ВЕСТНИК
ПЕРМСКОГО НАЦИОНАЛЬНОГО ИССЛЕДОВАТЕЛЬСКОГО ПОЛИТЕХНИЧЕСКОГО УНИВЕРСИТЕТА ISSN (Print): 2224-9397 ISSN (Online): 2305-2767 | ||
Применение метода анализа соответствий для оптимизации комбинаций атрибутов у наборов данных Бурлаков М.Е. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
На сегодняшний день развитие систем обнаружения вторжений (СОВ) целиком и полностью связано с разработкой как адаптивных, так и неадаптивных алгоритмов. Применение неадаптивных алгоритмов обеспечивает СОВ необходимую скорость работы с полностью отсутствующими ошибками первого и второго рода. С другой стороны, способность СОВ обнаруживать ранее неизвестные угрозы обеспечивается за счет наличия адаптивного компонента. Динамичное развитие адаптивных алгоритмов обеспечивается путем создания новых методов, связанных с искусственными иммунными системами, искусственными нейронными сетями, генетическими алгоритмами и т.д. Ключевые слова: метод анализа соответствий, сингулярное разложение матриц, наборы данных, линейные комбинации атрибутов. Сведения об авторах:
Бурлаков Михаил Евгеньевич (Самара, Россия) – старший преподаватель кафедры «Безопасность информационных систем» Самарского национального исследовательского университета им. акад. С.П. Королева (443086, Самара, Московское шоссе, 34, e-mail: knownwhat@gmail.com). Список литературы: 1. Burlakov M.E. Research the dynamic of author activities in threats through to public and private sources // Информационные технологии и нанотехнологии: cб. тр. III Междунар. конф. и молодежной школы. – Самара: Новая техника, 2017. – P. 958–961. 2. Saul L.K. Advances in Neural Information Processing Systems // MIT Press. – 2005. – 641 p. 3. Intrusion detection evaluation dataset [Электронный ресурс] // University of New Brunswick. – 2017. – Вып. 1. – URL: http://www.unb.ca/ 4. Al-Hamami A.H. Handbook of Research on Threat Detection and Countermeasures in Network Security // IGI Global. – 2014. – 450 p. 5. Levin I. KDD-99 Classifier Learning Contest // LLSoft’s Results Overview. – SIGKDD Explorations. – 2010. – P. 67–75. 6. Lippmann R.P. Evaluating Intrusion Detection Systems: The 1998 DARPA off-line intrusion detection evaluation // DARPA. – 2000. – P. 10–35. 7. Tavallaee M. A Detailed Analysis of the KDD CUP 99 Data Set // Submitted to Second IEEE Symposium on Computational Intelligence for Security and Defense Applications (CISDA). – 2009. – P. 7–42. 8. Knowledge discovery in databases DARPA archive [Электронный ресурс] // University of California. – 2017. – Вып. 1. – URL: http://www.kdd.ics.uci.edu/databases/kddcup99/task.html (дата обращения: 29.01. 2017). 9. Простой и множественный анализ соответствий как метод разведочного анализа данных [Электронный ресурс] // Высшая школа экономики. – 2013. – Вып. 1. – URL: http://radar-research.ru/wp-content/uploads/ 10. Адамов С. Система анализа нечисловой информации «САНИ» // Социология: методология, методы, математическое моделирование. – 1992. – № 2. – С. 86–104. 11. Nishisato S. Analysis of categorical data: Dual scaling and its applications // University of Toronto Press. – 1980. – 276 p. 12. Clausen S.-E. Applied correspondence analysis: An introduction. // Sage university papers. Ser. Quantitative applications in the social sciences. – 1998. – Vol. 121. – P. 137–150. 13. Singular Value Decomposition Tutorial [Электронный ресурс] // University of Western Australia. – 2005. – Вып. 1. – URL: https://davetang.org/file/Singular_Value_Decomposition_Tutorial.pdf (дата обращения: 07.12.2017). 14. The SVD Algorithm [Электронный ресурс] // Stanford University. – 2005. – Вып. 1. – URL: https://web.stanford.edu/class/cme335/lecture6.pdf (дата обращения: 23.09. 2017). 15. SVD-разложение и его практические приложения [Электронный ресурс] // Overleaf. – 2015. – Вып. 1. – URL: https://www.overleaf.com/articles/svd-razlozhieniie-i-iegho-praktichieskiie-prilozhieniia-svd-decomposition-and-its-practical-applications/gkzqbdxdgmry (дата обращения: 28.10.2017). 16. Computing the Sparse Singular Value Decomposition via SVDPACK [Электронный ресурс] // Springer. – 1994. – Вып. 1. – URL: https://link.springer.com/chapter/10.1007/978-1-4613-9353-5_2 (дата обращения: 24.11.2017). 17. SVDPACK [Электронный ресурс] // Netlib Springer. – 2004. – Вып. 1. – URL: http://www.netlib.org/svdpack/ (дата обращения: 23.12.2017). 18. Боровиков В. Statistica. Искусство анализа данных на компьютере: для профессионалов. – СПб.: Питер, 2003. – 688 с. 19. Farid D.M. Adaptive Intrusion Detection based on Boosting and Naïve Bayesian Classifier // International Journal of Computer Application. – 2011. – URL: http://www.ijcaonline.org/volume24/number3/pxc3873883.pdf (дата обращения: 04.12.2017). 20. Accurate SVDs of Structured Matrices // Netlib. – 2004. – URL: http://www.netlib.org/lapack/lawnspdf/lawn130.pdf (дата обращения: 24.10. 2017). 21. Singular Value Decomposition // NCSU. – 2013. – URL: http://www4.ncsu.edu/~ipsen/REU09/chapter4.pdf (дата обращения: 14.06. 2017). 22. Mukherjee S., Sharma N. Intrusion Detection using Naive Bayes Classifier with Feature Reduction // Science Direct. – 2012. – URL: http://www.sciencedirect.com/science/article/pii/S2212017312002964 (дата обращения: 26.11.2017). Параметрическая идентификация технологического объекта в режиме его эксплуатации с применением технологии нейронных сетей Шумихин А.Г., Александрова А.С., Мустафин А.И. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Приведены результаты исследований метода параметрической идентификации технологических объектов. Для условий реальных технологических процессов, когда невозможно проведение активного эксперимента, ставится задача идентификации каналов технологического объекта передаточными функциями непосредственно по данным с действующего объекта, не вмешиваясь в технологический процесс. Приведенный метод параметрической идентификации технологического объекта основан на аппроксимации его поведения динамической нейронной сетью. Нейронная сеть обучается на примерах функционирования технологического объекта. Модель эмулирует поведение технологического объекта и используется для проведения на ней опытов активного вычислительного эксперимента, позволяющего идентифицировать каналы передачи объекта. Например, модель позволяет получить отклик объекта на испытательное воздействие, в том числе и на периодическое. По полученной комплексной частотной характеристике с применением метода наименьших квадратов находят значения параметров передаточной функции исследуемого канала объекта. Представлены результаты параметрической идентификации теплообменника выработки пара узла охлаждения кубового остатка установки замедленного коксования нефтеперерабатывающего предприятия. Ставится задача идентифицировать модель, прогнозирующую температуру кубового остатка на выходе теплообменника. Изложены подходы к сбору и обработке экспериментальных данных. Представлены результаты обучения и тестирования нейросетевой модели технологического объекта. Нейросетевая модель технологического объекта использована для проведения вычислительного эксперимента по идентификации каналов объекта частотным методом. Построена имитационная модель технологического объекта, параметризированная предложенным способом. Модель протестирована на экспериментальных данных. Представленный подход к идентификации технологических объектов примени́м для объектов Ключевые слова: технологический объект, идентификация, нейронная сеть, моделирование, комплексная частотная характеристика, передаточная функция. Сведения об авторах:
Шумихин Александр Георгиевич (Пермь, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматизация технологических процессов и производств» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: shumichin@gmail.com). Александрова Анна Сергеевна (Пермь, Россия) – старший преподаватель кафедры «Автоматизация технологических процессов» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: boyarshinovaann@gmail.com). Мустафин Александр Иванович (Пермь, Россия) – главный специалист центра высокотехнологичных решений, ООО «Инфраструктура ТК» (614016, Пермь, ул. Глеба Успенского, 15а, e-mail: aleksandr.mustafin@infra.ru). Список литературы:
Кусочно-экспоненциальная аппроксимация автоколебаний в системах двухпозиционного регулирования неопределенных динамических объектов Кирин Ю.П., Тихонов В.А. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Изложен метод параметрической идентификации неопределенных динамических объектов, основанный на кусочно-экспоненциальной аппроксимации автоколебаний в системах двухпозиционного регулирования. Структура модели неопределенных динамических объектов, функционирующих в системах двухпозиционного регулирования, представлена дифференциальным уравнением с переменными коэффициентами, в качестве которых рассматриваются динамические параметры и возмущение объектов. Общая схема параметрической идентификации предусматривает разбиение экспериментальных автоколебательных кривых на отдельные участки, описание автоколебаний на участках применением метода кусочно-экспоненциальной аппроксимации, последующее определение на основе полученных описаний неизвестных коэффициентов модели неопределенных динамических объектов. В качестве примера неопределенного динамического объекта рассмотрена зона нагрева промышленного аппарата вакуумной сепарации губчатого титана. Выделение информативных участков из экспериментальных кривых автоколебательных режимов основано на предположении о том, что в течение периода автоколебаний динамические параметры и возмущение неопределенного объекта остаются постоянными. При этом период автоколебаний предложено использовать в качестве интервала идентификации, на котором реальный неопределенный объект рассматривается квазистационарным, в процессе функционирования на разных интервалах идентификации – как семейство квазистационарных объектов управления. Такой подход позволяет описывать динамику неопределенного объекта на интервалах идентификации дифференциальными уравнениями с постоянными коэффициентами. Получена система конечных уравнений, аппроксимирующая автоколебания на интервалах идентификации экспоненциальными функциями. В результате решения системы определены неизвестные коэффициенты дифференциального уравнения, и получена модель, адекватная реальному неопределенному объекту. Модель применена для разработки адаптивной и робастной систем управления технологическими процессами производства губчатого титана. Ключевые слова: неопределенный динамический объект, модель, идентификация, автоколебания, кусочно-экспоненциальная аппроксимация.
Сведения об авторах:
Кирин Юрий Петрович (Березники, Россия) – кандидат технических наук, доцент кафедры «Химическая технология и экология» Березниковского филиала Пермского национального исследовательского политехнического университета (618404, Березники, ул. Тельмана, 7, e-mail: vtihonov@bf.pstu.ru). Тихонов Вячеслав Александрович (Березники, Россия) – кандидат технических наук, доцент кафедры «Химическая технология и экология» Березниковского филиала Пермского национального исследовательского политехнического университета (618404, Березники, ул. Тельмана, 7, e-mail: (klu2010@mail.ru). Список литературы: 1. Дмитриев А.Г., Дорофеюк А.А. Методы кусочной аппроксимации многомерных кривых // Автоматика и телемеханика. – 1984. – Вып. 12. – С. 101–109. 2. Дорофеюк Ю.А. Структурная идентификация сложных объектов управления на базе методов кусочной аппроксимации // Управление большими системами. – 2010. – Вып. 30. – С. 79–88. 3. Касавин А.Д. Адаптивные алгоритмы кусочной аппроксимации в задаче идентификации // Автоматика и телемеханика. – 1972. – 4. Порхало В.А., Бажанов А.Г., Магергут В.З. Информационные представления адаптивного трехпозиционного регулятора для его аппаратных и программных реализаций // Научные ведомости Белгород. гос. ун-та. – 2011. – Т. 17. – № 1–1. – С. 161–168. 5. Кирин Ю.П., Тихонов В.А. Определение структуры моделей неопределенных динамических объектов в системах двухпозиционного регулирования // Промышленные АСУ и контроллеры. – 2017. – 6. Кирин Ю.П., Тихонов В.А. Параметрическая идентификация моделей неопределенных динамических объектов в системах двухпозиционного регулирования // Вестник Казан. технолог. ун-та. – 2017. – Т. 20. – № 5. – С. 91–94. 7. Кампе-Немм А.А. Автоматическое двухпозиционное регулирование. – М.: Наука, 1967. – 160 с. 8. Черепанов А.И. Динамика систем многоканального позиционного регулирования. – М.: Энергия, 1970. – 80 с. 9. Идентификация технологических процессов производства губчатого титана / Ю.П. Кирин, А.В. Затонский, В.Ф. Беккер, С.Л. Краев // Проблемы управления. – 2008. – № 4. – С. 71–77. 10. Кирин Ю.П., Затонский А.В., Беккер В.Ф. Построение адаптивной системы управления технологическими процессами в производстве губчатого титана // Приборы и системы. Управление, контроль, диагностика. – 2009. – № 2. – С. 1–7. 11. Кирин Ю.П., Кирьянов В.В. Робастное управление технологическими процессами производства губчатого титана // Научно-технический вестник Поволжья. – 2016. – № 2. – С. 120–123. Экономическое содержание факторов стоимости и сущность инвестиционной активности энергетических предприятий Андросов В.В., Чернов С.С. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Основным и одним из ключевых факторов развития любого предприятия является инвестиционная деятельность. С помощью эффективного вложения капитала реализуются возможности потенциального роста и отдача от инвестированных средств. В качестве примера можно рассмотреть обновление существующей материально-технической базы, которая способствует повышению коэффициента полезного действия производства и, как следствие, снижение издержек. Кроме влияния непосредственно на предприятие высокая инвестиционная активность представляет собой обязательное условие для развития экономики страны, а также регионов. Вследствие использования изношенного оборудования и устаревших технологий компании несут более высокие переменные издержки на единицу продукции по сравнению с европейскими производителями. Следовательно, актуальность проблемы высокого износа основных производственных фондов (ОПФ) и недостаточного уровня инвестиций в обновление и создание активов российских электроэнергетических компаний определяет специфику работы, которая заключается в изучении инвестиционной активности предприятий энергетики как одной из самых капиталоемких отраслей экономики. В связи с этим возникает необходимость определения факторов стоимости компаний, влияющих на их инвестиционную активность. В связи с существующими проблемами электроэнергетики исследование будет сфокусировано на инвестициях в создание, модернизацию и обновление материальных активов. В статье рассмотрена методика определения факторов стоимости. Дана характеристика современного состояния российской энергетики и ее основных объектов. Далее выявлены основные направления инвестиционной деятельности. В данной статье рассматриваются инвестиции в основной капитал, целью которых являются обновление и увеличение существующей материально-технической базы. В заключительной части исследования проанализирована динамика фондового индекса ММВБ-энергетика, сделана выборка компаний, которые в дальнейшем использованы для построения модели. Ключевые слова: энергетика, отрасль, индекс, курс, динамика, биржа, фондовый рынок. Сведения об авторах:
Андросов Владимир Владимирович (Новосибирск, Россия) – магистрант Новосибирского государственного технического университета (630092, Новосибирск, пр. Карла Маркса, д. 20, e-mail: s_ev54@mail.ru). Чернов Сергей Сергеевич (Новосибирск, Россия) – кандидат экономических наук, доцент, заведующий кафедрой «Производственный менеджмент и экономика энергетики» Новосибирского государственного технического университета (630092, Новосибирск, пр. Карла Маркса, д. 20, e-mail: chernov@corp.nstu.ru). Список литературы:
Использование динамических предиктивных моделей для управления техническими системами с инертностью Мыльников Л.А., Гергель Н.А., Кычкин А.В., Краузе Б. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Актуальность представленного исследования связана с необходимостью учета особенностей рассматриваемых систем для дальнейшего повышения эффективности их функционирования. Цель работы связана с необходимостью демонстрации возможности построения эмпирических регрессионных моделей на основе статистических данных и на их основе построения систем управления, показывающих большую по сравнению с системами автоматического регулирования эффективность. Работа осуществлена на основе использования статистических данных и методов машинного обучения, которые использовались для построения регрессионных моделей. Модели управления были основаны на ретроспективных данных, которые использовались для моделирования изменений температуры помещения в зависимости от температуры на улице и величины отбираемого из теплосистемы тепла, а также для моделирования изменения температуры теплоносителя в зависимости от изменения температуры помещения и уличной температуры. Наибольшая точность была получена с помощью метода lasso. Модели, полученные с помощью этого метода, и были положены в основу получения системы управления и оценки реакции системы. Полученные модели относятся к классу динамических предиктивных моделей, предложена структура их применения в системах управления теплоснабжением многоэтажных офисных зданий с учетом ее инертности. Удалось показать большую эффективность предложенных решений по сравнению с использованием ПИД-регулятора на ретроспективных данных, а также зависимость решения от выбора данных. Значимость исследования: проведенное исследование позволяет строить модели управления, которые могут работать как в автоматическом режиме, так Ключевые слова: информационная система, управление, модель, информационная инфраструктура, поддержка принятия решений, машинное обучение. Сведения об авторах:
Мыльников Леонид Александрович (Пермь, Россия) – кандидат технических наук, доцент кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: leonid.mylnikov@pstu.ru). Гергель Наталья Александровна (Пермь, Россия) – магистрант кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: natalia_gergel@mail.ru). Кычкин Алексей Владимирович (Пермь, Россия) – кандидат технических наук, доцент кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: aleksey.kychkin@gmail.com). Краузе Бернд (Кётен, Германия) – доктор, профессор факультета информатики и языков Университета прикладных наук г. Анхальта (06366, Кётен, ул. Ломанштрассе 23, e-mail: bernd.krause@hs-anhalt.de). Список литературы: 1. Kiam Heong Ang, Chong G., Yun Li. PID control system analysis, design, and technology // IEEE Transactions on Control Systems Technology. – 2005. – Vol. 13. – № 4. – С. 559–576. 2. Shi Z. Knowledge-based decision support system // Journal of Computer Science and Technology. – 1987. – Vol. 2. – № 1. – С. 22–29. 3. Model Predictive Control applied for building thermal control / 4. Paprotny A., Thess M. Realtime data mining: self-learning techniques for recommendation engines. – 2013. 5. Кычкин А.В. Программно-аппаратное обеспечение сетевого энергоучетного комплекса // Датчики и системы. – 2016. – № 7. – С. 24–30. 6. Петрова И.Ю., Зарипова В.М., Лежнина Ю.А. Проектирование информационно-измерительных и управляющих систем для интеллектуальных зданий. Направления дальнейшего развития // Вестник МГСУ. – 2015. – № 12. – С. 147–157. 7. Интеллектуальный анализ данных в управлении производственными системами (подходы и методы) / Л.А. Мыльников, Б. Краузе, М. Кютц, К. Баде, И.А. Шмидт. – М.: БИБЛИО-ГЛОБУС, 2017. – 334 c. 8. Мыльников Л.А., Селедкова А.Б. Способ выбора метода прогнозирования и горизонта планирования параметров с использованием оценки риска // Информационные технологии. – 2018. – Т. 24. – № 2. – С. 97–103. 9. Садовникова Н.А., Шмойлова Р.А. Анализ временных рядов 10. Wickham H.R, Grolemund G. For data science: import, tidy, transform, visualize, and model data. – Sebastopol, CA: O’Reilly, 2016. – 492 р. 11. Witten I.H., Frank E. Data mining: practical machine learning tools and techniques. – Amsterdam ; Boston, MA: Morgan Kaufman, 2005. – 525 р. 12. A new electricity price prediction strategy using mutual information-based SVM-RFE classification / Z. Shao, S. Yang, F. Gao, K. Zhou, P. Lin // Renewable and Sustainable Energy Reviews. – 2017. – Vol. 70. – P. 330–341. 13. Ougiaroglou S., Diamantaras K.I., Evangelidis G. Exploring the effect of data reduction on Neural Network and Support Vector Machine classification // Neurocomputing. – 2018. – Vol. 280. – P. 101–110. 14. A primer on partial least squares structural equation modeling (PLS-SEM) / red. J.F. Hair. – Los Angeles: Sage, 2017. 15. Woody N.A., Brown S.D. Partial least-squares modeling of continuous nodes in Bayesian networks // Analytica Chimica Acta. – 2003. – Vol. 490. – № 1–2. – P. 355–363. 16. Strong rules for discarding predictors in lasso-type problems: Strong Rules for Discarding Predictors / R. Tibshirani, J. Bien, J. Friedman, T. Hastie, N. Simon, J. Taylor, R.J. Tibshirani // Journal of the Royal Statistical Society: Series B (Statistical Methodology). – 2012. – Vol. 74. – № 2. – P. 245–266. 17. Hoerl A.E., Kennard R.W. Ridge Regression: Biased Estimation for Nonorthogonal Problems // Technometric. – 1970. – Vol. 12. – № 1. – P. 55. 18. Постановление Региональной службы по тарифам Пермского края от 20.12.2017 № 300-т. Доступ из справ.-правовой системы КонсультантПлюс. 19. Wicaksono D., Firmansyah E., Nugroho H.A. A Microclimate Closed House Control Design for Broiler Strain // Proceedings of 7th International Annual Engineering Seminar (InAES). – 2017. – Р. 11–16. 20. Кычкин А.В., Мусихина К.Г., Разепина М.Г. Исследование эффективности создания и внедрения системы энергоменеджмента на промышленном предприятии // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2014. – № 1(9). – С. 66–79. Особенности использования Analog Front-End в мобильных системах ЭКГ-мониторинга Петровский М.А., Кузьмин А.В., Чураков П.П. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Рассмотрено применение аналоговых интерфейсов (AFE) при построении интеллектуальных ЭКГ-сенсоров. Проблема сердечно-сосудистых заболеваний является одной из наиболее острых медицинских и социальных проблем. Одним из современных подходов к ее решению является мониторинг ЭКГ людей из группы риска с помощью специальных портативных устройств. Крупные компании по производству электронных компонентов уже поставляют на мировой рынок готовые решения для производства таких устройств в виде analog front-end. Авторами проанализированы характеристики и возможности схемотехнических решений от Analog Devices и Texas Instruments, а именно ADS1298ECG для построения на их основе ЭКГ-сенсора. Исследованы параметры энергопотребления и уровня шума ЭКГ интерфейса фирмы Texas Instruments. Рассмотрены особенности современного интеллектуального ЭКГ-сенсора и требования к ним для обеспечения должного уровня качества регистрации сигнала в различных условиях работы. Авторами предлагается алгоритм работы интеллектуального ЭКГ-сенсора, включающий шаги самотестирования и контроля сигнала в процессе регистрации. В статье предлагается работающий макет интеллектуального беспроводного ЭКГ-сенсора, построенный на основе выбранного аналогового интерфейса для работы под управлением микроконтроллера в составе сети сбора данных медицинского учреждения. В дальнейшем подобные устройства планируется использовать в качестве источника первичной информации для диагностики различных заболеваний сердца и анализа его электрической активности по данным электрокардиографии, а также в рамках единой беспроводной интеллектуальной сети медицинского учреждения или в режиме автономной работы. Учет рассмотренных особенностей применения analog front-end и использование предложенного алгоритма работы устройств регистрации ЭКГ позволят разрабатывать и внедрять в практическую работу современные мобильные системы мониторинга ЭКГ. Ключевые слова: ЭКГ-сенсор, портативное устройство, аналоговый интерфейс, алгоритм. Сведения об авторах:
Петровский Михаил Александрович (Пенза, Россия) – кандидат технических наук, генеральный директор ООО «Сура Кардио» (440026, Пенза, ул. Красная, 40, e-mail: mikepma36@gmail.com). Кузьмин Андрей Викторович (Пенза, Россия) – кандидат технических наук, доцент кафедры «Информационно-вычислительные системы» Пензенского государственного университета (440026, Пенза, ул. Красная, 40, e-mail: flickerlight@inbox.ru). Чураков Петр Павлович (Пенза, Россия) – доктор технических наук, профессор кафедры «Информационно-измерительная техника Список литературы: 1. Advanced Methods and Tools for ECG Data Analysis. / под ред. 2. Architectural Approach to the Multisource Health Monitoring Application Design / A. Borodin, Y. Zavyalova, A. Zaharov, I. Yamushev // 17th Conference of Open Innovations Association FRUCT. – Helsinki, Finland: FRUCT Oy, 2015. – P. 16–21. 3. Kakria P., Tripathi N., Kitipawang P. A Real-Time Health Monitoring System for Remote Cardiac Patients Using Smartphone and Wearable Sensors // International Journal of Telemedicine and Applications. – 2015. – № 2015. – P. 1–11. 4. Grier J.W. Comparison and review of portable, handheld, 5. Walsh J.A., Topol E.J., Steinhubl S.R. Novel Wireless Devices for Cardiac Monitoring // Circulation. – 2014. – № 130. – P. 573–575. 6. Suresh S., Kumar K., Kamakoti V. Portable Low Cost 3 Lead Wireless Wearable ECG Device // World Congress on Medical Physics and Biomedical Engineering IFMBE. – Berlin Heidelberg: Springer-Verlag, 2013. – P. 1331–1334, 7. Task Force of the E-cardiology Working Group. Acquisition and Analysis of Cardiovascular Signals on Smartphones: Potential, Pitfalls and Perspectives / N. Bruining, E. Caiani, C. Chronaki, P. Guzik, E. van der Velde // European Journal of Preventive Cardiology. – 2014. – № 21. – P. 4–13. 8. Wireless Smartphone ECG Enables Large-Scale Screening in Diverse Populations / Z.C. Haberman, R.T. Jahn, R. Bose, H. Tun, 9. Commercial Smartphone-Based Devices and Smart Applications for Personalized Healthcare Monitoring and Management / S. Kumar, E. Vashist, M. Schneider, J. Luong // Diagnostics. – 2014. – № 4. – P. 104–128. 10. Diagnostic, Patient Monitoring and Therapy Applications Guide (Rev. A) [Электронный ресурс]. – URL: http://www.ti.com/ 11. Компани-Бош Э., Хартман Э. Электрокардиограф на базе микроконвертора [Электронный ресурс] // Компоненты и технологии. – 2004. – № 6. – URL: http://kit-e.ru/articles/elcomp/2004_06_104.php (дата обращения: 13.12.2017). 12. Low-Power, 8-Channel, 24-Bit Analog Front-End for Biopotential Measurements (Rev. I) [Электронный ресурс]. – URL: http://www.ti.com/ 13. ADAS1000 DataSheetRevPrE [Электронный ресурс]. – URL: http://www.analog.com/static/imported-files/data_sheets/ADAS1000.pdf (дата обращения: 13.12.2017). 14. Innovative Wireless Automations Sensors for Arrhythmmia Monitoring [Электронный ресурс]. – URL: http://davidhoglund.typepad.com/integra_systems_inc_david/2008/08/innovative-wireless-automations-sensors-for-arrhythmmia-monitoring.html (дата обращения: 13.12.2017). 15. ADS1298ECG Front End Performance Demonstration Kit [Электронный ресурс]. – URL: http://www.ti.com/tool/ADS1298ECGFE-PDK (дата обращения: 13.12.2017). 16. Mobile Heart Monitoring System Prototype Based on the Texas Instruments Hardware: Energy Efficiency and J-point Detection / A. Kuzmin, M. Safronov, O. Bodin, M. Petrovsky, A. Sergeenkov // International Journal of Embedded and Real-Time Communication Systems. – 2016. – Vol. 7. – Iss. 1. – P. 64–84. DOI: 10.4018/IJERTCS.2016010104 17. Повышение достоверности оценки состояния сердца в компьютерной диагностической системе «Кардиовид» / С.А. Балахонова, О.Н. Бодин, А.Г. Иванчуков, В.Г. Полосин, А.Г. Убиенных // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2016. – № 2(38). – С. 61–71. 18. Иващенко А.В., Минаев А. А., Модель посредника-медиатора в подвижных сенсорных сетях распределенной диагностики // Известия Самарского научного центра РАН. ‑ 2015. ‑ Т. 17. ‑ № 2(5). – 19. Digital Assistance Services for Emergency Situations in Personalized Mobile Healthcare: Smart Space Based Approach / D.G. Korzun, 20. Towards the Development of Smart Spaces-Based Socio-Cyber-Medicine Systems / Y.V. Zavyalova, D.G. Korzun, A.Yu. Meigal, Оценка экономии топливно-энергетических ресурсов с учетом сопоставимых условий при реализации энергосервисного контракта Тупикина А.А. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Обоснована необходимость учета сопоставимых условий при определении экономии энергоресурсов, возникшей при реализации мероприятий по повышению энергоэффективности. Приведены особенности процесса реализации энергосервисного контракта и учета сопоставимых условий применительно к проектам, реализуемым в рамках данного вида договоров. Описан алгоритм определения базового уровня потребления и верификации измерений в рамках реализации энергосервисных контрактов. Обоснован выбор в качестве метода учета сопоставимых условий независимых корректировок потребления, возникающих при воздействии различных факторов. Рассмотрен пример реализации энергосервисного контракта, включающего модернизацию тепловой сети ТЭЦ Сибирского федерального округа. Для данного контракта описан процесс определения экономии как разницы между фактическими потерями тепловой энергии через изоляцию и нормативными потерями, достижение уровня которых планировалось в рамках реализации проекта. Кратко описаны основные реализованные этапы алгоритма. С целью апробации выдвинутых предположений проведен процесс определения зависимости между потерями тепловой энергии и температурой воздуха. В качестве модели для определения корректировки использовано уравнение парной линейной регрессии. По полученному значению коэффициента рассчитаны скорректированные потери за каждый год реализации проекта и определена экономия в натуральном и денежном выражении, полученная в сопоставимых условиях. Показано влияние изменения экономии на экономическую эффективность проекта. Сделан вывод о причинах отказа от корректировок потерь тепла в исходном варианте проекта. Даны рекомендации по учету различных сопоставимых условий Ключевые слова: энергетическая эффективность, энергосбережение, энергосервисный контракт, экономия топливно-энергетических ресурсов, базовый уровень энергопотребления, верификация измерений, сопоставимые условия. Сведения об авторах:
Тупикина Анастасия Алексеевна (Новосибирск, Россия) – старший преподаватель кафедры «Производственный менеджмент и экономика энергетики» Новосибирского государтсвенного технического университета (630073, Новосибирск, пр. Карла Маркса, 20, e-mail: tupikina.aa@mail.ru). Список литературы: 1. Семенов В.Г., Ковальчук В.В., Сергеев С.А. Механизмы энергосбережения, предлагаемые к включению в нормативные правовые акты [Электронный ресурс]. – URL: http://www.energosovet.ru/npb1156.html (дата обращения: 29.11.2017). 2. Чернов С.С. Состояние энергосбережения и повышения энергетической эффективности в России // Бизнес. Образование. Право. Вестник Волгоград. ин-та бизнеса. – 2013. – № 4(25). – С. 136–140. 3. Литкевич И. Второе рождение энергосервиса [Электронный ресурс]. – URL: http://www.vsluh.ru/news/oilgas/296845 (дата обращения: 07.12.2017). 4. Дзюба А.П. Как стимулировать приток инвестиций в энергетическую инфраструктуру промышленной компании [Электронный ресурс]. – URL: http://www.energosovet.ru/bul_stat.php?idd=657 (дата обращения: 20.11.2017). 5. Туликов А.В. Рынок энергосервисных услуг в России: смутные перспективы или инструмент роста? // Энергосбережение. – 2015. – 6. Иванов Г.Н. Энергосервисные контракты – применение в российской практике [Электронный ресурс] // Энергосовет. – 2011. – 7. Шингаров В.П. Энергосервис и финансовые риски реализации проектов [Электронный ресурс] // ЭСКО. Энергетический сервис. – 2014. – № 6–7. – URL: http://journal.esco.co.ua/esco/2014_6_7/art40.html (дата обращения: 29.11.2017). 8. Цакунов С.В. Реализация энергосервисных контрактов в России [Электронный ресурс] // Энергосбережение. – 2012. – № 3. – URL: https://www.abok.ru/for_spec/articles.php?nid=5231 (дата обращения: 25.11.2017). 9. ГОСТ Р 56743-2015. Измерение и верификация энергетической эффективности. Общие положения по определению экономии энергетических ресурсов. – М.: Стандартинформ, 2015. 10. Тихоненко Ю.Ф. Энергосервис. Ожидание разрешения проблем и позиции сторон [Электронный ресурс] // Портал-энерго – 2012. – № 3. – URL: http://portal-energo.ru/articles/details/id/487 (дата обращения: 20.10.2017). 11. International Perfomance Measurement and Verification Protocol. Concept and options for determining energy and water savings. Vol. 1 // Organization for the Assessment of Energy Efficiency (EVO). – 2010. – 152 p. 12. В России появился стандарт «Измерения и верификация энергетической эффективности» по расчету экономии энергоресурсов [Электронный ресурс]. – URL: http://www.energosovet.ru/news.php?zag= 13. Постановление Правительства РФ от 18 августа 2010 г. № 636 «О требованиях к условиям контракта на энергосервис и об особенностях определения начальной (максимальной) цены контракта (цены лота) на энергосервис» [Электронный ресурс]. – URL: http://www.rg.ru/ 14. Тупикина А.А., Чернов С.С. Определение базового уровня потребления энергетических ресурсов в рамках реализации энергосервисных контрактов // Инновации. – 2015. – № 10. – С. 106–112. 15. Тупикина А.А. Анализ факторов, влияющих на процесс формирования базового уровня энергопотребления при подготовке энергосервисного контракта // Экономика и предпринимательство. – 2016. – № 2/1 (67/1). – С. 824–828. 16. Энергосервис: измерить экономию нельзя, рассчитать. Интервью с главой РАЭСКО Р.Э. Мукумым [Электронный ресурс] // ЭСКО. Энергетический сервис. – 2014. – № 9–10. – URL: http://journal.esco.co.ua/esco/2014_9_10/art17.html (дата обращения: 1.12.2017). 17. Гужов С.В. Методы определения и способы подтверждения энергосберегающего эффекта в системах тепло- и электроснабжения: монография. – М.: Изд-во МЭИ, 2015. – 112 с. 18. Соковиков О.Б. Детям будет тепло, а муниципалитету выгодно [Электронный ресурс]. – URL: http://www.energosovet.ru/stat885.html (дата обращения: 29.11.2017). 19. Методика определения расчетно-измерительным способом объема потребления энергетического ресурса в натуральном выражении для реализации мероприятий, направленных на энергосбережение и повышение энергетической эффективности (утв. Приказом Министерства энергетики РФ от 4 февраля 2016 г. № 67). – М., 2016. 20. Архив погоды // rp5.ru. Расписание погоды [Электронный ресурс]. – URL: https://rp5.ru/%D0%90%D1%80%D1%85%D0%B8%D0% Методы выбора параметров стандартного алгоритма электронной цифровой подписи Ланских В.Г., Ланских Ю.В. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Описывается стандартный алгоритм электронной цифровой подписи, основанный на операциях над эллиптической кривой в конечном поле. Описываются последовательность действий, выполняемых при формировании электронной цифровой подписи, и последовательность действий, выполняемых при ее верификации. Рассматриваются основные параметры алгоритма электронной цифровой подписи, представляющие собой большие простые числа. Стандарт определяет только математические формулы для операций над эллиптической кривой и предлагает нижние границы для некоторых параметров, не устанавливая каких-либо конкретных алгоритмов выполнения этих операций. Ставится задача выбора параметра алгоритма формирования и верификации электронной цифровой подписи как задача выбора псевдослучайного простого числа большой размерности из широкого диапазона с последующей проверкой того, что выбранное число является простым. Указывается на то, что верхние границы параметров определяются в основном тремя факторами, Ключевые слова: алгоритм электронной цифровой подписи, параметры алгоритма, псевдослучайные числа, большие простые числа, тесты простоты. Сведения об авторах:
Ланских Владимир Георгиевич (Киров, Россия) – кандидат технических наук, доцент кафедры «Автоматика и телемеханика» Вятского государственного университета (610009, Киров, ул. Московская, 36, e-mail: usr00222@vyatsu.ru). Ланских Юрий Владимирович (Пермь, Россия) – кандидат технических наук, доцент кафедры «Математические и естественно-научные дисциплины» Пермского государственного национального исследовательского университета (614990, Пермь, ул. Букирева, 15, e-mail: lyuv@inbox.ru). Список литературы:
Компьютерное моделирование и управление процессом биологической очистки сточных вод в аэротенке Кириллов А.Н., Смирнов Н.В. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Возрастание антропогенной нагрузки на окружающую среду приводит к сокращению запасов питьевой воды, что, в свою очередь, ведет к необходимости повышения эффективности процессов очистки сточных вод. Поскольку проведение натурных экспериментов на сооружениях очистки воды невозможно, то увеличивается роль математического моделирования при исследовании соответствующих технологических процессов. Наблюдения показывают, что в течение суток можно выделить периоды, в течение которых расход приходящих на очистные сооружения сточных вод значительно не изменяется. Построение отстойников-усреднителей также может позволить поддерживать постоянное значение расхода сточных вод. С учетом этих факторов в работе предложено дальнейшее развитие компартментальной математической модели процесса биологической очистки сточных вод с переменной структурой для случая постоянного значения часового расхода сточных вод. Разработанная модификация модели биоочистки описывает динамику концентраций двух типов субстрата, кислорода и общей концентрации микроорганизмов активного ила. Введенные пороговые функции позволяют моделировать переключение процессов окисления с органики на аммоний и конкуренцию микроорганизмов за кислород. Также эти функции позволяют избежать недопустимых значений модельных концентраций, которые могут возникать в результате вычислительных погрешностей. Влияние насыщения микроорганизмов кислородом и субстратами учитывается Для компьютерного моделирования на языке программирования Python разработан программный комплекс. Проведена параметрическая идентификация. Найденные выходные модельные концентрации при различных комбинациях значений управляющих параметров приведены Предложенная модель позволяет решать задачу прогнозирования и управления процессом биоочистки, разрабатывать алгоритмы для обеспечения необходимых значений выходных модельных концентраций и оптимизации процесса биоочистки. Ключевые слова: компьютерное моделирование, динамическая система, управление процессом, сточные воды, биологическая очистка, аэрация, окисление, нитрификация. Сведения об авторах:
Кириллов Александр Николаевич (Петрозаводск, Россия) – доктор физико-математических наук, ведущий научный сотрудник Института прикладных математических исследований Карельского научного центра РАН (185910, Петрозаводск, ул. Пушкинская, 11), профессор кафедры «Математический анализ» Петрозаводского государственного университета (185910, Петрозаводск, пр. Ленина, 33, e-mail: kirillov@krc.karelia.ru). Смирнов Николай Васильевич (Петрозаводск, Россия) – кандидат технических наук, доцент кафедры «Теория вероятностей и анализа данных» Петрозаводского государственного университета (185910, Петрозаводск, пр. Ленина, 33, e-mail: nvsmirnov87@gmail.com). Список литературы: 1. Gotovtsev A.V. Evaluating BOD and the Coefficient of Oxidation Rate: Monitoring, Direct and Inverse Problems, Formulas, Calculations and Tables // Water Resources. – 2016. – Vol. 43. – № 6. – P. 885–898. DOI: 10.1134/S0097807816050067 2. Savenko V.S. A Semiempirical Mathematical Model of the Secondary Pollution of Water Bodies by Soluble Iron and Manganese Forms // Water Resources. – 2016. – Vol. 43. – № 6. – P. 862–872. DOI: 10.1134/S0097807816060063 3. Evaluation of different nitrous oxide production models with four continuous long-term wastewater treatment process data series / M. Sperandio, M. Pocquet, L. Guo, B.-J. Ni, P.A. Vanrolleghem, Z. Yuan // Bioprocess Biosyst Eng. – 2016. – Vol. 39. – P. 493–510. DOI: 10.1007/s00449-015-1532-2 4. Mathematical simulating the process of aerobic granular sludge treating high carbon and nitrogen concentration wastewater / J. Zhao, 5. Mathematical modeling of simultaneous carbon-nitrogen-sulfurremoval from industrial wastewater / X.-J. Xu, C. Chen, A.-J. Wang, B.-J. Ni, W.-Q. Guo, Y. Yuan, C. Huang, X. Zhou, D.-H. Wu, D.-J. Lee, 6. Numerical solution of a multi-class model for batch settling in water resource recovery facilities / P.A. Vanrolleghem, R. Bürger, S. Diehl, 7. Mathematical modeling of autotrophic denitrification (AD) process with sulphide as electron donor / G. Xu, F. Yin, S. Chen, Y. Xu, 8. Simsek H. Mathematical modeling of wastewater-derived biodegradable dissolved organic nitrogen // Environmental Technology. – 2016. – P. 2879–2889. DOI: 10.1080/09593330.2016.1167964 9. Грудяева Е.К., Душин С.Е. Анализ динамики процесс нитрификации в моделировании биологической очистки сточных вод ASM1 // Известия СПБГЭТУ ЛЭТИ. – 2015. – Т. 1. – С. 12–17. 10. Grigorieva E.V., Bondarenko N.V., Khailov E.N. Time Optimal Control Problem for the Waste Water Biotreatment Model // Journal of Dynamical and Control Systems. – 2015. – Vol. 21. – P. 3–24. DOI: 10.1007/s10883-014-9214-y 11. Villez K., Vanrolleghem P.A., Corominas L. Optimal flow sensor placement on wastewater treatment plants // Water Research. – 2016. – Vol. 101. – P. 75–83. DOI: 10.1016/j.watres.2016.05.068 12. Грудяева Е.К., Душин С.Е., Кузьмин Н.Н. Динамические модели управляемых биохимических процессов очистки сточных вод // Известия высших учебных заведений. Приборостроение. – 2015. – 13. Грудяева Е.К., Душин С.Е. Логико-динамическое управление биохимическими процессами очистки сточных вод // Известия ЮФУ. Технические науки. – 2015. – № 7(168). – С. 208–219. 14. Грудяева Е.К., Душин С.Е., Капулина О.И. Влияние внешних факторов на управляемые биохимические процессы очистки сточных вод // Известия высших учебных заведений. Приборостроение. – 2017. – Т. 60. – № 9. – С. 891–897. DOI: 10.17586/0021-3454-2017-60-9-891-897 15. Кириллов А.Н., Рейсс Т.В., Смирнов Н.В. Математическое моделирование процессов нитрификации и окисления органических веществ в проточной биосистеме // Ученые записки Петрозавод. гос. ун-та. Сер. Естественные и технические науки. – 2013. – № 4(133). – 16. Смирнов Н.В. Управление процессом биоочистки воды в аэротенке [Электронный ресурс] // Тр. XII Всерос. совещ. по проблемам управления ВСПУ-2014; Москва, 16–19 июня 2014 г. – М.: Изд-во Института проблем управления В.А. Трапезникова РАН, 2014. – 17. Кириллов А.Н., Смирнов Н.В. Параметрическая идентификация математической модели процесса биологической очистки в аэротенке // Тр. Карел. науч. центра Рос. акад. наук. Сер. Математическое моделирование и информационные технологии. – 2014. – № 4. – С. 67–74. 18. Смирнов Н.В., Новиков П.И. Компьютерное моделирование процесса биоочистки с кусочно-постоянным часовым расходом сточных вод // Вестник Пермского национального политехнического университета. Электротехника, информационные технологии, системы управления. – 2017. – № 24. – С. 134–149. 19. Жмур Н.С. Управление процессом и контроль результата очистки сточных вод на сооружениях с аэротенкам. – М.: Луч, 1997. – 172 с. 20. A nonlinear observer for an activated sludge wastewater treatment process / B. Boulkroune, M. Darouach, S. Gille [аt al.] // American Control Conference. – USA, 2009. – P. 1027–1033. 21. Центр высокопроизводительной обработки данных ЦКП КарНЦ РАН [Электронный ресурс]. – URL: http://cluster.krc.karelia.ru (дата обращения: 01.02.2018). Идентификация блока подогрева нефти установки атмосферно-вакуумной трубчатки как объекта управления с использованием динамической нейронной сети Шумихин А.Г., Колыхматов А.О. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
В статье представлены результаты идентификации каналов блока подогрева сырой нефти установки атмосферно-вакуумной трубчатки (АВТ) нефтеперерабатывающего предприятия, представляющего собой систему теплообменников, с применением динамической нейронной сети (НС). Обученная НС-модель позволяет моделировать динамику технологического объекта (тренды изменения технологических параметров) и идентифицировать его с применением методов активного эксперимента на НС передаточными функциями. Одним из блоков установки АВТ является система теплообменных аппаратов, предназначенная для подогрева сырой нефти за счёт рекуперации тепла обращающихся на установке продуктов. В условиях изменяющихся расходов сырой нефти и греющих агентов, подаваемых Для случая заданной структуры технологической схемы процесса и стабильной подачи общего потока нефти и греющих агентов задача решается методами статической оптимизации, целевой функцией в которой является теплосодержание потока подогретой нефти на выходе блока теплообмена. Тогда задача управления будет заключаться в стабилизации системами автоматического регулирования расходов потоков нефти на рассчитанных оптимальных значениях. Однако, например, при изменяющихся во времени расходах нерегулируемых потоков греющих агентов или при изменении расхода общего потока сырой нефти задача оптимизации должна решаться как динамическая с алгоритмами оптимального управления, которые предполагают наличие математических моделей динамики управляемого объекта. Ключевые слова: нефтепереработка, установка АВТ, система теплообмена, управление, моделирование, идентификация, нейронная сеть. Сведения об авторах:
Шумихин Александр Георгиевич (Пермь, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматизация технологических процессов» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: atp@pstu.ru). Колыхматов Аркадий Олегович (Пермь, Россия) – руководитель группы системных разработок ООО «Промышленная кибернетика» (614000, Пермь, ул. Луначарского, 85, e-mail: kolykhmatovao@gmail.com). Список литературы:
Исследование истощения водных ресурсов на основе математических многофакторных моделей Затонский А.В., Гераськина И.Н., Стерхова В.В. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Определены основные проблемы истощения водных ресурсов. Обоснована актуальность исследования влияния факторов на истощение водных ресурсов. Рассмотрены динамика истощения водных ресурсов и влияние на нее следующих факторов: объемы использования свежей воды, объемы оборотной воды, объемы сбрасываемых загрязненных вод, объемы внутренних возобновляемых вод и процент морских охраняемых территорий. Построены факторные и бесфакторные модели динамики водных ресурсов: линейная многофакторная модель, модель Ключевые слова: математическое моделирование, прогнозирование, истощение водных ресурсов, экология. Сведения об авторах:
Затонский Андрей Владимирович (Березники, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматизация технологических процессов» Пермского национального исследовательского политехнического университета (618404, Пермский край, Березники, ул. Тельмана, 7, e-mail: zxenon@narod.ru). Гераськина Инна Николаевна (Санкт-Петербург, Россия) – кандидат экономических наук, доцент кафедры «Управление организацией» Санкт-Петербургского государственного архитектурно-строительного университета (190005, Санкт-Петербург, ул. 2-я Красноармейская, 4, е-mail: Geraskina82@mail.ru). Стерхова Виктория Владиславовна (Березники, Россия) – студентка Березниковского филиала Пермского национального исследовательского политехнического университета (618404, Пермский край, Березники, ул. Тельмана, 7; e-mail: amxprovika@gmail.com). Список литературы:
Стратегия реализации типовых проектных ИТ-решений для управления производством в авиадвигателестроительной корпорации Артюхов А.В., Речкалов А.В., Христолюбов В.Л. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Предложен подход к унификации и стандартизации (типизации) системных моделей управления (business model management (BPM)) производственными процессами в авиадвигателестрительной корпорации и реализации на этой основе типовых проектных решений, обеспечивающих возможность создания эффективной корпоративной системы процессного управления производством. Проводится анализ проблем управления производственными процессами в машиностроении в современных условиях. Отмечается, что современный период развития машиностроения характеризуется высокими темпами наращивания объемов производства при одновременном освоении новой продукции. Особенно остро эта проблема проявляется в условиях многономенклатурного производства, характеризующегося большим числом компонентов и уровней входимости в готовых изделиях (десятки и сотни тысяч наименований, десятки уровней входимости); сочетанием опытного и серийного типов производств; многообразием технологических процессов – литейные, кузнечные, штамповочные, механообрабатывающие, сборочные и др.; большим потоком конструкторских и технологических изменений. Такая ситуация приводит к экспоненциальному увеличению производственной и управленческой информации, которая приобретает свойства информационных ресурсов BIG DATA. В этих условиях интенсивного наращивания объемов производства и экспоненциального роста информации ужесточаются требования Ключевые слова: типовые проектные решения, ERP, производственный процесс, машиностроение, корпорация, интеграция, организация производства, интегральный подход. Сведения об авторах:
Артюхов Александр Викторович (Москва, Россия) – кандидат технических наук, генеральный директор АО «Объединенная двигателестроительная корпорация» (105118, Москва, пр. Буденного, 16, e-mail:info@uecrus.com). Речкалов Александр Васильевич (Москва, Россия) – доктор технических наук, эксперт «Объединенная двигателестроительная корпорация» (105118, Москва, пр. Буденного, 16, e-mail:a.rechkalov@uecrus.com). Христолюбов Вячеслав Леонидович (Москва, Россия) – кандидат технических наук, директор направления информационных технологий «Объединенная двигателестроительная корпорация» (105118, Москва, пр. Буденного, 16, e-mail:cio@uecrus.com). Список литературы: 1. Гаврилов Д.А. Управление производством на базе стандарта MRP II. – СПб.: Питер, 2003. – 352 с. 2. Колесников С. MPS. – URL: http://www.osp.ru/cw/2000/13/4116/ 3. Питеркин С.В., Оладов Н.А., Исаев Д.В. Точно вовремя для России. Практика применения ERP-систем. – М.: Альпина Бизнес Букс, 2005. – 368 с. 4. Уоллас Т., Сталь Р. Планирование продаж и операций: практическое руководство: пер. с англ. – 3-е изд. – СПб.: Питер, 2010. 5. Darryl V. Landvater, and Christopher D. Gray. MRP II Standard System. A handbook for Manufacturing SoftwareSurvival. – JohnWiley&Sons, Inc., 1989. 6. James L. Riggs. Production systems: Planning, Analisis and Control. – New-York-London-Sydney-Toronto: John Wiley & Sons Inc., 1970. – 620 р. 7. Голдратт Э. Цель. Процесс непрерывного совершенствования. – М.: Попурри, 2009. 8. Голдратт Э. Цель-2. Дело не в везении. – М.: Манн, Иванов 9. Кинг У., Клиланд Д. Стратегическое планирование и хозяйственная политика: пер. с англ; предисл. Г.Б. Кочеткова. – М.: Прогресс, 1982. – 399 с. 10. Планирование ведущих позиций [Электронный ресурс]. – URL: http://help.sap.com/saphelp_afs64/helpdata/ru/f4/7d253c44af11d182b40000e829fbfe/frameset.htm (дата обращения: 11.01.2017). 11. Речкалов А.В., Дунаев Д.Н., Даутова О.Р. Развитие функциональности основного планирования ERP системы для решения задачи среднесрочного производственного планирования // Вестник УГАТУ. Автоматизация и управление технологическими процессами и производствами. – Уфа: Изд-во УГАТУ, 2012. – Т. 16, № 6(51). – С. 263–269. 12. Речкалов А.В., Дунаев Д.Н., Даутова О.Р. Сущность и содержание процесса объемно-календарного планирования // Современные тенденции в экономике и управлении: новый взгляд: сб. материалов XX Междунар. науч.-практ. конф. / под общ. ред. С.С. Чернова. – Новосибирск: СИБПРИНТ, 2013. – 229 с.
14. Артюхов А.В., Христолюбов В.Л. Современные информационные технологии в авиадвигателестроении // Двигатель: науч.-техн. журнал. – 2007. – № 2(50). – С. 6–7. 15. Артюхов А.В. Построение и эффективность ERP системы на ОАО «УМПО» [Электронный ресурс] // Деловой портал «Управление производством». – 2013. – URL: http://www.up-pro.ru/library/information_systems/ management/erp-umpo.html (дата обращения: 11.01.2017). 16. Рязанова В.А., Люшина Э.Ю. Организация и планирование производства. – М.: Академия, 2010. – 272 с. 17. Акофф Р. Планирование будущего корпораций. – М.: Прогресс, 1985. – 327 с. 18. Эшби У.Р. Введение в кибернетику. – М.: КомКнига, 19. Бадаш Х.З. Типы производства и модели планирования // Вестник Удмурт. ун-та. Сер. Экономика и право. – 2009. – Вып. 2. – С. 19–29. 20. Волчкевич И.Л. О необходимости новой классификации типов машиностроительного производства // Инженерный журнал. – 2005. – № 10. – С. 59–61. 21. Речкалов А.В., Антонов В.В., Артюхов А.В. Разработка формальной интегральной модели производственного процесса машиностроительного предприятия // Вестник УГАТУ. – 2014. – Т. 18. – 22. Типовое проектирование ИС [Электронный ресурс]. – URL: http://5fan.ru/wievjob.php?id=39025 23. Завьялов Е.Н. Шаблонные решения при внедрении системы SAPERP // Системный администратор. – 2014. – № 11(44). – С. 92–95. О разработке модели обнаружения компьютерных атак на объекты критической информационной инфраструктуры Шабуров А.С. Получена: 25.04.2018 Рассмотрена: 25.04.2018 Опубликована: 30.06.2018 ![]() Аннотация:
Обоснована актуальность проблемы компьютерных атак как наиболее опасной формы реализации угрозы информационной безопасности. Охарактеризованы информационные системы общего пользования, в наибольшей степени подверженные компьютерным атакам. Приведена оценка объектов критической информационной инфраструктуры – целей компьютерных атак. Особое внимание уделено требованиям российского законодательства, направленным на защиту критической информационной инфраструктуры. Приведена характеристика таргетированной компьютерной атаки, рассмотрены ее особенности. Предложены обобщенная структурная схема компьютерной атаки и последовательность формирования ее образа. Поставлена задача поиска эффективных алгоритмов обнаружения и анализа атак. Приведена обобщенная характеристика основных методов обнаружения и анализа компьютерных атак: методов анализа сигнатур и методов обнаружения аномальных отклонений. Проанализирована информация, необходимая для идентификации компьютерных атак. Предложены направления поиска правил для выявления эффективных способов обнаружения компьютерных атак. Поставлена задача развития алгоритмических моделей, обеспечивающих распознавание образа атаки на основании набора ее отличительных признаков. Сформулировано понятие адекватности моделей, рассмотренное в двух аспектах: адекватность прототипу и адекватность применения мер по защите информации. Приведены утверждения о целесообразности представления модели обнаружения компьютерных атак в виде композиции двух основных составляющих. Обозначена задача формирования моделей атаки на объекты критической информационной инфраструктуры. Предложена обобщенная схема формирования соответствующей модели на основе функционального подхода. Приведены необходимые аналитические выражения. Предложена теоретико-множественная модель, предполагающая построение полного множества безопасных состояний информационной системы Ключевые слова: компьютерная атака, критическая информационная инфраструктура, защита информации, нейронные сети, метод обнаружения аномалий, анализ сигнатур, теория распознавания образов, функциональный подход. Сведения об авторах:
Шабуров Андрей Сергеевич (Пермь, Россия) – кандидат технических наук, доцент кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: shans@at.pstu.ru). Список литературы:
| ||