CC BY
2Регрессионная модель управления техническими рисками энергообеспечения производства
Исследуются аспекты управления техническими рисками в энергообеспечении производства. Анализ принципов построения регрессионных моделей и их практического применения поможет предприятиям разработать эффективные стратегии предотвращения потенциальных угроз и обеспечить стабильность и надежность работы. Полученные результаты могут быть полезны менеджменту предприятия и специалистам в области управления рисками. УДК статьи 658.5; 519
Р.Н. Пигилова1
ФГБОУ ВО «Казанский государственный энергетический университет» (ФГБОУ ВО КГЭУ), [email protected]
Ф.Ю. угли Рахмонов2
ФГБОУ во КГЭУ, [email protected]
егрессионная модель управления техническими рисками энергообеспечения производства является неотъемлемой частью эффективного функционирования предприятия. Построение такой модели управления является важным аспектом действенной и отлаженной работы предприятия. Технические риски могут возникнуть из-за недостаточной производительности оборудования, отказов в системе, непредвиденных сбоев в энергоснабжении или других причин. Понимание и управление потенциальными рисками позволяет предприятиям принять меры по их предотвращению и снижению влияния на производство (см. рис. 1), помогает обеспечить его непрерывность и избежать возможных потерь [1-3].
В связи с эти можно сказать, что определение технических рисков при энергообеспечении производства является ключевым этапом обеспечения безопасности и надежности производственных процессов [4], а сбор и анализ данных — неотъемлемой частью процесса построения регрессионной модели управления техническими рисками [5].
Данные о производственных процессах, состоянии оборудования и энергопотреблении могут выявить закономерности и взаимосвязи между различными переменными. Анализ данных помогает оценить факторы, которые могут повлиять на вероятность возникновения технических рисков, и определить важность каждого из них для последующего построения модели. Типовая схема технологической радиосети обмена и сбора данных в системе управления приведена на рис. 2.
Выбор подходящего варианта построения регрессионной модели управления техническими рисками зависит от конкретной задачи и особенностей используемых данных [6]. Линейная регрессия подходит для моделирования взаимосвязей между непрерывными переменными, логистическая регрессия годится для прогнозирования категориальных переменных, а деревья решений — для выявления сложных взаимосвязей между переменными. Выбор оптимального метода моделирования поможет повысить точность и эффективность модели (см. рис. 3).
1 преподаватель, г. Казань, Республика Татарстан, Россия
2 студент, г. Казань, Республика Татарстан, Россия
Для цитирования: Пигилова Р.Н., Рахмонов Ф.Ю. угли. Регрессионная модель управления техническими рисками энергообеспечения производства // Компетентность / Competency (Russia). — 2024. — № 8. DOI: 10.24412/1993-8780-2024-8-42-45
ключевые слова
риск, надежность, анализ данных, обучение, валидация, прогнозирование,
эффективность, мониторинг, Рис. 1. Эволюция видов организации определения технических рисков
контроль, конкурентоспособность [Evolution of types of organization for determining technical risks]
Реагировать
Предупреждать
Прогнозировать
Оптимизировать
Учитывать последствия Определять приоритеты Допускать отказы Модернизировать конструкцию Управлять инвестициями
Устранять отказы
Контролировать
параметры Анализировать Исключать отказы Корректировать планы
Приоритеты
Планировать Соблюдать сроки
Базовая
Контролируемый пункт Контролируемый пункт
азовая станция N
Контролируемый Контролируемый пункт пункт
Рис. 2. Типовая схема технологической радиосети обмена и сбора данных в системе управления [Typical scheme of a technological radio network for data exchange and collection In a control system]
I
cz g
Грозоразрядник
[Z ÎÏ f
о
I
Радиомодем
Блок питания
Контроллер
[ КП
V 5
Обучение и валидация являются важными этапами в процессе построения регрессионной модели для управления техническими рисками. Обучение модели позволяет оптимизировать ее параметры и обеспечить ее адекватность. Валидация модели на отдельной выборке помогает оценить ее точность и способность правильно прогнозировать технические риски. Выполнение этих действий обеспечивает надежность и эффективность построенной модели.
Управление рисками на основе созданной регрессионной модели дает возможность организации эффективно контролировать и минимизировать возможные угрозы производственным процессам [7]. Прогнозирование технических рисков на основе моделей позволяет заранее принимать решения,
Точность
Интерпретируемость
Комплексность
Масштабируемость
Рис. 3. Факторы, которые следует учитывать при выборе регрессионной модели
[Factors to consider when choosing a regression model]
Сравниваемость
снижая вероятность аварии и повышая общую безопасность и надежность производства. Управление энергопотреблением и регрессионный анализ данных о рискованных притоках из базы в многофункциональных системах показаны на рис. 4. Усовершенствован-
25
5 6 7 Время (месяц)
-Детерминированный случай минимальных рабочих уровней сухого периода
---Минимальные рабочие уровни вероятностного случая сухого периода
....... Минимальные рабочие уровни сухого периода в рискованном случае
Рис. 4. Управление энергопотреблением и регрессионный анализ данных о рискованных притоках из базы в многофункциональных системах
[Energy consumption management and regression analysis of data on risky Inflows from the base In multifunctional systems]
Таблица
Коэффициент корреляции и его значимость [Correlation coefficient and its significance]
Энергия Действительный уровень Полученная энергия Средний приток Выбросы Поступившая энергия
[Energy] [Valid level] [Received energy] [Average Inflow] [Emissions] [Incoming energy]
Корреляция Энергия 1,000 928 822 374 467 621
Пирсона Действ, уровень 928 1,000 671 120 528 479
Получен, энергия 822 671 1,000 661 021 591
Средний приток 374 120 661 1,000 443 411
Выбросы 467 528 021 443 1,000 189
Поступ. энергия 621 479 591 411 189 1,000
Значимость Энергия - 0 0 004 0 0
(односторонняя) Действ, уровень 0 - 0 208 0 0
Получен, энергия 0 0 - 0 444 0
Средний приток 004 208 0 - 001 002
Выбросы 0 0 444 001 - 100
Поступ. энергия 0 0 0 002 100 -
ные системы мониторинга и контроля, а также регулярное техническое обслуживание оборудования являются ключевыми мерами по управлению техническими рисками, которые можно принять на основе данных и прогнозов регрессионной модели [8-10].
Для исследования взаимосвязи двух переменных, измеренных в метрических шкалах на одной и той же выборке, и для отбора переменных в аналитические модели, а также выявления наиболее значимых признаков с точки
Список литературы
1. Svalova V.B., Zaalishvili V.B., Ganapathy G.P., Ivanov P.G. // Sustainable Development of Mountain Territories. — 2020. — T. 12. — № 1(43).
DOI: 10.21177/1998-4502-2020-12-1-162-170. EDN KEZQHF.
2. Пигилова P.H. // International Journal of Advanced Studies In Computer Engineering. — 2023. — № 2. EDN PPEAAW.
3. Малышева T.B. // Компетентность. — 2020. — № 4.
4. Камашева А.И., Пигилова P.H. Экология и безопасность жизнедеятельности / XXII Межд. науч.-практ. конф. / Под ред. В.А. Селезнева, И.А. Лукшина. — Пенза: ПГАУ, 2022. EDN ZKUHNI.
5. Свидетельство о государственной регистрации программы для ЭВМ № 2020666077 РФ. Разделенная масштабируемая система сбора, обработки, поиска и анализа данных «Технология анализа и сбора информации «ТАИС» № 2020665421; заявл. 27.11.2020; опубл. 4.12.2020/ И.А. Карпов, С.А. Абахов, М.А. Пендюхов; заявитель ООО «Аналитические программные решения». EDN UCIHFU.
6. Алтунин С.С. // Международный научный студенческий журнал. — 2019. — № 8. EDN OHQARD.
7. Федеральная служба государственной статистики; http://www.gks.ru/.
8. Johnson S. // Energy Management Journal. — 2020. — T. 18.
9. Спивак H.C. // E-Sclo. — 2019. — № 6(33). EDN ZNGJRA.
10. Булатов T.A. Автоматический анализ состояния высоковольтных электродвигателей в системе собственных нужд ТЭЦ /XXVI Всеросс. аспирантско-магистерский науч. семинар, посвященный Дню энергетика.
В 3-х т. / Под общ. ред. Э.Ю. Абдуллазянова. — Казань: КГЭУ, 2023. — Т. 1. EDN XYZDOB.
зрения решаемой задачи применяется коэффициент корреляции Пирсона (г-Пирсона), который позволяет определить, насколько пропорциональна изменчивость двух переменных:
I(Х* ~ *)(у< - ~У) _ СОУ (X, у)
г =
'ту
1 m , 2 m ,
X- -) Х(
i=1 !=1
Vi
У )2
i
2 2 sx sy
Коэффициент корреляции и его значимость представлены в таблице.
Статистика показывает, что использование регрессионных моделей в управлении техническими рисками может значительно уменьшить вероятность непредвиденных сбоев и потерь в энергообеспечении. Предприятия, которые активно применяют подобные модели, демонстрируют более высокую эффективность производства и устойчивость к внешним воздействиям.
Таким образом, построение регрессионной модели управления техническими рисками энергообеспечения производства играет важную роль в обеспечении безопасности и надежности работы предприятия. Это позволяет не только избежать потерь, но и повысить производительность и конкурентоспособность бизнеса в целом. ■
Статья поступила вредакцию 15.05.2024
Kompetentnosf / Competency (Russia) 8/2024
ISSN 1993-8780. DOI: 10.24412/1993-8780-2024-8-42-45
Regression Model for Managing Technical Risks of Production Energy Supply
R.N. Pigilova1, FSBEI HE Kazan State Power Engineering University (FSBEI HE KSPEU), [email protected] F.Yu. ugli Rakhmonov2, FSBEI HE KSPEU, [email protected]
1 Lecturer, Kazan, Republic of Tatarstan, Russia
2 Student, Kazan, Republic of Tatarstan, Russia
Citation: Pigilova R.N., Rakhmonov F.Yu. ugli. Regression Model for Managing Technical Risks of Production Energy Supply, Kompetentnosf / Competency (Russia), 2024, no. 8, pp. 42-45. DOI: 10.24412/1993-8780-2024-8-42-45
We explored various aspects of technical risk management in industrial energy supply, including the identification of key factors influencing the occurrence of risks, methods for analyzing and predicting technical risks, and risk management strategies to ensure production continuity. Considering regression models in the context of technical risk management will help businesses to develop effective strategies to prevent potential threats and ensure operational stability and reliability.
1. Svalova V.B., Zaalishvili V.B., Ganapathy G.P., Ivanov P.G., Sustainable Development of Mountain Territories, 2020, vol. 12, no. 1(43), pp. 162-170. DOI: 10.21177/1998-4502-2020-12-1-162-170. EDN KEZQHF.
2. Pigilova R.N., International Journal of Advanced Studies in Computer Engineering, 2023, no. 2, pp. 31-35. EDN PPEAAW.
3. Malysheva T.V., Kompetentnosf, 2020, no. 4, pp. 24-27.
4. Kamasheva A.I., Pigilova R.N. Ecology and life safety, XXII Int. sc. and pract. conf., ed. by V.A. Seleznev, I.A. Lukshin, Penza, PGAU, 2022, pp. 138-141. EDN ZKUHNI.
5. Certificate of state registration of the computer program N 2020666077 RF. Separated scalable system for collecting, processing, searching and analyzing data Technology for analyzing and collecting information TAIS N 2020665421; decl. 27.11.2020; publ. 4.12.2020, I.A. Karpov, S.A. Abakhov, M.A. Pendyukhov; applicant LLC Analytical software solutions. EDN UCIHFU.
6. Altunin S.S., Mezhdunarodnyy nauchnyy studencheskiy zhurnal, 2019, no. 8, pp. 23-25. EDN OHQARD.
7. Federal State Statistics Service; http://www.gks.ru/.
8. Johnson S., Energy Management Journal, 2020, vol. 18, pp. 75-89.
9. Spivak N.S., E-Scio, 2019, no. 6(33), pp. 742-749. EDN ZNGJRA.
10. Bulatov T.A. Automatic analysis of the state of high-voltage electric motors in own needs system of a thermal power plant, XXVI All-Russian postgraduate and master's scientific seminar dedicated to the Day of the power engineer, in 3 vol., gen. ed. by E.Yu. Abdullazyanov, Kazan', KGEU, 2023, vol. 1, pp. 13-15. EDN XYZDOB.
key words
risks, reliability, data analysis, training, validation, forecasting, efficiency, monitoring, control, competitiveness
НОВАЯ КНИГА
Кутяйкин В.Г., Потапчик А.К., Зажигалкин A.B., Горбачев П.А.
Метрологическое обеспечение производства
Учебно-методическое пособие. — М.: Нижегородский филиал АСМС, 2023
Пособие содержит основные положения правовых и нормативных документов, а также практический материал по разным направлениям метрологического обеспечения применительно к работе как промышленных предприятий, так и организаций других видов деятельности. Издание адресовано руководителям предприятий и метрологических служб, а также специалистам различных направлений метрологического обеспечения производства, аккредитованных структур в сфере государственного регулирования обеспечения единства измерений, испытательных подразделений, в том числе в целях подтверждения соответствия, а также специалистам по управлению качеством и техническому регулированию.
МПМ НН111 ■ ■ Г ИМ ПЫ< при IHM
un Ml МЮ.ИЭИг
По вопросам приобретения обращайтесь по адресу: Академия стандартизации, метрологии и сертификации (АСМС). 109443. Москва. Волгоградский пр-т, 90, корп. 1. Тел. / факс: 8 (499) 742 4643. Факс: 8 (499) 742 5241. E-mail: [email protected]
