Рассматривается проблема автоматического управления выбросами оксида азота из малоэмиссионной камеры сгорания (МЭКС) авиационного газотурбинного двигателя (ГТД) нового поколения. Поскольку технологии измерения на сегодня не достигли требуемого уровня готовности, а надежность системы автоматического управления (САУ) зависит от валидности входной информации о состоянии двигателя, предлагается использование встроенной прогностической математической модели МЭКС. Уравнения модели являются функциями измеряемых параметров. Требования компактности конструкции и существенная нелинейность горения обусловливают стохастический характер МЭКС. С учетом жестких норм ICAO на эмиссию вредных веществ это приводит к узкому диапазону устойчивых режимов работы, ограниченных, с одной стороны, нормируемым уровнем эмиссии окислов азота, а с другой – неприемлемыми в эксплуатации режимами срыва пламени или виброгорения (термоакустическими колебаниями). Предлагается создание в составе САУ гибридной модели процессов генерации вредных выбросов в МЭКС ГТД, состоящей из двух частей. Первая полуэмпирическая подмодель сочетает в себе физическое уравнение Зельдовича и замыкающий эмпирический коэффициент, являющийся функцией нескольких определяющих переменных. Эта подмодель позволяет генерировать обучающие выборки для второй подмодели в случае недостаточности экспериментальных данных. Вторая подмодель основана на нейронной сети. В статье рассматривается разработка и апробация первой подмодели, алгоритм идентификации которой строится на принятой гипотезе возможности применения принципа суперпозиции при описании взаимодействия диффузионного и гомогенного факелов. В основу алгоритма положено уравнение Зельдовича, позволяющее определить зависимость генерации окислов азота от состава топливовоздушной смеси с помощью функции распределения плотности вероятности пульсаций концентрации топливовоздушной смеси в зависимости от величины интегрального эквивалентного отношения  характеризующего концентрацию топлива в смеси. Особенностью МЭКС является наличие в жаровой трубе продольных акустических волн, возбуждаемых выделением тепла при горении с собственной частотой газовоздушного столба, приводящих к колебаниям  и обусловливающих наличие гармонических колебаний математического ожидания состава смеси. В предлагаемой работе в результате численного моделирования распределения неоднородности и пульсации концентрации топливовоздушной смеси по площади факелов в пакете CFX получены характеристики математических ожиданий и дисперсии, а также собственные частоты объекта. Аналитически рассчитаны функции распределения плотности вероятности пульсаций концентрации смеси для диффузионного и гомогенного контуров с учетом акустики камеры сгорания. Произведен анализ влияния дисперсии акустических волн на вид результирующих кривых плотности вероятности в диффузионном и гомогенном факелах. Построена модель оценки генерации окислов азота в Simulink. Произведен модельный расчет скорости генерации окислов азота и индекса эмиссии. Анализ полученных результатов показал эффективность предложенных алгоритмов для достижения необходимых показателей точности прогноза эмиссии оксида азота и надежности САУ МЭКС ГТД.

Ключевые слова: система автоматического управления, авиационный двигатель, малоэмиссионная камера сгорания, математическая модель, эмиссия, идентификация, прогноз, уравнение Зельдовича, скорость генерации, индекс эмиссии, оксид азота, плотность вероятности, акустические колебания, диффузионный факел, гомогенный факел.

Августинович Валерий Георгиевич (Пермь, Россия) – доктор технических наук, профессор, профессор кафедры авиационных двигателей, Пермский национальный исследовательский политехнический университет (Россия, 614990, Комсомольский пр., 29, e-mail: august.valery@yandex.ru).

Кузнецова Татьяна Александровна (Пермь, Россия) – кандидат технических наук, доцент, доцент кафедры конструирования и технологий в электротехнике, директор Центра дистанционных образовательных технологий, Пермский национальный исследовательский политехнический университет (Россия, 614990, Комсомольский пр., 29, e-mail: tatianaakuznetsova@gmail.com).

1. Системы автоматического управления авиационными газотурбинными двигателями / под ред. О.С. Гуревича. – М.: ТОРУС ПРЕСС, 2010. – 264 с.

2. Гольберг Ф.Д., Гуревич О.С., Петухов А.А. Математическая модель двигателя в САУ ГТД для повышения надежности и качества управления // Труды МАИ. – 2012. – № 58. – С. 13.

3. Кузнецова Т.А., Августинович В.Г. Применение технологий искусственного интеллекта для управления малоэмиссионной камерой сгорания авиационного двигателя // Информационно-измерительные и управляющие системы. – 2017. – Т.15, № 9. – С. 18–28.

4. Reddy D.R., Lee C.M. An Overview of Low-Emission Combustion Research at NASA Glenn // Proceedings of ASME Conference Turbo – Expo, Seoul, June 13–17. – 2016. – Seoul, 2016. – 9 p. DOI: 10.1115/GT2016-56100

5. Kuznetsova T.A. Band – pass filtering algorithms for adaptive control of compressor pre – stall modes in aircraft gas – turbine engine // Journal of Physics: Conference Series (IOP Pub, London). – 2018. – Vol. 1015, № 032177. – P. 10. DOI: 10.1088/1742-6596/1015/3/032177

6. Kuznetsova T.A., Avgustinovich V.G. Solving the problem of incomplete information about an automatic control object based on real – time virtual sensors // Прикладная математика и вопросы управления. – 2020. – № 2. – P. 75–95. DOI: 10.15593/2499-9873/2020.2.05

7. Kuznetsova T.A., Avgustinovich V.G. Automatic control system of low – emission combustion chamber based on neural network emission model // Proc. of RusAutoСon – 2018, Сочи, Sept. 8–14, 2018. – 6 p. Accession Number: 18168390, DOI: 10.1109/RUSAUTOCON.2018.85016813

8. Vanderhaegen E., Deneve M. Predictive Emissions Monitoring Using a Continuously Updating Neural Network // Proceedings o ASME Conf. Turbo Expo. – Glasgow, June 14–18, 2010. – Glasgow, 2010. – 9 p. DOI: 10.1115/GT2010-22899

9. Kuznetsova T.A., Avgustinovich V.G. Virtual NOx – emission sensors for aero engine control // IOP Conference Series: Materials Science and Engineering (MSE). – 2020. – Vol. 862, № 052014. – P. 6. DOI: 10.1088/1757-899X/862/5/052014.

10. Model Based Prediction of Off – Design Operation Condition NOx Emission From DLE Gas Turbine Combustors / M. Lauer, J. Färber, F. Reiß, J.E. Masalme // Proceedings ofASME Turbo Expo 2017: Turbomachinery Technical Conference and Exposition Volume 4A: Combustion, Fuels and Emissions, Charlotte, North Carolina, June 26–30. – 2017. – Vol. 4A. – P. V04AT04A003. DOI: 10.1115/GT2017-63063

11. Prediction of Combustion Efficiency and NOx Level for Diffusion Flame Combustors in HAT Cycles / A. Belokon, K. Khirtov, L. Klyachko, S. Tschepin, V. Zakharov // Proceedings of ASME Conf. Turbo Expo, Amsterdam, June 3–6, 2002. – Amsterdam, 2002. – P. 9. DOI: 10.1115/GT2002-30609

12. Концепция управления малоэмиссионной камерой сгорания авиационного ГТД и ее эксперт-модель для обучения нейронной сети смарт-регулятора / В.Г. Августинович, Т.А. Кузнецова, А.И. Фатыков, А.Д. Нугуманов // Вестник Пермского национального исследовательского политехнического университета. Аэрокосмическая техника. – 2018. – № 53. – С. 5–19.

13. Experimental Investigation on Lean Blow Out of Piloted Aero-Engine Burner / R. Bhagwan, J.C. Wollgarten, P. Habisreuther, N. Zarzalis // Proceedings of ASME Conf. Turbo Expo, Dusseldorf, June 16–20, 2014. – P. 9. DOI: 10.1115/GT2014-25199

14. Saurabh A., Moeck J. Swirl Flame Response to Simultaneous Axial and Transverse Velocity Fluctuations // Proceedings of ASME Conf. Turbo Expo, Seoul, June 13–17, 2016. – Seoul, 2016. – P. 9.  DOI: 10.1115/GT2016-57428

15. Campa G., Cademartori R. Influence of Nonlinear Flame Models on Thermoacoustic Instabilities in Combustion Chambers // Proceedings of ASME Conf. Turbo Expo, Seoul, June 13–17, 2016. – Seoul, 2016. – P. 11. DOI: 10.1115/GT2016-57129

16. Августинович В.Г., Кузнецова Т.А., Нугуманов А.Д. Разработка нейронных систем мониторинга и управления эмиссией вредных веществ для газотурбинных газоперекачивающих агрегатов и электростанций // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2019. – № 8. – С. 13. DOI 10.18799/24131830/2019/8/2207

17. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. – М.: Мир, 1989. – 540 с.

18. Вентцель Е.С.Теория вероятностей. – М.: ЮСТИЦИЯ, 2018. – 658 с.

19. Гмурман В.Е. Теория вероятностей и математическая статистика. – М.: Высшая школа, 1977. – 479 с.

20. Campa G., Juniper M.P. Obtaining Bifurcation Diagrams with a Thermoacoustic Network Model // Proceedings of ASME Conference Turbo Expo, Copenhagen, June 11–15, 2012. – Copenhagen, 2012. – P. 11. DOI: 10.1115/GT2012-62241

21. Гоноровский И.С. Радиотехнические цепи и сигналы. – М.: Радио и связь, 1986. – 511 с.

22. Lamont W.G., Roa M., Lucht R. Application of Artificial Neural Networks for the Prediction of Pollutant Emissions and Outlet Temperature in Fuel Staged Gas Turbine. Combustion Rig // Proceedings o ASME Conf. Turbo Expo, Dusseldorf, June 16–20, 2014. – Dusseldorf, 2014. – P. 10. DOI: 10.1115/GT2014-25030

Рассматривается проблема управления ремонтами оборудования в системах водоснабжения. Целью исследования является проработка вопросов возможности классификации технического состояния насосного оборудования за счет использования современных моделей машинного обучения. Классификация осуществляется на данных, которые были получены вибродиагностами при техническом обслуживании насосных агрегатов. Исходные данные пре­образуются в мел-спектрограммы, результаты преобразования представлены в качестве изображений. Модель осуществляет классификацию временных рядов по одному из трех состояний: удовлетворительное, допустимое, недопустимое. Оценка точности осуществляется при помощи вычисления таких показателей, как precision, recall, F1-score. Поскольку в исходных данных каждый класс имеет различное количество измерений, определение точности осуществляется подсчетом каждого из показателей для каждого класса в отдельности и дальнейшим их усреднением. Для классификации изображений используются сверточные нейронные сети. Для решения задачи была выбрана сеть с глубокой архитектурой ResNet-50. Выбор данной конфигурации обусловлен показателями точности, которые сеть показывала в других задачах классификации, и скоростью обучения сети. Среднее значение показателя precision достигает 0,81, recall – 0,90, а F1-score – 0,85, что является хорошим результатом для критерия top-1. Классификация мел-спектрограмм, полученных из исходных данных, дает хорошие результаты, несмотря на то что данные не были очищены от шумов. Предложенные методы и модели апробированы на реальных данных, что подтверждает возможность их использования при разработке интеллектуальной информационной системы управления техническим состоянием насосного оборудования.

Ключевые слова: насосное оборудование, классификация технического состояния, вибродиагностика, виброскорость, сверточные нейронные сети, распознавание и классификация изображений, оценка результатов точности классификации, мел-спектрограмма.

Каракулов Игорь Владимирович (Пермь, Россия) – аспирант кафедры «Вычислительная математика, механика и биомеханика», Пермский национальный исследовательский политехнический университет (Россия, 614990, г. Пермь, Комсомольский пр., 29, e-mail: karakuloviv@yandex.ru).

1. Шевцов М.Н., Шкамардина Е.А. Чрезвычайные ситуации на системах водоснабжения // Вестник науки и образования. – 2020. – №1 – 1 (79).

2. Ковалев А.В., Трушин Н.Н., Сальников В.С. Прогнозирование технического состояния технологического оборудования // Известия ТулГУ. Технические науки. – 2014. – №11 – 2.

3. Сай Ван Квонг, Щербаков М.В. Архитектура системы предсказательного технического обслуживания сложных многообъектных систем в концепции Индустрии 4.0 // Программные продукты и системы. – 2020. – №2.

4. Надежность водозаборных сооружений [Электронный ресурс] / Нормативы качества функционирования систем водоснабжения. – URL: https://mydocx.ru/2-106586.html (дата обращения: 15.04.2022).

5. Контроль состояния машин по результатам измерений вибрации на не вращающихся частях [Электронный ресурс] – URL: https://­docs.cntd.ru/document/1200008666 (дата обращения: 15.04.2022).

6. Абраменкова К.Н., Леонов Д.Г. Применение нейронных сетей для определения остаточного ресурса безотказной работы насосного оборудования нефтегазовой промышленности // Актуальные проблемы нефти и газа. – 2020. – №1 (28).

7. Клячкин В.Н., Кувайскова Ю.Е., Иванова А.В. Система статистического анализа и контроля стабильности вибраций гидроагрегата // Программные продукты и системы. – 2018. – №3.

8. Сай Ван Квонг, Щербаков М.В. Прогнозирование отказов сложных много объектных систем на основе комбинации нейросетей: пути повышения точности прогнозирования // Прикаспийский журнал: управление и высокие технологии. – 2020. – №1 (49).

9. Истомин, Д.А., Столбов В.Ю., Платон Д.Н. Экспертная система оценки технического состояния узлов электроцентробежных насосов на основе продукционного представления знаний и нечеткой логики // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». – 2020. – Т. 20, № 1. – С. 133–143. DOI: 10.14529/ctcr200113

10. Informer: beyond Efficient transformer for long sequence time – series forecasting [Электронный ресурс] / Haoyi Zhou, Shanghang Zhang, Jieqi Peng, Shuai Zhang, Jianxin Li, Hui Xiong, Wancai Zhang. – URL: https://­arxiv.org/pdf/2012.07436v3.pdf (дата обращения: 15.04.2022).

11. Chandra R., Goyal S., Gupta R. Evaluation of deep learning models for multi – step ahead time series prediction [Электронный ресурс] // IEEE Access. – 2021. – Vol. 9. – P. 83105 – 83123. – URL: https://ieeexplore.ieee.org/­abstract/document/9444453 (дата обращения: 22.02.2022).

12. Long-term series forecasting with Query Selector – efficient model of sparse attention [Электронный ресурс] / Jacek Klimek, Jakub Klimek, Witold Kraskiewicz, Mateusz Topolewski. – URL: https://arxiv.org/pdf/2107.08687v2.pdf (дата обращения: 22.02.2022).

13. Temporal fusion Transformers for interpretable multi – horizon time series forecasting / Bryan Lim, Sercan Ö. Arık, Nicolas Loeff, Tomas Pfister // International Journal of Forecasting. – 2021. – Vol. 37, iss. 4. – P. 1748 – 1764. DOI: 10.1016/j.ijforecast.2021.03.012.

14. Sima Siami-Namini, Neda Tavakoli, Akbar Siami Namin. A comparative analysis of forecasting financial time series using ARIMA, LSTM, and BiLSTM [Электронный ресурс]. – URL: https://arxiv.org/pdf/1911.09512.pdf (дата обращения: 22.02.2022).

15. Каракулов И.В., Клюев А.В., Столбов В.Ю. Прогнозирование технического состояния электроцентробежного насоса на основе нейросетевого моделирования // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. – 2020. –
Т. 20. – № 4. – С. 37–46. – DOI: 10.14529/ctcr200404.

16. Клячкин В.Н., Санталов А.А. Разработка нейронной сети для оценки исправности гидроагрегата по результатам вибромониторинга // Программные продукты и системы. – 2020. – № 4. – С. 629–634. – DOI: 10.15827/0236-235X.132.629-634.

17. Respiratory sound classification using long – short term memory [Электронный ресурс] / Chelsea Villanueva, Joshua Vincent, Alexander Slowinski, Mohammad – Parsa Hosseini. – URL: https://arxiv.org/ftp/arxiv/­papers/2008/­2008.02900.pdf (дата обращения: 22.02.2022).

18. Wei-Han Hsu, Bo-Yu Chen, Yi-Hsuan Yang. Deep learning based EDM subgenre classification using mel-spectrogram and tempogram features [Электронный ресурс]. – URL: https://arxiv.org/abs/2110.08862

19. Клестов Р.А., Клюев А.В., Столбов В.Ю. Алгоритмическая устойчивость нейронных сетей глубокого обучения при распознавании микроструктуры материалов // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. – 2021. – Т. 21, № 1. – С. 159–166. DOI: 10.14529/ctcr210114

20. Daniel Kvak, Marian Bendik, Anna Chromcova. Towards clinical practice: design and implementation of convolutional neural network – based assistive diagnosis system for COVID-19 case detection from chest X-Ray images [Электронный ресурс]. – URL: https://arxiv.org/pdf/2203.10596.pdf

Обозначена важность планирования добычи руды для горнодобывающих предприятий. Приведена созданная имитационная модель, оснащенная открытыми и нормативными данными. Показаны значительные отклонения результатов моделирования от реальных данных месячной наработки комбайнов.

Поставлена цель уточнения модели на основе имеющихся реальных данных о работе комбайнов в шахте. В качестве источника таких данных предложено использовать данные об энергопотребление двигателей комбайнов. Описан источник, из которого извлекается такая информация.

Приведена информация о двигателях комбайна, по анализу которых можно определить времена состояний комбайна. Всего таких двигателей 8, их последовательное включение и отключение позволяет понять время наступления четырех технологических операций, вносящих наибольший вклад в время работы комбайна. Приведен фрагмент алгоритма, по которому определяются соответствующие времена. Для анализа выбраны два комбайна, добыча которых сильнее всего отличается от модельной в сторону увеличения и уменьшения соответственно. Для обоих комбайнов определяются длительности выполнения отбойки руды и отгрузки руды с бункера – перегружателя на самоходный вагон.

Анализ данных комбайна, добывающего больше руды, чем получено в расчетах по модели, показал существование ранее не включенного в модель состояния комбайна – одновременной отбойки в бункер-перегружатель и отгрузка руды из бункера-перегружателя на самоходный вагон. После включения такого состояния в модель произведен новый расчет, показывающий увеличение модельного общего объёма выработки. Кроме того, произведен анализ существующей стохастической задержки при отбойке руды. Произведены расчеты, показавшие, что её статистическое распределение может соответствовать отрицательному биномиальному.

Изучение данных для комбайна, добывающего меньше модельного объёма, позволило оценить стохастическую задержку при отрузке руды. Показано, что такая задержка также может соответствовать отрицательному биномиальному распределению. Одновременное включение двух таких задержек значительно снижает общий расчетный объём добычи.

В заключение делается вывод, что одновременное добавление в модель нового состояния и стохастических задержек с отрицательным биномиальным распределением значительно снижает погрешность моделирования.

Ключевые слова: имитационное моделирование, стохастическая модель, калийная руда, горно-выемочные работы, оснащение модели, протяжка бункера-перегружателя, отбойка руды, отгрузка руды, электродвигатель, статистическое распределение, отрицательное биномиальное распределение.

Затонский Андрей Владимирович (Березники, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматизация технологических процессов», Березниковский филиал Пермского национального исследовательского политехнического университета (Россия, 618400, г. Березники, ул. Химиков, 10, e-mail: zxenon@narod.ru).

Язев Павел Александрович (Пермь, Россия) – аспирант кафедры ИТАС, Пермский национальный исследовательский политехнический университет (Россия, 618400, г. Березники, ул. Химиков, 10, e-mail: yazev1988@gmail.com).

1. Шек В.М., Соболева М.Ю. Использование имитационного моделирования для оптимизации проведения горных работ // Горный информационно-аналитический бюллетень. – 2005. – № 10. – С. 201–205.

2. Конюх В.Л. Компьютерное моделирование динамики горных работ // Горный журнал. Изв. вузов. – 2002. – № 6. – С. 16–24.

3. Копылов К.Н., Решетняк С.Н., Кубрин С.С. Имитационное моделирование системы электроснабжения выемочного участка угольной шахты // Горный информационно-аналитический бюллетень. – 2016. – № 12. – С. 40–50.

4. Разработка имитационной модели для планирования горно-выемочных работ / С.А. Варламова, Ю.И. Володина, А.В. Затонский, П.А. Язев // Горный информационно-аналитический бюллетень. – 2019. – № 10. –
С. 214–222. DOI: 10.25018/0236-1493-2019-100-214-222.

5. Проходческо-очистные комбайны «Урал» для добычи калийной руды и каменной соли / В.В. Семенов, М.А. Мальчер, В.П. Петров, С.П. Морозов // Горное оборудование и электромеханика. – 2008. – № 8. – С. 17–21.

6. Moving objects control under uncertainty / I.S. Kobersy, D.V. Shkurkin, A.V. Zatonskiy, J.I. Volodina, T.V. Safyanova // ARPN Journal of Engineering and Applied Sciences. – 2016. – Vol. 11, № 5. – P. 2830–2834.

7. Язев П.А. Оснащение модели деятельности горно – выемочного комплекса по данным об энергопотреблении // Автоматизированные системы управления и информационные технологии: материалы всероссийской научно-технической конференции. – Пермь, 2021. – Т. 1. – С. 281–284.

8. Комбайн прохоческо-очистной «Урал-20Р»: руководство по эксплуатации 41.00.00.000.РЭ

9. Применение имитационного моделирования для оценки вариантов отработки выемочного блока короткими забоями / В.В. Зиновьев, А.Н. Стародубов, П.И. Николаев, И.С. Кузнецов // Горный информационно-анали­тический бюллетень. – 2018. – № 48. – С. 181–193. DOI: 10.25018/0236-1493-2018-11-48-181-193    

10. Непша Ф.С., Воронин В.А., Ермаков А.Н. Методология имитационного компьютерного моделирования системы электроснабжения выемочного участка угольной шахты // Горное оборудование и электромеханика. – 2020. – № 6(152). – С. 59–67.

11. Кузнецов И.С. Зиновьев В.В., Стародубов А.Н. Исследование влияния внеплановых простоев горных машин на добычу угля открыто-под­земным способом методом имитационного моделирования // Уголь. – 2020. –
№ 9. – С. 10–13. DOI: 10.18796/0041-5790-2020-9-10-13.

12. Okolnishnikov V.V., Rudometov S.V. A System for Computer Simulation of Technological Processes. // St. Petersburg State Polytechnic University Journal. Computer Science. Telecommunications and Control Systems. – 2014. – Vol. 181, iss. 1. – P. 62–68.

13. Wang G., Zhao G., Ren H. Analysis on key technologies of intelligent coal mine and intelligent mining, Meitan Xuebao // J. China Coal Soc. – Vol. 44 (1). – 2019. – P. 34–41.

14. Затонский А.В., Уфимцева В.Н. Разработка объектных средств имитационного и многоагентного моделирования производственных процессов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2018. – № 4. – С. 56–62.

15. Затонский А.В., Язев П.А. Исследование влияния выбора моделей статистических распределений случайной величины на результаты моделирования горно – выемочных работ // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. – 2021. – Т. 21, № 3. – С. 130–137.

Крайнее обострение военно-политической нестабильности в мире, введение Соединенными Штатами Америки и другими странами Запада огромного количества разнообразных санкций против России создало для промышленных предприятий нашей страны весьма сложные условия для ведения бизнеса. В связи с этим особенно важными представляются вопросы формирования методологии стратегического и оперативного управления промышленными предприятиями, которым необходимо обеспечить выживание и дальнейшее развитие, несмотря на вредоносное воздействие западных государств и сложнейшие проблемы с ресурсным обеспечением производств, а также реализации продукции за границами Российской Федерации.

Рассматриваются основные направления развития научной мысли в области стратегического и оперативного управления промышленными предприятиями, в том числе в современных условиях, характеризующихся не только военно-политическим обострением ситуации в мире, но и во многом связанным с этим процессом возникновением экономических кризисов в крупнейших регионах Америки и Европы.

Предложен новый агрегированный алгоритм управления промышленными предприятиями как на стратегическом, так и на операционном уровне, основанный на математических моделях и методах с учетом особенностей современных отраслевых рынков. Отмечается также, что современная мировая экономика подвержена циклическим явлениям в силу самой природы капиталистических отношений, а не только из желания западного мира уничтожить Россию и ее мощный промышленный потенциал.

Также представлен ряд разработанных авторами математических моделей для оценки производственной эффективности промышленных предприятий как для вариантов функционирования производственных компаний в условиях стабильной внешней среды и повышенного спроса на продукцию предприятий, так и для условий их работы в периоды кризисных явлений. Наиболее актуальными сегодня являются модели выбора стратегических решений в условиях глобального кризиса.

Таким образом, предложена методология подготовки принятия управленческих решений руководством промышленных предприятий, обеспечивающая минимизацию затрат на производство и реализацию готовой продукции, а также целесообразность технического перевооружения предприятиями в различные периоды функционирования мировой экономики. Сообщается также о том, как предложенная методология стратегического и оперативного управления промышленными предприятиями в еще совсем недавнем прошлом позволяла российским производственным компаниям достичь достаточно высоких показателей работы и конкурентоспособности на международном уровне.

Ключевые слова: стратегическое управление, оперативное управление, глобальная нестабильность, промышленное предприятие.

Логиновский Олег Витальевич (Челябинск, Россия) – доктор технических наук, профессор, заведующий кафедрой информационно-аналитического обеспечения управления в социальных и экономических системах, Южно-Уральский государственный университет (Национальный исследовательский университет) (Россия, 454080, г. Челябинск, пр. Ленина, 76, e-mail: loginovskiyo@ mail.ru).

Голлай Александр Владимирович (Челябинск, Россия) – доктор технических наук, доцент, директор Высшей школы электроники и компьютерных наук Южно-Уральский государственный университет (Национальный исследовательский университет) (Россия, 454080, Челябинск, пр. Ленина, 76, e-mail: alexander@hollay.ru).

Шестаков Александр Леонидович (Челябинск, Россия) – доктор технических наук, профессор, ректор, Южно-Уральский государственный университет (Национальный исследовательский университет) (Россия, 454080,
г. Челябинск, пр. Ленина, 76, e-mail: admin@susu.ru).

Коренная Кристина Александровна (Новокузнецк, Россия) – кандидат технических наук, генеральный директор АО «Кузнецкие ферросплавы» (Россия, 654077, г. Новокузнецк, ул. Обнорского, 170, e-mail: kkris221@mail.ru).

1. Лайкер Дж. К. Toyota: 14 принципов менеджмента ведущей компании мира. – М.: Альпина паблишер, 2013. – 398 с.

2. Masaaki Imai. Gemba Kaizen. A Commonsense Approach to a Continuous Improvement Strategy. – York City, McGraw-Hill Education, 2012. – 180 p.

3. Eliyahu M. Goldratt. The Goal: A Process of Ongoing Improvement. – Great Barrington, The North River Press, 2004. – 249 p.

4. O'Leary D. ERP Systems – Modern Enterprise Resource Planning and Management // Journal of Emerging Technologies in Accounting. – 2004. – №1. – P. 63–72.

5. Битти Р.К., Уильямс К.Д. ERP II: передовой опыт успешного внедрения обновления ERP // Сообщения ACM. – 2006. – № 49 (3). – С. 105–109.

6. Griffin Ricky W. Management. – Boston, Cengage Learning, 2016. – 340 p.

7. Koritsky E.B., Nincieva G.V, Shetov V.H. Scientific management: Russian history. – St. Petersburg, Peter, 1999. – 258 p.

8. Гастев А.К. Как надо работать. – М.: Экономика, 1972. – 478 с.

9. Гастев А.К. Трудовые установки. – М.: ЛИБРОКОМ, 2011. – 344 с.

10. Davies R.W. Soviet Economic Development from Lenin to Khrushchev. – Cambridge, Cambridge University Press, 1998. – 124 p.

11. Marple D.R. The Collapse of the Soviet Union, 1985–1991. – Milton, Routledge, 2016. – 192 p.

12. Бражников М.А. Стратегические приоритеты машиностроительного комплекса: инновационное развитие предприятий. – М.: Дашков и К, 2015. – 212 с.

13. Брыкалов С.М. Стратегическое управление промышленными предприятиями атомной отрасли на основе многоуровневого подхода. – М.: Ваш полиграфический партнер, 2014. – 293 с.

14. Introduction to theory of control in organizations / V. Burkov, M. Goubko, N. Korgin, D. Novikov. – London, CRC Press, 2015. – 174 p.

15. Burkov V.N., Novikov D.A., Shchepkin A.V. Control Mechanisms for Ecological – Economic Systems. – Berlin: Springer, 2015. – 195 p.

16. Эффективное управление организационными и производственными структурами / О.В. Логиновский, А.В. Голлай, О.И. Дранко, А.Л. Шестаков, А.А. Шинкарев. – М.: ИНФРА-М, 2020. – 450 с.

17. Kinick A. Management: A Practical Introduction. – New York City, McGraw – Hill Education, 2019. – 288 p.

18. Управление промышленными предприятиями: стратегии, механизмы, системы / О.В. Логиновский, А.А. Максимов, В.Н. Бурков, И.В. Буркова, К.А. Коренная, А.Л. Шестаков. – М.: ИНФРА-М, 2018. – 410 с.

19. Математическая модель определения продажной цены продукции, гарантирующей безубыточность основного вида деятельности промышленного предприятия с заданной вероятностью / К.А. Коренная, О.В. Логиновский, А.А. Максимов, А.В. Баль // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. – 2014. – Т. 14, № 4. – С. 133–138.

20. Кондратьев Н.Д., Яковец Ю.В., Абалкин Л.И. Большие циклы конъюнктуры и теории предвидения. – М.: Экономика, 2002. – 767 с.

21. Глазьев С.Ю. Современная теория длинных волн в экономическом развитии // Экономическая наука современной России. – 2012. – № 2(57). –
С. 27–42.

22. Durand R. Organizational Evolution and Strategic Management. – New York: SAGE Publications Ltd, 2006. – 200 p.

23. Robinson T.R. International Financial Statement Analysis (CFA Institute Investment Series). – New York: Wiley, 2008. – 864 p.

24. Rice – Johnston W. Tactical Management: A Management Model for Challenging Times: Managing the Paradox. – Boston: Cengage Learning EMEA, 1999. – 420 p.

25. Womack J.P., Jones D.T. Lean Thinking: Banish Waste and Create Wealth in Your Corporation. – New York: Free Press, 2010. – 393 p.

В настоящий момент прослеживается увеличение объема задач для подразделений Росгвардии по охране объектов различной степени важности, в частности объектов на коммуникациях. Оценка эффективности состояния защищенности указанных объектов дает возможность осуществить верную стратегию распределения сил и средств, что позволит обеспечить безопасность объекта.

В работе предлагается модель расчета показателя оценки состояния защищенности объекта на коммуникациях на основе данных экспертного опроса, которая позволит оценить эффективность построения системы защиты охраняемого объекта. Разработанную модель предполагается усовершенствовать и на основе ее создать методику по оценки эффективности применения подразделений при охране объектов на коммуникациях.

Ключевые слова: объекты на коммуникациях, моделирование, оценка защищенности охраняемого объекта, Росгвардия, экспертный опрос, матрица парных сравнений, коэффициент конкордации, критерий Пирсона, фактор состояния, матрица рангов.

Старенков Илья Александрович (Пермь, Россия) – начальник учебной лаборатории (web-технологий) кафедры программного обеспечения вычислительной техники и автоматизированных систем, Пермский военный институт войск национальной гвардии Российской Федерации (Россия, 614112, г. Пермь, ул. Гремячий Лог, 1, e-mail: ilya_starenkov@mail.ru).

Мельников Александр Владимирович (Воронеж, Россия) – доктор технических наук, доцент, заведующий кафедрой правовой информатики, информационного права и естественнонаучных дисциплин, Центральный филиал ФГБОУВО «Российский государственный университет правосудия» (Россия, 394006, г. Воронеж, ул. 20-летия Октября 95, e-mail: meln78@mail.ru).

Ахлюстин Сергей Борисович (Воронеж, Россий) – кандидат технических наук, старший преподаватель кафедры радиотехнических систем и комплексов охранного мониторинга, Воронежский институт МВД России (Россия, 394065, г. Воронеж, проспект Патриотов 53, e-mail: cerg7676@yandex.ru).

1. Росгвардия показала работу особой морской бригады, которая занимается охраной моста через Керченский пролив [Электронный ресурс]. – URL: https://rosguard.gov.ru/ru/page/index/rosgvardiya-pokazala-rabotu-osoboj-morskoj-brigady-kotoraya-zanimaetsya-oxranoj-mosta-cherez-ker ch enskij-proliv (дата обращения: 10.10.2021).

2. Оленин Ю.А. Основы систем безопасности объектов: учебное пособие. Часть 1. Введение в системы охранной безопасности. – Пенза: Инф.-изд. Центр ПГУ, 2002. – 155 с.

3. Garsia M. Design and Evaluation of Physical Protection Systems. – 2nd edition. – Butterworth – Heinemann, 2007. – 370 p.

4. Рогожин А.А., Дурденко В.А. Логико-вероятностное моделирование оценки уровня защищенности охраняемых объектов путем анализа безопасности и надежности интегрированных систем безопасности // Математические методы и информационно-технические средства: труды VIII Всероссийской научно-практической конференции, Краснодар, 22–23 июня 2012 г. / Министерство внутренних дел Российской Федерации, Краснодарский университет; редакционная коллегия: Н.Н. Фролов, Е.В. Михайленко, И.Н. Старостенко. – Краснодар: ФГКОУВПО «Краснодарский университет МВД РФ», 2012. – С. 188–193.

5. Рычаго М.Е. Универсальная модель оценки эффективности системы охраны периметра исправительного учреждения // Вестник Воронежского института ФСИН России. – 2020. – № 1. – С. 119–127.

6. Царькова Е.Г. Применение методов математического моделирования при анализе эффективности системы защиты объекта // Вестник ФКУ НИИИТ ФСИН России. Тверь: ФКУ НИИИТ ФСИН России, 2018. – С. 228–238.

7. Старенков И.А. Анализ проблем оценки и управления рисками при охране объектов особой важности // Национальная безопасность России: актуальные аспекты: сборник статей всероссийской научно-практической конференции, Санкт-Петербург, 30 июля 2019 года. – СПб.: ЧНОУДПО ГНИИ «НАЦРАЗВИТИЕ», 2019. – С. 158–162.

8. Старенков И.А. Моделирование рисков при охране особо важных объектов подразделениями Росгвардии // Академический вестник войск национальной гвардии Российской Федерации. – 2020. – № 3. – С. 50–53.

9. Бондаренко Ю.А., Шипулин А.В. Участие сотрудников вневедомственной охраны Росгвардии в обеспечении антитеррористической защищенности объектов различных категорий и возникающие при этом проблемные вопросы // Актуальные проблемы борьбы с преступлениями и иными правонарушениями. – 2020. – № 20 – 1. – С. 199–201.

10. Мельников А.В. Кластерно-иерархические методы экспертизы технических и экономических объектов: специальность 05.13.18 «Математическое моделирование, численные методы и комплексы программ»: автореф. дис. … д-ра техн. наук. – Воронеж, 2014. – 32 с.

11. Жилин Р.А., Мельников А.В., Щербакова И.В. Численный метод предварительной экспертизы альтернатив нарушителей охраны объектов общекриминальной направленности // Вестник Воронежского института МВД России. – 2019. – № 3. – С. 46–54.

12. Кабанов В.А., Комарова Е.С. Использование метода конкордации в оценке уровня согласованности экспертных мнений // Реакция региональной экономики на внешние вызовы: материалы межвузовской научно-практи­ческой конференции, Владимир, 18 ноября 2016 года. – Владимир: Владимирский филиал ФГБОУВО «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации», 2016. – С. 39–42.

13. Чегодаев А.И. Математические методы анализа экспертных оценок // Вестник Самарского государственного экономического университета. – 2010. – № 2(64). – С. 130–135.

14. Широков И.В., Седина М.С. Математическое моделирование и сравнительный анализ методов обработки экспертных оценок // Modern Science. – 2020. – № 5 – 1. – С. 421–425.

15. Данилова О.Ю., Меньших В.В., Синегубов С.В. Правовая статистика: методы и модели: учебное пособие. – Воронеж: Воронежский институт МВД России, 2018. – 302 с.

16. Ламбин А.И. Моделирование неструктурированных задач в бурении // Науки о Земле и недропользование. – 2019. – Т. 42, № 4(69). – С. 502–510. – DOI 10.21285/2686-9993-2019-42-4-502-510.

В статье представлен программный комплекс, позволяющий осуществлять поддержку проектирования учебно-методических материалов преподавателем дисциплин гуманитарного и социально-экономического цикла. Представлены проблемы организации дидактического проектирования преподавателем вуза с необходимостью составления непосредственно педагогом-экспертом опорных конспектов лекций и других методических материалов, включающие в себя необходимость отбора ряда литературных источников с учетом их специфики под разные образовательные задачи и виды учебной деятельности. Обсуждаются проблемы адаптации и разработки методических материалов под изменения в онтологии предметной области, например, в связи с меняющимися трендами в научной среде, когда трансформируются устоявшиеся позиции, что порождает проблему преподавателю дополнительно заниматься дидактическим проектированием и корректировать учебно-методические материалы. Таким образом, налицо актуальность автоматического анализа текстовых материалов, который значительно сократит трудоемкость этого процесса при разработке, внесении изменений и адаптации курсов гуманитарной и социально-экономической направленности. Проанализирован пошаговый процесс перехода от компетентностно-ориентированных требований предметной области к функциональным требованиям информационной системы, на основе чего была сформулирована модель принятия решений, максимально близко имитирующая процесс дидактического проектирования, подлежащий автоматизации, и позволяющая использовать программные средства для управления его логикой. Представлены результаты инфологического и физического проектирования системы, включающие в себя модель базы данных и диаграмму развертывания с использованием объектно-ориентированного языка моделирования. Обсуждаются методы и инструменты программной реализации приложения с обоснованием актуальности их выбора для программного решения поставленной задачи. Результаты работы системы подтверждают ее функциональную пригодность, а результаты апробации позволяют судить о значительном сокращении трудоемкости процесса дидактического проектирования преподавателем. Разработанный инструмент может найти широкое применение как при разработке учебно-методических материалов основной литературы, так и для методического оснащения организации самостоятельной работы обучающихся.

Ключевые слова: дидактическое проектирование, информационные технологии, учебно-методические материалы, гуманитарные дисциплины, социально-экономические дисциплины, информационные технологии, информационные технологии в образовании, информационные технологии в социальной сфере, рекомендательные системы, системы поддержки принятия решений.

Коцюба Игорь Юрьевич (Санкт-Петербург, Россия) – кандидат технических наук, доцент, факультет технологического менеджмента и инноваций, Университет ИТМО (Россия, 197101, г. Санкт-Петербург, Кронверкский проспект, 49, литер А, e-mail: ikotciuba@itmo.ru).

Соколов Сергей Александрович (Санкт-Петербург, Россия) – студент, факультет среднего профессионального образования, Университет ИТМО (Россия, 197101, г. Санкт-Петербург, Кронверкский проспект, 49, литер А, e-mail: sokolovserej@gmail.com)

Шиков Алексей Николаевич (Санкт-Петербург, Россия) – кандидат технических наук, доцент, доцент, факультет программной инженерии и компьютерной техники, Университет ИТМО (Россия, 197101, г. Санкт-Петербург, Кронверкский проспект, 49, литер А, e-mail: shikov@itmo.ru)

Валдайцева Мария Викторовна (Санкт-Петербург, Россия) – преподаватель, факультет технологического менеджмента и инноваций, Университет ИТМО (Россия, 197101, г. Санкт-Петербург, Кронверкский проспект, 49, литер А, e-mail: mvvaldaitceva@itmo.ru).

1. Юргина Л.А. Дидактическое проектирование в структуре профессиональной деятельности педагога // Гуманизация образования. – 2010. −
№ 2. − C. 112−118.

2. Ткаченко А.А. Учебно-методический комплекс дисциплины как средство творческой самореализации преподавателя вуза // Современная высшая школа: инновационный аспект. − 2012. − №2. − С. 8−13.

3. Емелина М.В. Принципы разработки учебно-методических пособий при обучении иностранному языку студентов неязыковых направлений подготовки // Карельский научный журнал. − 2018. − Т. 7, №1 (22). − С. 34−36.

4. Модульно-компетентностный подход формирования общей культуры и гуманитарной образованности студентов профессиональной школы в преподавании гуманитарных дисциплин / Р.Х. Гильмеева, Л.П. Тихонова, Л.Ю. Мухаметзянова, Г.А. Шайхутдинова // Казанский педагогический журнал. − 2011. − №2 (86). − С. 21−32.

5. Нуриев Н.К., Старыгина С.Д., Гибадуллина Э.А. Дидактическая инженерия: проектирование систем обучения нового поколения // Интеграция образования. − 2016. − Т.20. − №3 (84). − С. 393−406.

6. Тренин И.В. Проектирование интеграции информационных и дидактических ресурсов в образовательном процессе военного вуза // Педагогическое образование в России. − 2016. − №5. − С. 52−56.

7. Гильмеева Р.Х., Тазетдинова Г.М. Инновационные технологии формирования гуманитарной компетентности студентов // Вестник Казанского государственного университета культуры и искусств. − 2015. − №2−2. −
С. 64−67.

8. Стебеняева Т.В., Ларина Т.С. Структурирование требований к педагогической деятельности при разработке проектов личностно-ориентированных электронных образовательных ресурсов // Проблемы и перспективы развития образования в России. − 2014. − №26. − С. 56−61.

9. Неворотов Б.К. Категориальные схемы в универсализации проектирования дидактического взаимодействия // Вестник Омского университета. − 2018. − Т.23. − №2. − С. 166−171.

10. Семеновских Т.В. Технологии e-learning обучения в проектировании электронных учебников по гуманитарным дисциплинам // Вестник евразийской науки. − 2014. − №6 (25). − С. 1.

11. Назарова Л.В., Гринберг Г.М. Разработка учебно-методических материалов на основе образовательных информационных технологий // Актуальные проблемы авиации и космонавтики. − 2010. − Т.2. − №6. − С. 425−426.

12. Пермяков О.Е. Электронное обучение: дидактическое проектирование курсов // Образовательная политика. − 2019. − №4 (80). − С. 91−103.

13. Коцюба И.Ю., Чунаев А.В., Шиков А.Н. Основы проектирования информационных систем: учебное пособие. – СПб.: Университет ИТМО, 2015. – 206 с.

14. Коцюба И.Ю., Чунаев А.В., Шиков А.Н. Методы оценки и измерения характеристик информационных систем: учебное пособие. – СПб.: Университет ИТМО, 2015. – 264 с.

15. Подробнее о технологии Java [Электронный ресурс] // JAVA.COM –URL: https://www.java.com/ru/about (дата обращения 02.12.2021).