.2016 09:47 г 47

2. PRC1 ■ частный критерий:-,усл. вероятность i-го признака сред... Корреляция уйл.отн.частот о о... 98.531 9.452 53.992 24.04.2016 09:48:02

2. PRC1 - частный крщерйй:.усл. вероятн0сгь1т0.призг|ака сред... :Сумма уО,Л:СГЩчастот по приз... 100.000 50.000 24.04.2016 09:48:03

■3. Р$£2'! Чсстиый критерий: условная вероятность i-то признака... Корреляция усл.отн.частот с о... 90.531 9,492 54.011 24,04.2016 09:48:18

3. F'FICZ ■ частный критерий: условная вероятность i-то признака... ! Сумма усл.отн.частот по приз... 100.000 50.000 24.04,2016 09:43:18

ч IN Fl -■■частный ,кр1яерйй: количество знаний по АХаркевичу; в... Семантический резонанс зна.. SO.641 52.SOS 66.724 24.04.2016 09:48:34

4 INF1 - частный колиЧествд знаний поАХаркевичу. в ! Сумма знаний-'- 69.359 66.015 6В. 037 24.04.2016 09:48:34

5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... ■Семантический резонанс зна.. 00.841 52.705 66.773 24.04.2016 09:48:50

INF2 - частный критер+тй: количество знаний по АХаркевичу; в... Сумма знаний 71.095 65.340 68.217 24.04.2016 09:48:50

6. |М£3--'.частнь|й'.1у^ерйй:-^игкв^рзт,:р^знЬ^и:йвжщ Фактич... . Семан1ше'скийрези+знс Ь'д 75.567 50.971 67.269 24.04.2016 09:49:06

íi.;IN£3 - частный критерий: Хи-квацраг, разности между Фактич.. . Сумма знаний 75.567 50.971 67.269 24.04.2016 09: 49:06

7. INF4 - частный критерий: ROI [Return On Investment]; вероятно... Семантический резонанс зна.. 72.697 63.363 68.033 24,04.2016 09:49:22

7. INF4 - частный критерий: RQI [Return On Investment]; вероятно... Сумма знаний 7-5.034 60.пап 67.957 24.04.2016 09:49:22

частный.критерий: F!'-V |F ¿ti.it-i On-Investmentf вероятно.. : Семаншческий резонанс зна.. 72.697 63.215 67.956 24.04.2016 09:49:38

8..-INF5 - частный критерий: ROI [Return On Investment]; вероятно.. . Сумма знаний 77.303 50.540 67.922 24.04.2016 09:49:38

Э. INFG - частный критерий: ра'йндсл и^езуол.вероятностей; вер.. Семантический резонанс зна.. 73.490 60.326 66.912 24,04.2016 09:49:53

3. IN Fi! - частный критерий: разнусл и безусл. вероятностей; вер.. . Сумма знаний 75.567 57.639 66.603 24.04,2016 09:49:53

10.INF7 - !Н5ГРТНЬ1Й критерий: ракэи.ycjiäi.^fe^yi^ij. . Семантический резонанс ЗНё. ■ 73.965 59.741 66.853 24.04.2016 09:50:09

10.INF7 - чаотный кр.ктерий::разн:усл.Н'б.к:^ел.вероятностей; ве... Сумма знаний 77.170 55.759 66.465 24.04.2016 09:50:09

Помощь

Рисунок 19. Достоверность созданных моделей в соответствии с метрикой,

сходной с Б-критерием

Помощь по режиму: 4,1.3.6: Виды прогнозов и принцип опрделения досга&ености моделей в системе Эйдос-Х+ +

Режим: Помощь по режиму: 4.1.3.6: виды прогнозов и принцип оценки достоверности моделей в системе "эйдос-х++" с применением метрики (предложена проф.Е.в.луценко), сходной с Р-критерием, но не предполагающей независимости и аддитивности факторов.

ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации), ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5иб, а что-то из этого естественно выпало, конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

ИДЕАЛЬНЫЙ ПРОГНОЗ.

если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации, идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

РЕАЛЬНЫЙ ПРОГНОЗ.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или б. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Ясно, что этот критерий очень сходен по смыслу с известным Р-критерием и сходные оценки качества моделей.

Рисунок 20. Пояснение по метрике, сходной с Б-критерием

Из рисунка 8 видно, что в модели ЮТ1, основанной на частном критерии с использованием количества знаний по А.Харкевичу, получена достоверность идентификации более 80% и достоверность неидентификации более 50%. Для целей данной работы, т.е. для определения рациональных конструктивных особенностей и режимов работы релятивных барабанов для качественного смешивания комбикормов, этого достаточно.

Этим самым решена проблема, поставленная в работе и созданы условия для определения рациональных конструктивных особенностей и режимов работы релятивных барабанов для качественного смешивания комбикормов.

5.4. Исследование моделируемого объекта путем исследования его модели

Исследование моделируемого объекта путем исследования его моделей является корректным, если модель верно отражает моделируемый объект и включает:

- кластерно-конструктивный анализ классов и факторов;

- содержательное сравнение классов и факторов;

- изучение системы детерминации состояний моделируемого объекта (информационные портреты и 8ШОТ-диаграммы);

- нелокальные нейроны и интерпретируемые нейронные сети прямого счета;

- построение классических когнитивных моделей (когнитивных

карт);

- построение интегральных когнитивных моделей (интегральных когнитивных карт);

- построение прямых и обратных 8ШОТ-диаграмм;

- построение когнитивных функций и т.д.

Используем те из этих возможностей, которые полезны для решения задачи, поставленной в работе, т.е. для определения рациональных конструктивных особенностей и режимов работы релятивных барабанов для ка-

чественного смешивания комбикормов

Рассмотрим приведенную на рисунке 21 когнитивную диаграмму:

Рисунок 21. Сходство результатов смешивания комбикормов по системе обуславливающих их факторов. Критерий качества: «Максимальное отклонение от 100% качественным смешиванием»

Из рисунка 21 видно, что очень хорошее качество смеси (код 1) получается под действием факторов, сходных с теми, при которых получается хорошее качество (код 2), и отличается от системы факторов, обуславливающих среднее, плохое и очень плохое качество (коды 3, 4 и 5 соответственно). При этом система факторов, характерная для хорошего качества (код 2), сходна с системой среднего качества (3), а та, в свою очередь, с системой факторов плохого качества (код 4). Система факторов, при которой получается очень плохое качество смеси (код 5) отличается от систем факторов, обуславливающих любой другой результат.

Сходный результат получается по другому критерию качества (рисунок 22):

Рисунок 22. Сходство результатов смешивания комбикормов по системе обуславливающих их факторов. Критерий качества: «Минимальное отклонение от 100% качественным смешиванием»

Очень хорошие и хорошие результаты (коды 6, 7) сходны по системе детерминирующих их факторов друг с другом, так же как сходны друг с

другом средние и плохие результаты (коды 8, 9), а очень плохие результаты (код 10) сильно отличаются от всех других.

Во всем этом есть определенная логика. По-видимому, есть основания уменьшить число градаций уровней качества с 5 до 3, оставив очень плохое качество и объединив высшее и просто хорошее качество; среднее и низкое качество. Тогда получаться такие градации: высокое, среднее и низкое качество.

На рисунке 23 приведена в форме нелокального нейрона система детерминации очень хороших результатов смешивания комбикормов:

е) 4.4.10. Графическое отображение нелокальны» нейронов в системе "Эйдос" Д ^ _ И ! ^ т^^ й ^ I |тсз4&ЬОД|Г

НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "INFI"

Нейрон: [1]-МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-1/5-tl.lOOOOOO, 5.3000000} Приложение: Определение рациональных конструктивно-режимных параметров релятивных винтовых барабанов

Рисунок 23. Детерминация очень хороших результатов смешивания

В центре диаграммы изображено обозначение данного результата смешивания. Названия факторов и их значений приведено по окружности. Сила и направление влияния факторов на этот результат изображены цветом и толщиной линий. Направление влияния отображено цветом: красный цвет обозначает факторы способствующие данному результату, а синим -препятствующие. Сила влияния факторов на данный результат обозначена толщиной линии.

5.5. Определение рациональных конструктивных особенностей и режимов работы релятивных барабанов для смешивания комбикормов

5.1.1. Прямые и обратные SWOT-диаграммы

Система «Эйдос» является единственной на данный момент системой, обеспечивающей полностью автоматизированное определение весов непосредственно на основе эмпирических данных без участия экспертов и построение 8ШОТ-матриц и 8ШОТ-диаграмм [25, 35].

Прямые 8ШОТ-диаграммы похожи на классические уже известные и показывают силу и направление влияния значений факторов на достижение заданного состояния (рисунки 24 и 25).

Обратные 8ШОТ-диаграммы предложены в работе [35] и показывают достижению каких состояний и в какой степени способствует и препятствует некоторое заданное значение фактора. Например, на рисунках 26 и 27, показано влияние типа барабана РК2.1.б на качество получаемой смеси.

Рисунок 24. Прямая 8ШОТ-матрица результата: «Очень высокое качество смешивания комбикормов» без фильтрации факторов

Рисунок 25. Прямая SWOT-диаграмма результата: «Очень высокое качество смешивания комбикормов» без фильтрации факторов

I В

{£) 4.4.9 Количественный автоматизированный SWOT-анализ значений факторов средствами АСК-анализа в системе "Эйдос"

Выбор значения фактора, оказывающего влияние на переход объекта управления в будущие состояния

Код Наименование значения Фактора

КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ Б АРАБ АН А-4/5-{0.6000000, 0.6000000} КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ Б АРАБ АН А-5/5-{0.6000000, 0.9000000}

ТИП БАРАБАНА-1Л1-РК 1.1.6

Т И П Б АРАБ АН Д-2 Л1 -РК 2.1.6

Т И П Б АРАБ АН А-3 Л1 -РК 3.1.6

iL

SWOT-анализ значения фактора; 22 "ТИП БАРАБАНА-2Л 1 -РК 2 1 б" в модели: 4 "INF1" СПОСОБСТВУЕТ: ПРЕПЯТСТВУЕТ:

Код Состояния объекта управления, переходу в которые данное значение Фактора СПОСОБ СТ В У Е Т на

2 МАКС.ОТКЛ.ОТ 100% КАЧ. СМ ЕШ.-2/5-{5.3000000, 5.800... 0.293

9 МИН.ОТКЛ.ОТ 100% КАЧ. СМ ЕШ.-4/5-{0.2000000, 0.5000... 0.273

1 МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-1 /5-{1.1000000, 5.300... 0.265

8 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-3/5-{-0.1000000,0.2000... 0.159

10 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-5/5-Ш.5000000, 6.3000... 0.158

ВКЛЮЧИТЬ Фильтр по кл. шкале ВЫКЛЮЧИТЬ Фильтр по кл.шкале

М И Н. 0 Т КЛ. 0 Т 100% КАЧ. СМ Е 111 ,-2/5-{-0.5000000, -0.10000... -0.856

в МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-1/5-М 0.0000000, -0.5000... -0.825

4 МАКС.ОТКЛ.ОТ 100% КАЧ. СМ ЕШ. -4/5-{6.2000000,7.30000... -0.555

3 МАКС.ОТКЛ.ОТ 100% КАЧ. СМ ЕШ. -3/5-{5.8000000,6.20000... -0.317

<1 1 ►

ВКЛЮЧИТЬ Фильтр по кл.шкале ВЫКЛЮЧИТЬ Фильтр по кл.шкале

Помощь

Abs

Prcl

Prc2

Infi

Inf 2

Inf3

Inf4

Inf 5

Inf6

Inf 7

S WO T-диаграмма

Рисунок 26. Влияние типа релятивного винтового барабана РК 2.1.б на качество получаемой смеси комбикормов

с) 4.4.9. Количественный SWOT-анализ градаций факторов средствами АСК-анализа. (С) Универсальная когнитивная аналитическая система "ЭЙДОС-Х-

SWOT-ДИАГРАММА ЗНАЧЕНИЯ ФАКТОРА: "[22] ТИП БАРАБАНА-2/11 -PK 2.1 .Б" В МОДЕЛИ: "INFI" Приложение: "Определение рациональных конструктивно-режимных параметров релятивных винтовых барабанов" Фактор: [5] ТИП БАРАБАНА Значение: [22] 2/11-PK 2.1.6 Состояния, которым данное знач.фактора СПОСОБСТВУЕТ: Состояния, которым данное знач.фактора ПРЕПЯТСТВУЕТ:

[1] МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ. [2] 2/5-{5.3000000, 5.8000000} 1=0.293 bit

I 1= 0.056 bit [2] МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ. [7] 2/5-{-0.5000000, -0.1000000}

[2] МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ. [9] 4/5-{0.2000000,0.5000000} 1=0.273 bit

1 1= 0.025 bit [2] МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ. [6] 1/5-{-10.0000000, -0.5000000}

[1] МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ. [1] 1/5-{1.1000000, 5.3000000} 1=0.265 bit

1= 0.555 bit I [1] МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ [4] 4/5-{6.2000000, 7.3000000}

[2] МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ. [8] 3/5-{-0.1000000, 0.2000000} 1=0.159 bit

1= 0.317 bit [1] МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ. [3] 3/5-{5.8000000, 6.2000000}

[2] МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ. [10] 5/5-{0.5000000,6.3000000} 1=0.150 bit

Рильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-10 Фильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-10

ВЛИЯНИЕ ДАННОГО ЗНАЧЕНИЯ ФАКТОРА НА ПЕРЕХОД ОБЪЕКТА УПРАВЛЕНИЯ В СОСТОЯНИЯ, СООТВЕТСТВУЮЩИЕ КЛАССАМ: Форма создана: 30.04.2016-09:22:06

.......................... ...........................1 1111...............1..... ................................. гппгппгтп ................. 1111 ........«и........... РЛГПОГО щи щ ......................................................

Сиыишшя исьски унрлилыиш (кллхи], переводу и м> 1 ирис длин», личсинс флморл ПРСПЛТСПиСТ. оюьрлллои! ЛИНИЯМИ ииии СИНЕГО цьси. Толщина липни ифлллш иснснь илишны.

Рисунок 27. Влияние типа релятивного винтового барабана РК 2.1.б на качество получаемой смеси комбикормов

В экранных формах SWOT-матрицы, представленной на рисунке 24, можно задать фильтрацию по фактору. Тогда на матрице и соответствующей SWOT-диаграмме будет отражена сила и направление влияния только значений этого фактора на достижение заданного результата (аналогичная возможность есть и в обратных SWOT-матрицах). Эта возможность позволяет выработать научно-обоснованные рекомендации по рациональным значениям каждого фактора, наиболее сильно влияющим на получение очень высокого качества смеси. В нашей модели есть факторы, отражающие и тип релятивного винтового барабана, и параметров режима его работы.

Получим SWOT-диаграммы с фильтрацией по каждому из факторов по очереди (рисунки 28-33) и сформулируем полученные на основе них выводы рекомендации по выбору рациональных значений каждого из факторов (сами эти выводы приведем в разделе в соответствующем разделе).

с) 4.4.8. Количественный SWOT-анализ классов средствами АСК-анализа. (С) Универсальная когнитивная аналитическая система "ЭЙДОС-Х«" | cd | в

SWOT-ДИАГРАММА КЛАССА: "[1] МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-1/5-{1.1000000, 5.3000000}" В МОДЕЛИ: "INF1" Приложение: "Определение рациональных конструктивно-режимных параметров релятивных винтовых барабанов" Шкала: [1] МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ. Класс: [1] 1/5-{1.1000000, 5.3000000} СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[5] ТИП БАРАБАНА [22] 2/11-PK 2.1.6 1=0.265 bit 1= 0.405 bit [21] 1/11-РК 1.1.6

1= 0.200 bit [5] ТИП БАРАБАНА [24] 4/11-РК 5.1.а

[5] ТИП БАРАБАНА [29] 9/11-РЦ 4.1.6 1=0.227 bit

1= 0.140 bit [5] ТИП БАРАБАНА [28] 8/11-РЦ 3.5.а

[5] ТИП БАРАБАНА [23] 3/11-РК 3.1.6 1=0.219 bit

1= 0.056 bit [5] ТИП БАРАБАНА [30] 10/11-РЦ 5.1.а

[5] ТИП БАРАБАНА [26] 6/11-РЦ 1.1.6 1=0.104 bit

1= 0.035 bit [5] ТИП БАРАБАНА [25]5/11-РК 7.1 .а

[5] ТИП БАРАБАНА [27] 7/11-РЦ 1.2.6 1=0.010 bit

1= 0.007 bit [5] ТИП БАРАБАНА [31] 11/11-РЦ'7.1 а

Сильтр по фактору: [5] ТИП БАРАБАНА: 21-31 Фильтр по фактору: [5] ТИП БАРАБАНА: 21-31

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 30.04.2016-09:26:21 Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень влияния. Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи СИНЕГО цвета. Толщина линии отражает степень влияния.

Рисунок 28. Влияние типа релятивного винтового барабана на получение комбикормовой смеси очень высокого качества

Рисунок 29. Влияние числа оборотов в минуту релятивного винтового барабана на получение комбикормовой смеси очень высокого качества

Рисунок 30. Влияние длительности смешивания комбикормов на релятивном винтовом барабане на получение комбикормовой смеси

очень высокого качества

Рисунок 31. Влияние скорости продольного перемещения смеси комбикормов на релятивном винтовом барабане на получение комбикормовой смеси очень высокого качества

Рисунок 32. Влияние угла наклона стенок релятивного винтового барабана на получение комбикормовой смеси очень высокого качества

Рисунок 33. Влияние коэффициента заполнения релятивного винтового барабана на получение комбикормовой смеси очень высокого качества

5.5.2. Когнитивные функции

Система «Эйдос» является единственной на данный момент системой, обеспечивающей полностью автоматизированное определение количества информации в значениях аргумента о значениях функции непосредственно на основе эмпирических данных и визуализацию на этой основе прямых, обратных, позитивных, негативных, полностью и частично редуцированных когнитивных функций [35, 36].

Когнитивная функция представляет собой графическое отображение силы и направления влияния различных значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных функций представляет собой способ познания природы, общества и человека. Когнитивные функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях функции) различной степенью редукции или степенью детерминации, которая отражает в графической форме (в форме полосы) количество знаний в аргументе о значении функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и

направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную функцию. Когнитивные функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос". Необходимо отметить, что на вид функций влияния математической моделью АСК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые.

На рисунке 34 приведены изображения когнитивных функций, отражающих силу и направление влияния различных факторов (конструктивных особенностей винтовых релятивных барабанов и режимов их работы) на качество получаемой комбикормовой смеси. В созданной и исследуемой модели отражено влияние 6 факторов на 2 параметра качества комбикормовой смести, поэтому получается 12 когнитивных функций.

КОГНИТИВНАЯ ФУНКЦИЯ:

10 5/5-^0.5000000, 6.3000000^

Е <5 Л/Ц-.ГП ЭПППППП П ^ППОПППЛ.

к я ч/ц-г-лимпплп п эпплплпг £ 7 2/5-{-0.5000000, -0.1000000}

б 1/5-{-10.0000000, -0.5000000>

V

111-я подматрица Степени редукции частично редуцированных когнитивных функций:

Позитивной от классов 0,00|

Позитивной от признаков 0,80|

Негативной от классов 0,00!

Негативной от признаков 0,00 Метод интерполяции:

Фильтр тип.1

Количество градаций уровня:

8нет нерасчетных нулей: тсутствует Тип палитры:

Цветовая заливка, спектр от су Интерполяция нерасчетных ну. Отсутствует Размер шрифта 45

Визуализация когнитивных функций системы «Эйдос». © Е.В.Луцеяко (Россия), Д.К.Бандык (Беларусь), Патент РФ 2011612056 РФ от 09.03.2011

Изображение создано: _30.012016 9:31:39_

6 1/5-{-10.0000000, -0.5000000}

Рисунок 34. Когнитивные функции, отражающие силу и направление влияния различных факторов (конструктивных особенностей винтовых релятивных барабанов и режимов их работы) на качество получаемой

комбикормовой смеси

Отметим, что полученные зависимости обнаружены непосредственно на основе эмпирических данных путем преобразования их в информацию, а ее в знания [25] и отражают факты, а не их теоретическое объяснение (теоретическую интерпретацию), разработка которых является делом специалиста, хорошо содержательно разбирающегося в моделируемой предметной области.

Например, рассмотрим когнитивную функцию зависимости одного из показателей качества комбикормовой смеси от числа оборотов винтового релятивного барабана в минуту (рисунок 35):

КОГНИТИВНАЯ ФУНКЦИЯ:

Приложение: Определение рациональных конструктивно-режимных параметров релятивных винтовых барабанов Модель: Infi - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

Рисунок 35. Когнитивная функция зависимости показателя качества комбикормовой смеси от числа оборотов винтового релятивного барабана в минуту

Цвет на рисунке 35 отражает количество информации в аргументе о значении функции: красный цвет - максимальное количество информации (т.е. что будет), а синий - минимальное количество информации (чего не будет). Линия соединяет точки со значениями функции, о которых в каждом значении аргумента максимальным количеством информации.

Из рисунка 35 видно, что при очень малом числе оборотов барабана в минуту (20-30) качественного смешивания не происходит, как и при очень большом (90-95), а наиболее рациональным является режим 50-70 оборотов в минуту.

Как можно содержательно объяснить этот результат? По-видимому, при очень малом числе оборотов барабана, когда он вообще не вращается или вращается очень медленно, вообще нельзя говорить о том, что он что-

то смешивает. При очень большом числе оборотов, по-видимому, основную роль начинают играть центробежные силы и барабан практически превращается в центрифугу, компоненты смеси прижимаются к стенкам барабана и не только не смешиваются, но наоборот разделяются по типу (фракциям). И только при промежуточном значении числа оборотов сочетание физических факторов, действующих на элементы смеси, такового, что получается наиболее качественный результат.

Выводы и рекомендации по рациональному выбору конструктивных особенностей винтовых релятивных барабанов и режимов их работы, полученные на основе SWOT-диаграмм и когнитивных функций, приведены ниже.

6. Выводы и рекомендации

Для получения наивысшего качества получаемой комбикормовой смеси рекомендуется использовать следующие конструктивные особенности режимы работы винтовых релятивных барабанов:

- тип барабана (в порядке убывания эффективности): РК 2.1.б, РЦ 4.1.б, РК 3.1.б (приведено 3 три типа барабанов, т.к. их эффективность отличается незначительно);

- время смешивания: 1.5-6.3 минуты;

- скорость продольного перемещения комбикормовой смеси: 14.832.8 мм/с;

- число оборотов в минуту: 50-70;

- коэффициенте заполнения барабана: 0.5-0.6;

- угле наклоне барабана или его стенок: 4-6°.

Таким образом, задача, поставленная в работе, успешно решена, т.е. рациональные конструктивно-режимные параметры винтовых релятивных барабанов успешно определены. Стоит отметить, что эти параметры соответствуют экспертным ожиданиям, основанным на интуиции опыте и профессиональной компетенции.

7. Перспективы

Отметим, что метод АСК-анализа может быть применена для анализа и рационального выбора конструктивных особенностей и режимов работы и других технических систем. Материалы данной статьи и предлагаемый в ней подход могут быть использованы при проведении научных исследований и конструкторских разработок в области релятивных винтовых барабанов для смешивания комбикормов, а также при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в нейроматематику и методы нейронных сетей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые автор ведет в настоящее время2, а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее - в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки). Этим и другим применениям должно способствовать и то, что система «Эйдос» находится в полном открытом бесплатном доступе (причем с подробно комментированными открытыми исходными текстами) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.

Литература

1. Марченко А.Ю. Винтовые барабаны (смешивание сыпучих материалов): монография / А.Ю. Марченко, В.В. Цыбулевский, Г.В. Серга. - Краснодар: Издательский центр КГАУ, 2008. - 367 с.

2. Марченко А.Ю. Научно-технические основы создания ресурсосберегающих машинных технологий приготовления кормов в винтовых барабанах / А.Ю. Марченко // Научный журнал. Труды Кубанского государственного аграрного университета. -Краснодар, 2008. - № 5(14) - С. 184-191.

2

http://lc.kubagro.ru/My_training_schedule.doc

3. Марченко А.Ю. Ресурсосбережение при смешивании компонентов кормов в винтовых барабанах / А.Ю. Марченко // Механизация и электрификация сельского хозяйства, № 4. - М., 2011. - С. 20-21.

4. Марченко А.Ю. Экспериментальные аспекты процесса смешивания компонентов комбикормов цилиндрическим винтовым барабаном / В.Ю. Фролов, Д.П. Сысоев, А.Ю. Марченко // Научный журнал. Труды Кубанского государственного аграрного университета. - Краснодар, 2012. - № 4(37) - С. 163- 171.

5. Марченко А.Ю. Совершенствование ресурсосберегающих вибрационных технологий, поиск их универсальных характеристик / А.Ю. Марченко // Вибрационные машины и технологии: Сб. науч. тр. - Курский государственный технический университет. - Курск, 2008. - С. 58-63.

6. Марченко А.Ю. Моделирование процессов движения сыпучих мате- риалов с большой амплитудой / Г.В. Серга, А.Ю. Марченко // Вибрационные машины и технологии: Сб. науч. тр. Курск. гос. техн. ун-т. - 2008. С. 117-128.

7. Марченко А.Ю. Разработка прогрессивного оборудования и нетрадиционной вибрационной технологии для измельчения и смешивания сыпучих материалов / А.Ю. Марченко // Перспективные направления развития технологии машиностроения и металлообработки: Материалы международной научно- технической конференции т. 1. -Ростов-на-Дону, 2008. - С. 276-279.

8. Марченко А.Ю. Ресурсосберегающая технология смешивания компонентов кормов в винтовых барабанах / А.Ю. Марченко, Г.В. Серга // Всеукрашский науково-техшчний журнал: В1брацп в техшщ та технолопях. - 2009. - № 2 - С. 91-101.

9. Пат. 2568347 Российская Федерация МПК Б26Б 15/14, Б26Б15/26. Установка для непрерывной сушки сыпучих материалов / А. Ю. Марченко, Г. В, Серга ; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2014137522; заявл. 16.09.2014; опубл. 20.11.2015, Бюл. № 32.

10. Пат. 2566996 Российская Федерация МПК А23К 17/00. Установка для непрерывного приготовления кормов / А. Ю. Марченко, Г. В, Серга ; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2014132825; заявл. 08.08.2014; опубл. 27.10.2015, Бюл. № 30.

11. Пат. 2373809 Российская Федерация МПК А23К 17/00. Барабанный смеситель кормов / А. Ю. Марченко, Г. В, Серга, В. В. Цыбулевский, М. Г. Серга; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2008121050; заявл. 26.05.2008; опубл. 27.11.2009, Бюл. № 33.

12. Пат. 2372992 Российская Федерация МПК В02С 17/00. Барабанная мельница / А. Ю. Марченко, Г. В, Серга ; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2007144454; заявл. 29.11.2007; опубл. 20.11.2009, Бюл. № 32.

13. Пат. 2372817 Российская Федерация МПК А23К 17/00. Устройство для смешивания кормов / А. Ю. Марченко, Г. В, Серга, В. В. Цыбулевский; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2008125523; заявл. 23.07.2009; опубл. 20.09.2011, Бюл. № 32.

14. Пат. 2372818 Российская Федерация МПК А23К 17/00. Установка для смешивания сыпучих материалов / А. Ю. Марченко, Г. В, Серга, В. В. Цыбу-левский М. Г. Серга; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2008128586; заявл. 14.07.2008; опубл. 20.11.2009, Бюл. № 32.

15. Пат. 2457746 Российская Федерация МПК А23К 17/00. Устройство для смешивания сыпучих материалов / К. А. Белокур, А. Ю. Марченко, В. В. Богатырев, Г. В, Серга ; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2010153810; заявл. 27.12.2010; опубл. 10.08.2012, Бюл. № 22.

16. Пат. 2385664 Российская Федерация МПК A23N 17/00. Установка для смешивания компонентов корма (варианты) / А. Ю. Марченко, Г. В, Серга, В. В. Цыбулев-ский, М. Г. Серга; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2008127560; заявл. 07.07.2008; опубл. 10.04.2010, Бюл. № 10.

17. Пат. 2467670 Российская Федерация МПК A23N 17/00. Вибрационное устройство для смешивания комбикормов / Г. В, Серга, А. Ю. Марченко, С. Г. Кочубей, Е. В. Холявко, А. С. Горячев, Е. Г. Чернышенко, П. А. Нефедов, А. Б. Снеговский; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2011101096; заявл. 12.01.2011; опубл. 27.11.2012, Бюл. № 33.

18. Пат. 2352399 Российская Федерация МПК В02С 17/00. Мельница / А. Ю. Марченко, Г. В, Серга ; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2007144757; заявл. 03.12.2007; опубл. 20.04.2009, Бюл. № 11.

19. Пат. 2362629 Российская Федерация МПК В02С 17/04. Коническая винтовая мельница / А. Ю. Марченко, Г. В, Серга ; заявитель и патентообладатель Кубанский гос. аграрный ун-т. № 2008100809; заявл. 09.01.2008; опубл. 27.07.2009, Бюл. № 21.

20. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. - 320 с.,

21. Перегудов Ф. И., Тарасенко Ф. П.. Основы системного анализа. Томск Изд-во науч.-техн. лит. 1997. 389с.

22. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ej .kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.

23. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с. http://elibrary.ru/item.asp?id=18632909

24. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-830-0. http://elibrary.ru/item.asp?id=18271217

25. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220

26. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. - IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.

27. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -

№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ei.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

28. Стабин И.П., Моисеева B.C. Автоматизированный системный анализ.- М.: Машиностроение, 1984. -309 с.

29. Симанков В.С. Автоматизация системных исследований в альтернативной энергетике. Диссерт. на соиск. уч. ст. докт, техн. наук. По спец.: 05.13.01. http://tekhnosfera.com/avtomatizatsiya-sistemnyh-issledovaniy-v-alternativnoy-energetike

30. Klir, G,J. Architecture of Systems Problem Solving, with D. Elias, Plenum Press, New York, 354 pp.

31. Клир Дж. Системология. Автоматизация решения системных задач. Москва: Радио и связь. 1990. 538 с. http://www.twirpx.com/file/486296/

32. Лефевр В.А. Конфликтующие структуры . Издание второе, переработанное и дополненное. — М.: Изд-во «Советское радио», 1973. - 158 с. с ил.

33. Хаббард Дуглас У. Как измерить все, что угодно. Оценка стоимости нематериального в бизнесе / Дуглас У. Хаббард / [Пер. с англ. Е. Пестеревой]. — М.: ЗАО «Олимп-Бизнес», 2009. — 320 с.: ил. ISBN 978-5-9693-0163-4 (рус.). http://www.twirpx.com/file/1546361/

34. Сайт автора АСК-анализа проф.Е.В.Луцеко: http ://lc. kub agro.ru/

35. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ei.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.

36. Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. -№01(095). С. 122 - 183. - IDA [article ID]: 0951401007. - Режим доступа: http://ei.kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.

Literatura

1. Marchenko A.Ju. Vintovye barabany (smeshivanie sypuchih materialov): monografija / A.Ju. Marchenko, V.V. Cybulevskij, G.V. Serga. - Krasnodar: Izdatel'skij centr KGAU, 2008. - 367 s.

2. Marchenko A.Ju. Nauchno-tehnicheskie osnovy sozdanija resursosberegajushhih mashinnyh tehnologij prigotovlenija kormov v vintovyh barabanah / A.Ju. Marchenko // Nauchnyj zhurnal. Trudy Kubanskogo gosudarstvennogo agrarnogo universiteta. -Krasnodar, 2008. - № 5(14) - S. 184-191.

3. Marchenko A.Ju. Resursosberezhenie pri smeshivanii komponentov kormov v vintovyh barabanah / A.Ju. Marchenko // Mehanizacija i jelektrifikacija sel'skogo hozjajstva, № 4. - M., 2011. - S. 20-21.

4. Marchenko A.Ju. Jeksperimental'nye aspekty processa smeshivanija komponentov kombikormov cilindricheskim vintovym barabanom / V.Ju. Frolov, D.P. Sysoev, A.Ju. Marchenko // Nauchnyj zhurnal. Trudy Kubanskogo gosudarstvennogo agrarnogo universiteta. - Krasnodar, 2012. - № 4(37) - S. 163- 171.

5. Marchenko A.Ju. Sovershenstvovanie resursosberegajushhih vibracionnyh tehnologij, poisk ih universal'nyh harakteristik / A.Ju. Marchenko // Vibracionnye mashiny i

tehnologii: БЬ. ш^к tr. - Кт^Щ gosudarstvennyj tehnicheskij universitet. - Кш^, 2008. -Б. 58-63.

6. Marchenko A.Ju. Modelirovanie processov dvizhenija sypuchih mate- rialov s bol'shoj amplitudoj / О.У. Serga, A.Ju. Marchenko // Vibracionnye mashiny i tehnologii: БЬ. nauch. №. ^гек gos. tehn. un-t. - 2008. Б. 117-128.

7. Marchenko А^. Razrabotka progressivnogo oborudovanija i netradicionnoj vibra-cionnoj tehnologii dlja izmel'chenija i smeshivanija sypuchih materialov / A.Ju. Marchenko // Perspektivnye napravlenija razvitija tehnologii mashinostroenija i metalloobrabotki: Materi-aly mezhdunarodnoj nauchno- tehnicheskoj konferencii t. 1. - Rostov-na-Donu, 2008. - Б. 276-279.

8. Marchenko A.Ju. Resursosberegajushhaja tehnologija smeshivanija komponentov kormov v vintovyh barabanah / A.Ju. Marchenko, О.У. Serga // Vseukrainskij naukovo-tehnichnij zhurnal: Vibracii v tehnici ta tehnologijah. - 2009. - № 2 - Б. 91-101.

9. Pat. 2568347 Rossijskaja Federacija MPK Б26Б 15/14, Б26Б15/26. Ustanovka dlja nepreryvnoj sushki sypuchih materialov / A. Ju. Marchenko, О. V, Serga ; zajavitel' i patentoobladatel' Kubanskij gos. agrarnyj un-t. № 2014137522; zajavl. 16.09.2014; opubl. 20.11.2015, Bjul. № 32.

10. Pat. 2566996 Rossijskaja Federacija MPK A23N 17/00. Ustanovka dlja га-preryvnogo prigotovlenija kormov / A. Ju. Marchenko, О. V, Serga ; zajavitel' i paten-toobladatel' Kubanskij gos. agrarnyj un-t. № 2014132825; zajavl. 08.08.2014; opubl. 27.10.2015, Bjul. № 30.

11. Pat. 2373809 Rossijskaja Federacija MPK A23N 17/00. Barabannyj smesitel' ^г-mov / A. Ju. Marchenko, О. V, Serga, V. V. Cybulevskij, M. О. Serga; zajavitel' i patentoobladatel' Kubanskij gos. agrarnyj un-t. № 2008121050; zajavl. 26.05.2008; opubl. 27.11.2009, Bjul. № 33.

12. Pat. 2372992 Rossijskaja Federacija MPK V02S 17/00. Бarabannaja mel'nica / A. Ju. Marchenko, О. V, Serga ; zajavitel' i patentoobladatel' Kubanskij gos. agrarnyj un-t. № 2007144454; zajavl. 29.11.2007; opubl. 20.11.2009, Bjul. № 32.

13. Pat. 2372817 Rossijskaja Federacija MPK A23N 17/00. Шгс^^ dlja smeshivanija kormov / A. Ju. Marchenko, О. V, Serga, V. V. Cybulevskij; zajavitel' i patentoobladatel' banskij gos. agrarnyj un-t. № 2008125523; zajavl. 23.07.2009; opubl. 20.09.2011, Бjul. № 32.

14. Pat. 2372818 Rossijskaja Federacija MPK A23N 17/00. Ustanovka dlja smeshivani-ja sypuchih materialov / A. Ju. Marchenko, О. V, Serga, V. V. Cybulevskij M. О. Serga; zajavitel' i patentoobladatel' Kubanskij gos. agrarnyj un-t. № 2008128586; zajavl. 14.07.2008; opubl. 20.11.2009, Бjul. № 32.

15. Pat. 2457746 Rossijskaja Federacija MPK A23N 17/00. Ustrojstvo dlja smeshivanija sypuchih materialov / K. A. Belokur, A. Ju. Marchenko, V. V. Bogatyrev, О. V, Serga ; za-javitel' i patentoobladatel' Kubanskij gos. agrarnyj un-t. № 2010153810; zajavl. 27.12.2010; opubl. 10.08.2012, Bjul. № 22.

16. Pat. 2385664 Rossijskaja Federacija MPK A23N 17/00. Ustanovka dlja smeshivani-ja komponentov korma (varianty) / A. Ju. Marchenko, О. V, Serga, V. V. Cybulevskij, M. О. Serga; zajavitel' i patentoobladatel' Kubanskij gos. agrarnyj un-t. № 2008127560; zajavl. 07.07.2008; opubl. 10.04.2010, Бjul. № 10.

17. Pat. 2467670 Rossijskaja Federacija MPK A23N 17/00. Vibracionnoe ustrojstvo dlja smeshivanija kombikormov / О. V, Serga, A. Ju. Marchenko, Б. О. Kochubej, Е. V. Holjavko, A. Б. Gorjachev, Е. О. Chernyshenko, P. A. Nefedov, A. Б. Snegovskij; zajavitel' i paten-toobladatel' Kubanskij gos. agrarnyj un-t. № 2011101096; zajavl. 12.01.2011; opubl. 27.11.2012, Бjul. № 33.

18. Pat. 2352399 Rossijskaja Federacija MPK V02S 17/00. Mel'nica / A. Ju. Marchen-ko, G. V, Serga ; zajavitel' i patentoobladatel' Kubanskij gos. agrarnyj un-t. № 2007144757; zajavl. 03.12.2007; opubl. 20.04.2009, Bjul. № 11.

19. Pat. 2362629 Rossijskaja Federacija MPK V02S 17/04. Konicheskaja vintovaja mel'nica / A. Ju. Marchenko, G. V, Serga ; zajavitel' i patentoobladatel' Kubanskij gos. agrarnyj un-t. № 2008100809; zajavl. 09.01.2008; opubl. 27.07.2009, Bjul. № 21.

20. Peregudov F.I., Tarasenko F.P. Vvedenie v sistemnyj analiz. M.: Vysshaja shkola, 1989. - 320 s.,

21. Peregudov F. I., Tarasenko F. P.. Osnovy sistemnogo analiza. Tomsk Izd-vo nauch.-tehn. lit. 1997. 389s.

22. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatizirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №04(088). S. 340 - 359. - IDA [article ID]: 0881304022. - Rezhim dos-tupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.

23. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktiv-nymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jeko-nomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sis-tem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909

24. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=18271217

25. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=213 5 8220

26. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s primeneniem ASK-analiza i sistemy «Jejdos» i sistemnaja identifikacija v jekonometrike, biometrii, jeko-logii, pedagogike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jelektron-nyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhur-nal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 - 60. -IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.

27. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.

28. Stabin I.P., Moiseeva B.C. Avtomatizirovannyj sistemnyj analiz.- M.: Mashinostro-enie, 1984. -309 s.

29. Simankov V.S. Avtomatizacija sistemnyh issledovanij v al'ternativnoj jenergetike. Dissert. na soisk. uch. st. dokt, tehn. nauk. Po spec.: 05.13.01. http://tekhnosfera.com/avtomatizatsiya-sistemnyh-issledovaniy-v-alternativnoy-energetike

30. Klir, G,J. Architecture of Systems Problem Solving, with D. Elias, Plenum Press, New York, 354 pp.

31. Klir Dzh. Sistemologija. Avtomatizacija reshenija sistemnyh zadach. Moskva: Radio i svjaz'. 1990. 538 s. http://www.twirpx.com/file/486296/

32. Lefevr V.A. Konfliktujushhie struktury . Izdanie vtoroe, pererabotannoe i dopolnen-noe. — M.: Izd-vo «Sovetskoe radio», 1973. - 158 s. s il.

33. Habbard Duglas U. Kak izmerit' vse, chto ugodno. Ocenka stoimosti nemateri-al'nogo v biznese / Duglas U. Habbard / [Per. s angl. E. Pesterevoj]. — M.: ZAO «Olimp-Biznes», 2009. — 320 s.: il. ISBN 978-5-9693-0163-4 (rus.). http://www.twirpx.com/file/1546361/

34. Sajt avtora ASK-analiza prof.E.V.Luceko: http://lc.kubagro.ru/

35. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Polite-maticheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article Id]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.

36. Lucenko E.V. Kognitivnye funkcii kak obobshhenie klassicheskogo ponjatija funk-cional'noj zavisimosti na osnove teorii informacii v sistemnoj nechetkoj interval'noj mate-matike / E.V. Lucenko, A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №01(095). S. 122 - 183. - IDA [article ID]: 0951401007. - Rezhim dostupa: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 u.p.l.