CC BY
27
г 1 . С ^аа Е[С г ] = Г С гаакепЖ = -(1 - ), (16)
' 0 ' У
где С - экономические затраты, связанные с каждой аварией; у- норма дисконта.
Предположим далее, что начальная стоимость агрегата, допустимая вибрация которого не превышает а, имеет вид:
С = А + Аа" • (17)
Тогда сложение С, и Е[СГ] дает общие ожидаемые экономические затраты на агрегат. При условии, что экономические характеристики точно отражают полезность с точки зрения лица, принимающего решения, оптимальная величина вибрации на агрегате, при которой следует производить его ремонт, находится путем дифференцирования суммы по а и нахождения точки минимума затрат. В результате
ао =
(akCf Tn-k)
nrA
(18)
Если принять, что средний период повторяемости, соответствующий значению вибрации а, равен 1/(аак), то решение может быть записано также в терминах оптимального периода проведения ППР:
1 . 1 (akCf^ T = — ak = — f
To а0
аа
v
nrAx
(19)
У
Эти два результата, будучи решениями идеализированными, дают, тем не менее, основу для ряда ценных обобщений. Так, расчетный период проведения ППР для вращающегося оборудования будет уменьшаться при увеличении стоимостей аварии и уменьшении нормы дисконта у.
Библиографический список
1. Whitmann R.V. Damage probability matrices for prototype machines at ore plant. Dept. Civ. Eng. Rep., 1993, MIT. R. 7357.
2. Lontsych P. Optymalne sterowanie ruchom manipulatora(On™w^bHoe управление движением манипулятора) // Biuletin MERA-PIAP. № 1-69. Warszawa, 1978. S. 45-50.
3. Вейц В.Л., Максаров В.В., Лонцих П.А. Динамические процессы, оценка и обеспечение качества технологических систем механической обработки. Иркутск: Изд-во ИрГТУ, 2001. 199 с.
4. Лонцих П.А., Шулешко А.Н. Защита технологических машиностроительных систем и оборудования от вибраций и ударов. Иркутск: Изд-во ИрГТУ, 2002. 178 с.
5. Лонцих П.А., Вейц В.Л., Шулешко А.Н. Качество: инструменты управления, прогнозирование и диагностика. Иркутск: Изд-во ИрГТУ, 2007. 244 с.
6. Лонцих П.А., Марцынковский Д.А., Шулешко А.Н. Управление качеством. Прогнозирование, риск-менеджмент, оптимизация // Менеджмент качества, инновации, сертификация систем менеджмента: материалы XIII междунар. конф. (27-28 сентября 2011, Алма-Ата). Алма-Ата, 2011. С. 97-103.
k
УДК 330.46
ПРОГНОЗИРОВАНИЕ ПАРАМЕТРОВ КАЧЕСТВА В ИННОВАЦИОННЫХ ЗАДАЧАХ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ
А.Н. Шулешко1, И.С. Кородюк2, В.И. Сидоренко3
Национальный исследовательский Иркутский государственный технический университет,
664074, г. Иркутск, ул. Лермонтова, 83.
2Байкальский государственный университет экономики и права,
664003, г. Иркутск, ул. Ленина, 11.
3Иркутский государственный университет путей сообщения, 664074, г. Иркутск, ул. Чернышевского, 15. Ил. 1. Библиогр. 4 назв.
Ключевые слова: прогнозирование параметров качества; инновации; нейросети; уровень вибрации машин; индикатор технического состояния машины; нейронные сети; аппроксимации многомерных функций; задача построения многомерного отображения; нейронная сеть; комитет нейроэкпертов.
PREDICTION OF QUALITY PARAMETERS IN INNOVATION PROBLEMS WITH THE USE OF NEURONETS A.N. Shuleshko, I.S. Korodyuk, V.I. Sidorenko
1Шулешко Александр Николаевич, кандидат технических наук, доцент кафедры управления качеством и механики, сертифицированный аудитор Ассоциации по сертификации "Русский Регистр".
Shuleshko Alexander, Candidate of technical sciences, Associate Professor of the Department of Quality Management and Mechanics, Certified Auditor of the Certification Association "Russian Register".
2Кородюк Игорь Степанович, доктор экономических наук, профессор, зав. кафедрой менеджмента на транспорте. Korodyuk Igor, Doctor of Economics, Professor, Head of the Department of Management in Automobile Transport.
3Сидоренко Виктор Иванович, доктор экономических наук, профессор кафедры экономики. Sidorenko Victor, Doctor of Economics, Professor of the Department of Economics.
National Research Irkutsk State Technical University,
83, Lermontov St., Irkutsk, 664074.
Baikal State University of Economics and Law,
11, Lenin St., Irkutsk, 664003.
Irkutsk State University of Railway Engineering,
15, Chernyshevsky St., Irkutsk, 664074.
The article provides the predicting results of the management system behavior in the preservation of the prescribed parameters (quality indices) that is one of the key goals of innovation management. The problem of forecasting is solved with the use of neural networks. It is reduced to the problem of the approximation of multidimensional functions, i.e. to the problem of constructing a multi-dimensional image. It is shown that, depending on the type of output variables, the approximation of functions can take the form of classification or regression. The problem of vibrosignal predicting is classified into two major subtasks: model building and training of neural networks that implement the solution of the problem (i.e. the construction of the display mechanism). 1 figure. 4 sources.
Key words: prediction of quality parameters; innovations; neuronets; level of machine vibration; indicator of machinery technical condition; neural networks; approximations of multidimensional functions; the problem of constructing a multidimensional image; neural network; Committee of neural experts.
Прогнозирование поведения системы (машины) в части сохранения предписанных выходных параметров (показателей качества) является одной из ключевых задач. Рассмотрим прогнозирование уровня вибрации узлов машин, поскольку зачастую этот параметр является индикатором технического состояния машины (регламентируемый техническими условиями на данный агрегат) как один из ключевых параметров качества.
Задача прогнозирования с использованием нейронных сетей (НС) сводится к задаче аппроксимации многомерных функций, т.е. к задаче построения многомерного отображения. В зависимости от типа выходных переменных, аппроксимация функций может принимать вид классификации или регрессии. В задаче прогнозирования вибросигнала (среднеквадра-тического значения виброскорости или виброускорения) можно выделить две крупные подзадачи: построение модели, обучение НС, реализующих решение задачи (т.е. фактически построение аппарата отображения).
В результате изучения предметной области исследователем должна быть разработана модель прогнозирования, ключевыми составляющими которой должны быть: набор входных переменных; метод формирования входных признаков х; метод формирования обучающего правила у; архитектура нейросети (-ей); метод обучения нейросети (-ей).
Для решения задачи прогнозирования необходимо найти такую НС или комитет нейроэкспертов, который бы наилучшим образом строил отображение F: x^y, обобщающее сформированный на основе динамики вибросигнала набор примеров ^ у!}. Поиск такой НС или комитета нейроэкспертов осуществляется при помощи одного или нескольких алгоритмов обучения.
Здесь можно заметить, что нейросетевое моделирование в чистом виде базируется лишь на исходных данных (временном ряде).
НС можно применять для одномерного и многомерного анализа, должным образом сформировав множество независимых входов и зависящих от них выходов. Как правило, модель строится для того, что-
бы предсказывать значения временного ряда для одной целевой переменной, однако в принципе модель может предсказывать значения и нескольких переменных (например, доходы по акциям на различное время вперед), если в сеть добавить дополнительные выходные элементы.
При этом, однако, исследования в области прогнозирования временных рядов при помощи сетей продолжаются и в настоящее время [1, 2], и никаких стандартных методов здесь пока не выработано. В НС многочисленные факторы взаимодействуют весьма сложным образом, и успех пока приносит только эвристический подход. Типичная последовательность действий при решении задачи прогнозирования вибросигнала с помощью НС показана на рисунке.
На первом этапе исследователем определяются базовые характеристики данных. Формируется база данных [3, 4].
На втором этапе определяется набор входных (текущий вибросигнал, температура агрегата, загрузка агрегата и др.) и прогнозируемых величин, производятся анализ и очистка базы данных. Для этих целей используются оптимизационные, статистические и другие методы.
На третьем этапе производится формирование образов, подаваемых непосредственно на выходы нейросетей, с последующим созданием обучающих и тестовых множеств.
Архитектура нейросети зависит от поставленной задачи, в большинстве случаев используются сети типа многослойный перцептрон.
На пятом этапе с использованием выбранных алгоритмов обучения производится обучение нейронной сети или, если это предполагается постановкой задачи, нескольких нейронных сетей (от двух до нескольких тысяч), которые после участвуют в «конкурсе» на попадание в комитет нейроэкспертов.
Прогнозирование (шестой этап) осуществляется по тому же принципу, что и формирование обучающей выборки. При этом на этапе адаптивного предсказания и принятия решений выделяются две возможности: одношаговое и многошаговое прогнозирование.
1. Определение временного интервала. Формирование базы данных
2. Определение входных величин. Определение прогнозируемых величин. Предварительная обработка данных
\ ~
3. Формирование входных множеств (обучающего, тестового)
I
4. Выбор архитектуры нейросетей 5. Обучение нейросетей
6. Адаптивное предсказание и принятие решений
Блок-схема технологического цикла предсказаний на основе нейросетей
Подзадача получения входных образов для формирования входного множества в задачах прогнозирования временных рядов часто предполагает использование метода окон. Метод окон подразумевает использование двух окон Wi и Wo с фиксированными размерами n и m соответственно. Эти окна способны перемещаться с некоторым шагом по временной последовательности исторических данных, начиная с первого элемента, и предназначены для доступа к данным временного ряда, причем первое окно Wi, получив такие данные, передает их на вход нейронной сети, а второе - Wo - на выход. Получающаяся на каждом шаге пара Wi -> Wo используется как элемент обучающей выборки (распознаваемый образ, или наблюдение). Каждый следующий вектор получается в результате сдвига окон Wi и Wo вправо на один шаг. НС, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь эти закономерности и сформировать требуемую функцию прогноза P.
Ставится задача прогнозирования среднеквадра-тических значений (СКЗ) вибросигнала. Таким образом, в качестве входной информации будет использоваться динамика среднеквадратических замеров виброскорости.
В первую очередь необходимо отметить, что, перед тем как начать тренировать ИНС, входную информацию необходимо должным образом подготовить, т.е. в качестве входов и выходов нейросети не следует выбирать сами значения СКЗ. Каждый набор входных переменных обучающего, тестового и рабочего множеств, составляющих «образ», должен обладать свойством инвариантности. Выходные сигналы, формирующиеся на выходах скрытых и выходных нейронов и подающиеся на выходы нейронов следующих слоев, лежат в интервале их активационных функций. Таким образом, логично полагать, что и входные сигналы должны также лежать в интервале активационных функций нейронов 1-го скрытого слоя.
Суть метода формирования входных образов заключается в следующем. Предположим, что данные каждого из образов лежат в диапазоне [min...max], тогда наиболее простым способом нормирования будет:
~ x - Min x =-.
Max - Min После такого преобразования каждый «образ», состоящий из n последовательных СКЗ, нормируется так, что все значения «образа» лежат в интервале от 0 до 1. При этом истинные значения утрачиваются, и все входные записи укладываются в гиперкуб [0, 1]n. Таким образом, при любом уровне СКЗ гарантируется инвариантность преобразования входной записи.
Сегодня известно множество способов преобразования входной информации, применимых к задачам прогнозирования, например, можно воспользоваться следующей схемой: AC1t = ACt*1000, т.е. на первом шаге домножаем изменения СКЗ на константу, а на втором шаге используем самый естественный способ перекодировать непрерывные данные в интервал ак-тивационных функций ИНС, т.е. применяем к данным преобразование функцией-сигмоидом, используемой в первом скрытом слое ИНС: AC2t = 1/(1+EXP(-1,5*AC1t))-0,5.
Сформированные по описанной схеме образы составляют обучающее множество. Таким образом, обучающее множество, построенное на дневной динамике СКЗ, почти равномерно распределено, хотя его значения больше тяготеют к среднему и экстремальным значениям.
Далее предстоит решить задачу кодирования обучающего правила таким образом, чтобы максимально упростить процесс обучения (правильное кодирование ожидаемых значений - один из залогов успешного обучения). Из всех статистических функций распределения, определенных на конечном интервале, максимальной энтропией - оценкой информационной насыщенности - обладает равномерное распределение. Применительно к данному случаю это подразумевает, что кодирование переменных числовыми значениями должно приводить, по возможности, к равномерному заполнению единичного интервала закодированными примерами (захватывая и этап нормировки). При таком способе кодирования все примеры будут нести примерно одинаковую информационную нагрузку.
Исходя из этих соображений, можно предложить следующий практический метод кодирования ординальных переменных. Единичный отрезок разбивается на п отрезков (по числу классов) с длинами, пропорциональными числу примеров каждого класса в обучающей выборке: М = Pk/P, где Pk - число примеров класса ^ а P - общее число примеров. Центр каждого
такого отрезка будет являться численным значением для соответствующего ординального класса.
Таким образом, можно сделать вывод о преимуществе прогнозов, сделанных с использованием нейросетей, над прогнозами, сделанными с использованием трендовых моделей, даже на базе робастных алгоритмов.
1. Аттетков А.В., Галкин С.В., Зарубин В.С. Методы оптимизации: учебник для студ. втузов. М.: Изд-во МГТУ, 2001.
2. Лесин В.В., Лисовец Ю.П. Основы методов оптимизации: учеб. пособие для втузов. М.: Изд-во МАИ, 1995.
3. Лонцих П.А., Вейц В.Л., Шулешко А.Н. Качество: инструменты управления, прогнозирование и диагностика. Иркутск, 2007. 244 с.
Библиографический список
4. Лонцих П.А., Марцынковский Д.А., Шулешко А.Н. Управление качеством. Прогнозирование, риск-менеджмент, оптимизация: материалы XIII Междунар. конф. «Менеджмент качества, инновации, сертификация систем менеджмента». Казахстан, г. Алматы, 2011.
УДК 330.332
РАЗВИТИЕ ИННОВАЦИОННО-СТРОИТЕЛЬНОЙ СФЕРЫ В ПЛАНАХ РАЗВИТИЯ ЭКОНОМИКИ РОССИИ
Н.Ю. Яськова1, Д.С. Сафронов2
Московский государственный строительный университет, 129337, г. Москва, Ярославское шоссе, 26.
Модернизация национальной экономики России невозможна без существенных изменений в строительстве. Они касаются инвестиционной сферы, технологического уклада, амортизационной политики, квалификации кадров, эффективности управления процессами инвестиционно-строительной деятельности. Библиогр. 11 назв.
Ключевые слова: инвестиции; строительство; модернизация; восстановительный рост; развитие; факторы; финансовая система; технологии; эффективность.
ELABORATION OF THE INNOVATION AND CONSTRUCTION SPHERE IN THE DEVELOPMENT PLANS OF RUSSIAN ECONOMY N.Yu. Yaskova, D.S. Safronov
Moscow State Building University, 26 Yaroslavskoe Shosse, Moscow, 129337.
Modernization of the national economy of Russia is impossible without considerable changes in construction. They relate to the investment sphere, technological structure, depreciation policy, staff skills; management efficiency of investment and construction activities. 11 sources.
Keywords: investment; construction; modernization; recovery growth; development; factors; financial system; technology; efficiency.
Модернизация экономики, продекларированная Чтобы инвестиционно-строительная сфера была
Президентом Российской Федерации Д.А. Медведе- способна решать поставленные задачи, необходимо вым в Послании Федеральному собранию Российской прежде всего обеспечить платежеспособность заказ-Федерации, требует, в первую очередь, изменений чиков строительной продукции. В последние годы в фондосоздающей отрасли - строительства. В соот- связи с некоторым общим повышением эффективно-ветствии с требованиями модернизации экономики сти функционирования экономики страны улучшилось также необходим план конкретных мер по совершен- финансирование проектов по развитию основного ка-ствованию финансовой системы. питала. Но далеко не все резервы вовлечены в хозяй-
Для осуществления глобальных замыслов разви- ственный оборот. Среди них: наличие свободных тия экономики России управление строительной от- средств у населения; прямые иностранные инвести-раслью должно опираться на разделение ответствен- ции, направляемые в основное производство; сред-ности между государством, гражданами страны и биз- ства, концентрируемые в стабилизационном фонде и несом. в золотовалютном резерве. Востребованы адекватные
1Яськова Наталья Юрьевна, доктор экономических наук, профессор. Yaskova Natalya, Doctor of Economics, Professor.
2Сафронов Даниил Сергеевич, аспирант. Safronov Daniil, Postraduate.
