Актуальность и цель. Эмоции человека могут выражаться по нескольким модальным системам: речь, мимика и микроэкспрессии лица, глазодвигательная активность, движение
и позиции тела, биохимический анализ крови и др. Наиболее перспективным и адаптивным
к современным условиям деятельности человека является способ распознавания эмоций на основе анализа речевых сигналов. Точность распознавания эмоций человека зависит от корректного выделения информативных параметров, отражающих эмоциональную составляющую речи. Целью данной работы является исследование информативных параметров вокализованной речи, релевантных нарушениям работы органов речевого аппарата вследствие эмоционального стрессового возбуждения человека. Материалы и методы. В рамках исследования использовалась уникальная адаптивная технология анализа нестационарных данных – улучшенная полная множественная декомпозиция на эмпирические моды с адаптивным шумом. Исследования были реализованы в среде математического моделирования MatLab. Результаты. Разработан способ обработки вокализованной речи для применения в интеллектуальных системах распознавания стрессовых состояний человека. Способ основан на принципе, что вокализованная речь в полном объеме отражает нарушение работы органов речевого аппарата вследствие эмоционального стресса. Суть способа заключается в разложении вокализованной речи на эмпирические моды
с помощью улучшенной декомпозиции, в выделении мод, содержащих периодическую информацию об источнике возбуждения голосового тракта и в формировании комплексного сигнала, отражающего информацию о глоттальной активности во время вокализации речи. Приведены результаты исследования способа, представляющие собой вычисление частоты основного тона 100 мультигармонических сигналов с модуляцией в диапазоне 0–2,5 Гц/мс с шагом 0,5 Гц/мс. Модуляция имитировала нерегулярность колебаний голосовых связок (30–40 % от номинального значения), возникающих вследствие эмоционального стрессового возбуждения человека. Практическая значимость. В соответствии с результатами исследований предложенный способ обработки вокализованной речи обеспечивает устойчивое измерение частоты основного тона,
в том числе и при наибольшем значении модуляции 2,5 Гц/мс. На основе этого сделан вывод, что предложенный способ может успешно тестироваться в интеллектуальных системах распознавания стрессовых состояний человека.

Ключевые слова: интеллектуальные системы, распознавание эмоций человека, стресс, обработка речевых сигналов, вокализованная речь, декомпозиция на эмпирические моды.

Алимурадов Алан Казанферович (Пенза, Россия) – кандидат технических наук, доцент кафедры «Радиотехника и радиоэлектронные системы» Пензенского государственного университета (440026, Пенза, ул. Красная, 40, e-mail: alansapfir@yandex.ru).

Тычков Александр Юрьевич (Пенза, Россия) – кандидат технических наук, доцент кафедры «Радиотехника и радиоэлектронные системы» Пензенского государственного университета (440026, Пенза,
ул. Красная, 40, e-mail: tychkov-a@mail.ru).

1. Проектная компания и исследовательская лаборатория в области аффективных наук и когнитивных технологий: официальный сайт [Электронный ресурс]. – URL: https://neurodatalab.com (дата обращения: 18.05.2020).
2. Schuller B.W., Batliner A.M. Computational Paralinguistics: Emotion, Affect and Personality in Speech and Language Processing. – New York: Wiley, 2013. – P. 344.
3. Алимурадов А.К., Фокина Е.А., Журина А.Е. Краткий обзор существующих баз данных эмоциональной речи: современное состояние, проблемы и перспективы развития // Методы, средства и технологии получения и обработки измерительной информации («Шляндинские чтения – 2020»): материалы XII Междунар. науч.-техн. конф. с элементами науч. шк. и конкурсом науч.-исслед. работ для студ., аспирант. и молод. ученых (г. Пенза, 16–18 марта 2020 г.) / под ред. д-ра техн. наук Е.А. Печерской. – Пенза: Изд-во Пенз. ГУ, 2020. – С. 292–294.
4. Мобильное приложение для сбора диагностической информации посредством регистрации речевых сигналов / А.Н. Осипов, М.М. Меженная, Т.П. Куль, Я.Ю. Бобровская, Ю.Н. Рушкевич, С.А. Лихачев // Bigdata and advanced analytics. – 2018. – № 4. – С. 346–350.
5. Куль Т.П., Рушкевич Ю.Н., Лихачев С.А. Адаптация методов цифровой обработки сигналов к задаче анализа речи при неврологических патологиях // Доклады Белорус. гос. ун-та информатики и радиоэлектроники. – 2018. – № 7(117). – С. 128–132.
6. Давыдова А.Ю. Оценка эмоционального состояния человека по параметрам речевого сигнала // Биотехнические, медицинские и экологические системы, измерительные устройства и робототехнические комплексы – Биомедсистемы-2019: сб. тр. XХХII Всерос. науч.-техн. конф. студ., молод. ученых и спец. (г. Рязань, 4–6 декабря 2019 г.) / под общ. ред. В.И. Жулева. – Рязань: ИП Коняхин А.В. (BookJet), 2019. – С. 348–351.
7. Методическое и аппаратно-программное обеспечение для регистрации и обработки речевых сигналов с целью диагностики неврологических заболеваний / Т.П. Куль, М.М. Меженная, Ю.Н. Рушкевич, А.Н. Осипов, С.А. Лихачев, И.В. Рушкевич // Информатика. – 2019. – Т. 16, № 2. – С. 27–39.
8. Прохоренко Е.И., Соколова В.С., Колесников В.А. Выделение признаков эмоционально окрашенной речи в звукозаписи // Студенчество России: век XXI: материалы VI Всерос. молодеж. науч.-практ. конф.: в 4 ч. (г. Орел, 13 декабря 2018 г.). – Орел: Изд-во Орлов. гос. аграрного ун-та им. Н.В. Парахина, 2019. – С. 184–187.
9. Гай В.Е., Утробин В.А., Поляков И.В. Система оценки психоэмоционального состояния диктора по голосу // Сложность. Разум. Постнеклассика. – 2016. – № 2. – С. 75–80.
10. Астахов Д.А., Катаев А.В. Использование современных алгоритмов машинного обучения для задачи распознавания эмоций // Cloud of Science (Москва). – 2018. – Т. 5, № 4. – С. 664–679.
11. Способ определения формантной разборчивости речи для оценки психоэмоционального состояния операторов систем управления с высокой степенью ответственности / А.К. Алимурадов, А.Ю. Тычков, П.П. Чураков, Б.В. Султанов // Измерение. Мониторинг. Управление. Контроль. – 2019. – № 4(30). – С. 58–69.
12. Помехоустойчивый алгоритм определения просодических характеристик речевых сигналов для систем оценки психоэмоционального состояния человека / А.К. Алимурадов, А.Ю. Тычков, П.П. Чураков, Д.В. Артамонов // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2019. – № 3(51). – С. 3–16.
13. Алимурадов А.К., Тычков А.Ю., Чураков П.П. Способ автоматизированной сегментации речевых сигналов для определения временных паттернов естественно выраженных психоэмоциональных состояний // Измерение. Мониторинг. Управление. Контроль. – 2019. – № 3(29). – С. 48–60.
14. Выбор оптимального набора информативных признаков для классификации эмоционального состояния диктора по голосу / А.Г. Давыдов, В.В. Киселёв, Д.С. Кочетков, А.В. Ткаченя // Компьютерная лингвистика и интеллектуальные технологии: материалы ежегодной междунар. конф. «Диалог» (Бекасово, 30 мая – 3 июня 2012 г.): в 2 т. – М.: Изд-во РГГУ, 2012. – Т. 1. – № 11. – С. 122–128.
15. Huang N.E., Zheng Sh., Steven R.L. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proceedings of the Royal Society of London. – 1998. – A 454. – P. 903–995.
16. Zhaohua W., Huang N.E. Ensemble empirical mode decomposition: A noise-assisted data analysis method // Advances in Adaptive Data Analysis. – 2009. – No. 1(1). – P. 1–41.
17. Yeh J.-R., Shieh J.-S., Huang N.E. Complementary ensemble empirical mode decomposition: A novel noise enhanced data analysis method // Advances in Adaptive Data Analysis. – 2010. – No. 2(2). – P. 135–156.
18. A complete Ensemble Empirical Mode decomposition with adaptive noise / M.E. Torres, M.A. Colominas, G. Schlotthauer, P. Flandrin // 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP-11) (May 22–27, 2011). – Prague, Czech Republic, 2011. – P. 4144–4147.
19. Colominasa M.A., Schlotthauera G., Torres M.E. Improved complete ensemble EMD: a suitable tool for biomedical signal processing // Biomed. Signal Proces. – 2014. – Vol. 14. – P. 19–29.
20. Sharma R., Prasanna S.R.M. Characterizing glottal activity from speech using empirical mode decomposition // 2015 21st National Conference on Communications (NCC) (27 February–1 March, 2015). – Mumbai, India. – P. 1–6.
21. Lee H.S. Improvement of decomposing results of empirical mode decomposition and its variations for sea-level records analysis // Journal of Coastal Research: proceedings of the 15th International Coastal Symposium. – 2018. – No. 85. – P. 526–530.
22. Алимурадов А.К. Алгоритм измерения частоты основного тона речевых сигналов на основе комплементарной множественной декомпозиции на эмпирические моды // Измерительная техника. – 2016. – № 12. – С. 53–57.
23. Huang, X., Acero A., Hon H.-W. Spoken Language Processing. Guide to Algorithms and System Developmen // Prentice Hall. – New Jersey, 2001. – P. 980.

Определение допустимых рабочих токов в условиях изменения количества линий кабельного канала, в аварийных режимах сопровождается определенными трудностями ввиду большого количества оказывающих влияние факторов. Является актуальным вопрос использования численного моделирования при эксплуатации и проектировании кабельных сооружений сложной конструкции. Цель исследования: разработка системы управления процессом распределения электрической энергии в кабельном канале для повышения эффективности использования
и обеспечения безопасной эксплуатации силовых кабелей. Результаты: построена структурная схема системы управления токовой загрузкой кабельного канала с использованием математической модели с целью проверки допустимости перспективных нагрузочных режимов. Исследовалась задача оценки тепловых режимов работы кабельного канала в условиях изменяющихся нагрузок. Построена математическая модель процессов термодинамики в подземном кабельном канале, включающем в себя несколько кабельных линий, расположенных в трубах и нагруженных неравномерно. Получено температурное поле канала в условиях исходного рабочего режима. Исследован перспективный режим работы канала в условиях прокладки дополнительной двухцепной кабельной линии в резервных трубах. Получены температурные поля в канале с дополнительными линиями. Исследованы аварийные режимы работы кабельного канала, которые могут привести к существенному разогреву кабельных линий. Получены температурные поля канала в условиях аварийных режимов работы. Оценены изменения температуры наиболее разогретых в исходном режиме кабельных линий с целью контроля непревышения предельно допустимых значений. Практическая значимость: разработанная система управления с использованием математической модели может быть использована при проектировании, а также эксплуатации кабельных сооружений сложной формы.

Ключевые слова: численная модель, кабельный канал, температурное поле.

Труфанова Наталия Михайловна (Пермь, Россия) – доктор технических наук, профессор, заведующая кафедрой «Конструирование и технологии в электротехнике» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: ktei@pstu.ru).

Кухарчук Ирина Борисовна (Пермь, Россия) – аспирантка кафедры «Конструирование и технологии в электротехнике» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: kuharchuk_ib@mail.ru).

1. Кучеров Ю.Н. Проблемы обеспечения безопасности потребителей и объектов электроэнергетики при нарушениях работы энергосистемы // Энергетик. – 2007. – № 8. – С. 8–12.
2. Полещук С.И. О теплотехнических расчетах кабелей с изоляцией из сшитого полиэтилена. Ч. 1: Допустимые токовые нагрузки // Электроэнергия. Передача и распределение. – 2017. – № 2. – С. 60–70.
3. Григорьева М.М., Кузнецов Г.В. Тепломассоперенос в условиях электрической перегрузки кабельных линий // Известия Томск. политехн. ун-та. – 2010. – Т. 316. – № 4. – С. 34–38.
4. Полуянович Н.К., Дубяго М.Н. Прогнозирование ресурса изоляционных материалов кабельных линий с использованием метода искусственных нейронных сетей // Математические методы в технике и технологиях. – 2020. – Т. 1. – С. 118–122.
5. Удовиченко О.В. Температурный мониторинг кабельных линий высокого напряжения на основе кабелей с изоляцией из сшитого полиэтилена // Линии электропередачи 2008: проектирование, строительство опыт эксплуатации и научно-технический прогресс: материалы III Рос. науч.-практ. конф. с междунар. участ. – Новосибирск, 2008. – С. 301–304.
6. Ларин Ю.Т. Применение системы температурного мониторинга с помощью оптического кабеля для контроля распределения температуры вдоль электрического силового кабеля // Кабель-news. – 2009. – № 8. – С. 48–53.
7. Якунин А.В. Мониторинг теплового режима эксплуатации кабельных линий 110–500 кВ // Линии электропередачи 2010: проектирование, строительство опыт эксплуатации и научно-технический прогресс: материалы IV Рос. науч.-практ. конф. с междунар. участ, Новосибирск, 2010. – С. 306–310.
8. Real Time Monitoring of Power Cables by Fibre Optic Technologies. Tests, Applications and Outlook / G.J. Anders, J.-M. Braun, A. Downes John, N. Fujimoto, M-H. Luton, S. Rizzetto // 6th International Conference on Insulated Power Cables (JiCable'03). – Paris, 2003.
9. Kukharchuk I.B., Trufanova N.M. Control of Electrical Energy Distribution in a Cable Channel // Russian Electrical Engineering. – 2019. – Vol. 90. – No. 11. – P. 703–708. DOI: 10.3103/S1068371219110099
10. Дмитриев М.В. Система поправочных коэффициентов при выборе кабелей // Электроэнергия. Передача и распределение. – 2017. – № 4. – С. 84–90.
11. Tsui Y.T. On heat transfer between cable and its surrounding pipe or duct wall // IEEE Transactions on Power Apparatus and Systems. – 1983. – Vol. PAS-102. – Iss. 5. – P. 1249–1252. DOI: 10.1109/TPAS.1983.318070
12. Халитов В. Кабели со СПЭ-изоляцией. Расчет блочной канализации // Новости электротехники. – 2017. – № 5(107)–6(108). – С. 72–78.
13. Зализный Д.И., Прохоренко С.Н. Математическая модель тепловых процессов одножильного силового кабеля // Энергетика. Известия высших учебных заведений и энергетических объединений СНГ. – 2012. – № 5. – С. 25–34.
14. Карагодин В.В., Рыжий Н.В., Смирнов С.В. Оценка влияния тепловых процессов на потери электроэнергии в кабельных линиях систем электроснабжения специальных объектов // Труды военно-космической академии им. А.Ф. Можайского. – 2019. – № 669. – С. 254–265.
15. Baazzim M.S., Al-Saud M.S., El-Kady M.A. Comparison of Finite-Element and IEC Methods for Cable Thermal Analysis under Various Operating Environments // International Journal of Electrical, Computer, Energetic, Electronic and Communication Engineering. – 2014. – Vol. 8. – № 3. – P. 484–489.
16. Echavarren F.M., Rouco L., Gonzalez A. Dynamic Thermal Modeling of Isolated Cables // 17th Power Systems Computation Conference. – Stockholm. – Sweden, 2011. – Vol. 1. – P. 611–617.
17. Петровский А.А., Стрижиченко А.В. Применение изоляционных труб «Протексофлекс» для прокладки силовых кабельных линий // Материалы науч.-практ. конф., посв. 60-лет. пуска первого гидроагрегата Волжской КЭС: сб. докл. – 2019. – С. 22–25.
18. Полещук С.И. О теплотехнических расчетах кабелей с изоляцией из сшитого полиэтилена. Ч. III: Особенности расчетов зимних режимов // Электроэнергия. Передача и распределение. – 2017. – № 4. – С. 92–103.
19. Труфанова Н.М., Кухарчук И.Б., Феофилова Н.В. Расчет теплового поля кабельного канала с учетом тепловых потерь в экранах кабелей // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2018. – № 28. – С. 179–193.
20. Dubitsky S., Greshnyakov G., Korovkin N. Refinement of Underground Power Cable Ampacity by Multiphysics FEA Simulation // International Journal of Energy. – 2015. – № 9. – P. 12–19.

Рассматривается идентификация параметров двигателя внутреннего сгорания на основе его разгонной характеристики с использованием метода интегральной модуляции. Модель ДВС аппроксимирована инерционным звеном первого порядка. Аппроксимация экспериментальной разгонной характеристики линейной моделью позволяет оперативно идентифицировать динамические параметры объекта, такие как постоянная времени и коэффициент чувствительности, на основе которых можно оценить обобщенное состояние ДВС автомобиля путем сравнения этих параметров с их нормативными значениями. Цель исследования: оценка, работоспособности рассматриваемой системы идентификации с применением пакета моделирования MatLab/Simulink. Методы: показана принципиальная возможность использования параметрической идентификации, основанной на методе интегральной модуляции при функциональном тестировании двигателя внутреннего сгорания. Эффективность использования в системе параметрического метода идентификации на основе интегральной модуляции обусловлена особенностями ядер последнего, которые можно синтезировать из групп материнских функций операторов вейвлет-преобразования, что позволяет проводить не только оценку неизвестных параметров объекта, но вместе с этим осуществить анализ нестационарных переходных процессов, возникающих в ДВС. Результаты: важными при создании реальной системы экспресс-диагностики являются вопросы интеграции предлагаемой системы параметрической идентификации разгонной характеристики ДВС в общую бортовую систему автомобиля посредством специального диагностического протокола, такого как k-line. При использовании диагностического протокола значения переменных выдаются в физических величинах. Это упрощает восприятие, в то же время усложняет согласование с электронным блоком управления ЭБУ, поскольку он запрограммирован на получение данных непосредственно с датчиков, соединенных с каналами АЦП. Таким образом, возникает необходимость детального изучения документации датчиков для уточнения их характеристик и уровней сигналов. Практическая значимость: предлагаемую методику можно также использовать и для рабочего режима ДВС, рассматривая педаль газа автомобиля как источник, формирующий входной сигнал для данного объекта диагностики.

Ключевые слова: ДВС, идентификация, аппроксимация, модель ДВС, разгонная характеристика, блок формирования коэффициентов.

Джалолов Убайдулло Хабибуллоевич (Душанбе, Таджикистан) – кандидат технических наук, доцент кафедры «Автоматизация технологических процессов и производств» Таджикского технического университета им. акад. М.С. Осими, тел. 907977330, e-mail: ubaid27@mail.ru.

Юнусов Низомиддин Исмоилович (Душанбе, Таджикистан) – кандидат технических наук, доцент кафедры «Автоматизация технологических процессов и производств» Таджикского технического университета им. акад. М.С. Осими, тел: 935000175, e-mail: unizom@hotmail.com.

Турсунбадалов Умед Абдумаликович (Душанбе, Таджикистан) – старший преподаватель кафедры «Автоматизация технологических процессов и производств» Таджикского технического университета им. акад. М.С. Осими, тел. 988689511, e-mail: demu-usa@mail.ru.

Зиёев Шухрат Шарофидинович (Душанбе, Таджикистан) – старший преподаватель кафедры «Автоматизация технологических процессов и производств» Таджикского технического университета им. акад. М.С. Осими, тел. 918314602, e-mail: zieev1986@mail.ru.

Хасанов Джасурджон Рустамджонович (Челябинск, Россия) – аспирант кафедры «Автоматика и управление» Южно-Уральского государственного университета (454080, Челябинск, пр. Ленина 76,
e-mail: Jacur@mail.ru).

1. Мигдаль В.Д. Техническая диагностика автомобильных двигателей: учеб. пособие: в 3 т. Т. 1. Объекты и методы диагностирования. – Харьков: Майдан, 2014. – 459 с.
2. Мирошников Л.В., Болдик А.П., Пал В.И. Диагностирование технического состояния автомобилей на автотракторных предприятиях. – М.: Наука, 1968. – 228 с.
3. Тыманюк К.С., Костенко В.Л. Разработка автоматизированной системы итеративного контроля технического состояния систем двигателя автомобиля // Технологический аудит и резервы производства. – 2016. – № 1/2(27). – С. 77–82.
4. Лютин К.И., Федянов В.Е. Вибродиагностика систем ДВС с использованием нейронных сетей // Известия Волгоград. гос. техн. ун-та. Сер. Наземные транспортные системы. – 2007. – Т. 2, № 8(34). – С. 88–90.
5. Компьютерная диагностика многокомпонентных вибрационных машин / Н.И. Юнусов, У.Х. Джалолов, У.А. Турсунбадалов, Ш.Ш. Зиёев // Материалы 10-й Междунар. конф. по компьютерному анализу проблем науки и технологии. – Душанбе: Изд-во филиала МГУ им. М.В. Ломоносова в Душанбе, 2015. – С. 124–127.
6. Bánlaki P., Kulcsár Sz. Monitoring the Operation of Internal Combustion Engines Using Order Analysis of Noise and Vibration Data // Journal of Machine Manufacturing. – 2009. – XLIX. – P. 142–144.
7. Гассельберг В.С. Запорожец А.В. Диагностика двигателей внутреннего сгорания автомобилей по виброакустическим параметрам // Вестник АГТУ. – 2007. – № 2. – С. 72–74.
8. Nagy I. Technical Diagnostics I. – Vibration Analysis, Delta3N, 2007. 10 National Instruments: Understanding Order Analysis and Resampling, 2007. – URL: www.ni.com
9. Интеллектуальные системы управления с использованием нейронных сетей / В.И. Васильев, Б.Г. Ильясов, C.С. Валеев, С.В. Жернаков. – Уфа: Изд-во УГАТУ, 1997.
10. Задачи диагностики и прогнозирования состояния ДДВС на основе принципов нечеткой логики и нейросетевых технологий / Н.И. Юнусов, У.Х. Джалолов, Ш.Ш. Зиёев, У.А. Турсунбадалов // Вестник Таджик. техн. ун-та. – 2015. – 4(32). – С. 66–70.
11. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. – Винница: УНИВЕРСУМ-Винница, 1999. – 320 с.
12. Сериков С.А., Дзюбенко А.А. Идентификация математической модели двигателя внутреннего сгорания с использованием системы нечеткого вывода // Двигатели внутреннего сгорания. – 2009. – № 1. – С. 14–18.
13. Палагута К.А., Чиркин С.Ю., Кузнецов А.В. Синтез системы управления двигателем внутреннего сгорания с использованием гибридных и нейронных сетей // Машиностроение и инженерное образование. – 2009. – № 4. – С. 42–49.
14. Злотин Г.Н., Лютин К.И., Федянов Е.А. Применение нейронных сетей для вибродиагностики систем ДВС // Фундаментальные и прикладные проблемы совершенствования поршневых двигателей (посв. 50-лет. ВлГУ): материалы XI Междунар. науч.-практ. конф.; Владимир, 27–29 мая 2008 / Владимир. гос. ун-т. – Владимир, 2008. – C. 160–163.
15. Гребенников А.С., Гребенников С.А., Никитин А.В. Математическая модель внутри циклового изменения угловой скорости коленчатого вала дизеля на холостом ходу // Известия Вологод. ГТУ: межвуз. сб. науч. ст. – 2013. – Т. 5, № 12. – С. 42–45.
16. Разработка компьютерной настраиваемой модели ДВС / И.П. Добролюбов, О.Ф. Совченков, В.В. Альт, С.Н. Ольшевский // Вычислительные технологии. – Новосибирск, 2013. – Т. 18, № 6. – С. 54–61.
17. Апелинский Д.В., Шендеровский И.М., Яхутль Д.Р. Математические модели рабочего цикла ДВС с искровым зажиганием и их численная реализация // Автомобили и тракторостроение в России: приоритеты развития и подготовка кадров: материалы междунар. науч.-техн. конф. ААИ, посв. 145-лет. МГТУ «МАМИ». – М.: Изд-во МГТУ «МАМИ», 2012. – С. 22–28.
18. Чиркин С.Ю. Моделирование двигателя внутреннего сгорания как объекта управления на основе экспериментальных данных // Естественные и технические науки. – 2010. – № 2. – С. 406–410.
19. Гребенников А.С., Гребенников С.А., Никитин А.В. Математическая модель внутрициклового изменения угловой скорости коленчатого вала дизеля на холостом ходу // Известия. ВолгГТУ: межвуз. сб. науч. ст. – 2013. – Т. 5, № 12. – С. 42–46.
20. Блаттер К. Вейвлет-анализ. Основы теории / пер. с нем. Т. Кренкель; под ред. А.Г. Кюрктчан. – М.: Техносфера, 2006. – 272 с.
21. Ramos J.I. Mathematical Modeless of Spark-ignition Engines // Computer simulation for fluid flow, heart and mass transfer, and combustion in reciprocating engines. – New York: Hemisphere, 1989.
22. Эйкхофф П. Основы идентификации систем управления: пер. с англ. – М.: Мир, 1975. – 684 с.
23. Применение фильтра Калмана в задачах технической диагностики двигателей внутреннего сгорания (ДВС) / У.А. Турсун­бадалов, О.О. Евсютин [и др.] // Вестник Южно-Урал. гос. ун-та. Сер. Компьютерные технологии, управление и радиоэлектроник. – 2019. – Т. 19. – № 1. – С. 152–159.
24. Джалолов У.Х. Параметрическая идентификация нестационарных динамических объектов // Тезисы докл. IX Всесоюз. совещ. по проблемам управления. – Ереван, 1983. – С. 72–73.
25. Применение метода интегральной модуляции в задаче идентификации технического состояние двигателя внутреннего сгорания / У.А. Турсунбадалов, К.З. Тиллоев [и др.] // I-methods. – 2019. – Т. 11. – № 1. – С. 20–28.
26. Васильев В.В., Симак Л.А., Рыбникова А.М. Математическое и компьютерное моделирование процессов и систем в среде MatLab/Simulink: учеб. пособие для студ. и аспир. – Киев: Изд-во НАН Украины, 2008. – 91 с.

Управление режимами работы дожимной насосной станции (ДНС) традиционно связано
с применением ПИД-регуляторов. Однако неопределенность характеристик объекта, нелинейность объекта и возмущения, связанные с непрерывным изменением подачи нефти, приводят
к колебаниям расхода и давления как в трубопроводе, так и на ЦПС. Одним из эффективных путей решения данной проблемы является использование интеллектуальных систем. Непрерывное изменение подачи нефти, изменение физико-химического состава нефти, температуры окружающей среды и т.д. приводят к неопределенности в управлении уровнем жидкости в сепараторе с помощью ПИД-регулятора. В данном случае целесообразно использовать адаптивный нечеткий регулятор уровня жидкости в сепараторе. Цель исследования: разработка адаптивного нечеткого регулятора уровня нефти-сырца в сепараторе. Методы: разработка математической модели автоматического управления уровнем жидкости в сепараторе, разработка архитектуры нечеткого регулятора, применение в адаптивном фаззификаторе сигмоидальных функций принадлежности с коррекцией степеней принадлежности методом последовательного обучения, применение уравнений Сугено в блоке нечеткого вывода. Результаты: на базе разработанного адаптивного нечеткого регулятора уровня повысилась точность поддержания уровня при существующих неопределенностях. Разработанная математическая модель сепаратора подтвердила применение нечеткого управления для решения поставленной задачи. Точность поддержания уровня нефти-сырца в сепараторе удовлетворяет заданным требованиям. Практическая значимость: результаты исследований использованы при разработке адаптивного нечеткого регулятора уровня для управления оттоком нефти-сырца из сепаратора, что устранило аварийные ситуации при эксплуатации  сепаратора в режиме переменного притока нефти-сырца от качалок.

Ключевые слова: нефтегазовый сепаратор, адаптивный нечеткий регулятор, уравнение Сугено.

Хижняков Юрий Николаевич (Пермь, Россия) – доктор технических наук, доцент, профессор кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: Н1941@yandex.ru).

Никулин Вячеслав Сергеевич (Пермь, Россия) – аспирант кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: kalif23@yandex.ru).

Сторожев Сергей Александрович (Пермь, Россия) – аспирант кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: cepra5@mail.ru).

1. Байков Н.М., Позднышев Г.Н., Мансуров Р.И. Сбор и промысловая подготовка нефти, газа и воды. – М.: Недра, 1981. – 261 с.
2. Лутошкин Г.С. Сбор и подготовка нефти, газа и воды. – М.: Недра, 1977. – 192 с.
3. Сагдатуллин А.М. Анализ подходов к построению систем нефтегазодобывающего предприятия // Ползуновский вестник. – 2013. – № 4–2. – С. 78–83.
4. Сагдатуллин А.М. Повышение эффективности управления системой транспорта и подготовки нефти и газа на основе интеллектуальных регуляторов. – Казань: Изд-во Казан. ун-та, 2015. – 110 с.
5. Сагдатуллин А.М. Автоматизация насосной станции системы транспорта и подготовки нефтепродуктов на базе интеллектуального логического регулятора // Тинчуринские чтения: материалы докл. IX Междунар. молодеж. науч. конф. / под общ. ред. Э.Ю. Абдуллазянова. – Казань: Изд-во: Казан. гос. энергет. ун-та, 2014. – Т. 2. – С. 166–167.
6. Леготкина Т.С., Данилова С.А. Моделирование систем управления: учеб. пособие. – Пермь: Изд-во Перм. гос. техн. ун-та, 2008. – 155 с.
7. Леготкина Т.С, Данилова С.А. Методы идентификации систем: учеб. пособие. – Пермь: Изд-во Перм. гос. техн. ун-та, 2008. – 123 с.
8. Хижняков Ю.Н. Нечеткое, нейронное и гибридное управление: учеб. пособие. – Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2013. – 303 с.
9. Хижняков Ю.Н. Алгоритмы нечеткого, нейронного и нейро-нечеткого управления в системах реального времени: учеб. пособие. – Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2013. – 156 с.
10. Пегат А. Нечеткое моделирование и управление: пер. с англ. – 2-е изд. – М.: Бином. Лаборатория знаний, 2013. – 798 с.
11. Хижняков Ю.Н. Современные проблемы теории управления: учеб. пособие. – Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2014. – 160 с.
12. Смирнов В.А., Хасанова А.А. Особенности реализации системы управления на нечеткой логике. – Челябинск: Изд-во Челябин. науч. центра, 2003. – Вып. 4(21). – C. 80–82.
13. Леоненков А.В. Нечеткое моделирование в среде MatLab и FuzzyTech. – М., 2005. – 736 с.
14. Антонов В.Н., Терехов В.А., Тюкин И.Ю. Адаптивное управление в технических системах: учеб. пособие. – СПб.: Изд-во С.-Петерб. гос. ун-та, 2001. – 244 с.
15. Штовба С.Д. Проектирование нечетких систем средствами MatLab. – М.: Горячая линия–Телеком, 2007. – 288 с. 
16. Гостев В.И. Проектирование нечетких регуляторов для систем автоматического управления. – СПб.: БХВ-Петербург, 2011. – 416 с.
17. Гостев В.И. Системы управления с цифровыми регуляторами: справочник. – Киев: Тэхника, 1990. – 280 с.
18. Тарасян В.С. Пакет Fuzzy Logic Toolbox for MatLab: учеб. пособие. – Екатеринбург: Изд-во УрГУПС, 2013. – 112 с.
19. Лукас В.А. Теория управления техническими системами: учеб. пособие для вузов. – 4-е изд., испр. – Екатеринбург: Изд-во УГГУ, 2005. – 677 с.
20. Круглов В.В., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 224 с.

Рассмотрен метод симметрирования напряжения в трёхфазной системе электроснабжения с нулевым проводом, содержащей в качестве преобразователя напряжения полупроводниковый трёхфазный мостовой инвертор. Известно, что основной проблемой при реализации таких систем является симметрирование напряжения при несимметричной нагрузке, что чаще всего характерно при наличии бытовых или промышленных потребителей однофазного напряжения. Если использовать преобразователь с синусоидальной формой напряжения, то задача его симметрирования оказывается весьма сложной. Во многих случаях для этой цели используют преобразования во вращающейся системе координат с переходом от трёхфазной системы в двухфазную, с коррекцией полученного в результате этого преобразования эллиптичного годографа вектора напряжения и последующего обратного преобразования от двухфазной системы в трёхфазную. В результате алгоритм работы преобразователя оказывается весьма сложным и требует использования значительных вычислительных ресурсов. Вместе с тем в простейшем случае для некоторых потребителей, не сильно критичных к содержанию высших гармоник в фазном напряжении, вместо синусоидального можно сформировать ступенчатую форму напряжения. При этом в некоторых случаях содержание высших гармоник может оказаться весьма малым. В частности, для 180-градусной коммутации силовых ключей действующее значение первой гармоники напряжения составит 0,955 от действующего значения полного напряжения, что допустимо для большинства потребителей, особенно в сельской местности. Но при этом вопросы симметрирования существенно упрощаются и сводятся к потактовому открыванию ключей в дополнительной, четвёртой стойке инвертора. Цель исследования: разработка метода симметрирования напряжения на входе трёхфазного инвертора при несимметричной нагрузке. Методы: создание дискретного алгоритма управления дополнительной стойкой инвертора, исходя из условия обеспечения заданной точности симметрирования выходного напряжения. Результаты: заданный алгоритм реализуется дискретным устройством регулирования напряжения на соответствующих ключах дополнительной стойки на основании информации, получаемой с датчика нулевой точки трёхфазной нагрузки. Практическая значимость: предложенная методика симметрирования напряжения на выходе трёхфазного инвертора при несимметричной нагрузке может быть использована при создании автономных мини-ГЭС, предназначенных для энергоснабжения небольших населённых пунктов, находящихся в труднодоступных районах.

Ключевые слова: мини-ГЭС, возобновляемые источники энергии, полупроводниковый преобразователь, несимметричная нагрузка, дискретная коммутация, дискретный регулятор тока, методы симметрирования трёхфазного напряжения, автономный инвертор, пропорционально-интегральный регулятор.

Воронин Сергей Григорьевич (Челябинск, Россия) – доктор технических наук, профессор кафедры «Летательные аппараты» Южно-Уральского государственного университета (454080, Челябинск,
пр. Ленина, 76, e-mail: sosnovka.voronin@yandex.ru).

Султонов Оламафруз Олимович (Челябинск, Россия) – аспирант кафедры «Теоретические основы электротехники» Южно-Уральского государственного университета (454080, Челябинск,
пр. Ленина, 76, e-mail: olam.c89@mail.ru).

1. Вечиу И., Кюреа О., Кэмблонг Х. Переходные операции четырехплечевого инвертора для автономных приложений с несбалансированной нагрузкой // IEEE Trans. Power Electron. – Февраль 2010. – Т. 25. – № 2.
2. Юнвей Л., Вилатгамува Д.М., Чанг Л.П. Повышение качества микросетевой мощности с использованием трехфазного четырех­проводного компенсатора межсетевого взаимодействия // IEEE Trans. Power Electron. – Ноябрь/декабрь 2005. – Т. 19, № 1. – С. 1707–1719.
3. Гибридная энергетическая система, использующая альтерна­тивные источники энергии на изолированном острове / Т.Сенджу Т. Накадзи, К. Уэзато, Т. Фунабаши // IEEE Trans. Energy Convers. – Июнь 2005. – Т. 21, № 2. – С. 406–414.
4. Марвали М.Н., Мин Д., Кейхани А. Надежный анализ стабильности контроля напряжения и тока для систем распределенной генерации // IEEE Trans.Energy Convers. – Июнь 2006. – Т. 21, № 2. – С. 516–526.
5. Блаабьерг Ф., Драгичевич Т., Давари П. Применение силовой электроники // Электроника. – 2019. – 8(4):465. DOI: org/10.3390/electronics8040465
6. Автоматизированная мини-ГЭС как основа системы электроснабжения горных районов Таджикистана / С.Г. Воронин, А.М. Давлатов, О.О. Султонов [и др.] // Вестник ЮУрГУ. Сер. Энергетика. – 2019. – Т. 19, № 3. – С. 100–107. DOI: 10.14529/power190311
7. Аминов Д., Косимов Б., Султонов О. Разработка погружного гидрогенератора как возобновляемого источника электроэнергии для малых рек // Междунар. российская конф. по автоматизации (РусАвтоКон). – Сочи, 2020. – С. 1079–1084. DOI: 10.1109/РусАвтоКон49822.2020.9208214
8. Повышение экономической эффективности малых гидро­электростанций республики Таджикистан / А.М. Давлатов, Б.И. Коси­мов, Д.Ю. Гулов, О.О. Султонов // Всерос. науч.-практ. конф. (Казань, 20–21 марта 2019 г.). – Казань: Изд-во Казан. гос. энергет. ун-та, 2019. – С. 456–461.
9. Воронин С.Г., Курносов Д.А., Кульмухаметова А.С. Векторное управление синхронными двигателями с возбуждением от постоянных магнитов // Электротехника. – 2013. – № 10. – С. 50–54.
10. Вектор управления клапанным приводом / С.Г. Воронин, Д.В. Коробатов, В.В. Запунный, П.О. Шабуров // Вестник ЮУрГУ. Сер. Энергетика. – 2004. – Вып. 5. – № 4(33). – С. 11–15.
11. Стратегия управления микросетью в условиях трехфазного дисбаланса / Х. Ши, Ф. Чжуо, Х. И, З. Гэн // Современные энергетические системы и чистая энергия. – Январь 2016. – Вып. 4. – С. 94–102. DOI: 10.1007/s40565-015-0182-3
12. Стратегия управления трехфазным четырехканальным фотоэлектрическим инвертором, подключенным к сети, при несбалансированных сбоях / Х.С. Камил, Д. Мат Саид, М.В. Мустафа, М. Реза Мивех, С.М. Хусин // 7-я Международная конференция IEEE по электроэнергии и энергии (PECon). – Куала-Лумпур, Малайзия, 2018. – С. 13–18. DOI: 10.1109 / PECON.2018.8684184
13. Вечиу И., Куреа О., Кэмблонг Х. Переходные процессы инвертора с четырьмя ножками для автономных применений с несбалансированной нагрузкой // IEEE Trans. Power Electron. – Февраль 2010. – Т. 25, № 2.
14. Мусулин И.Я. Трехфазные инверторы Желько, обеспечи­вающие несимметричные, нелинейные и однофазные нагрузки // Тр. 17-й Междунар. конф. по электроприводам и силовой электронике. – 2013. – С. 184–191.
15. Чжун К., Хобсон Л., Джейн М.Г. Классический контроль нейтральной точки в 4-проводных 3-фазных преобразователях постоянного и переменного тока // Качество и использование электроэнергии. – 2005. – № 11. – С. 73–81.
16. Воронин С., Султонов О., Давлатов А. Особенности балансировки трехфазного ступенчатого напряжения на выходе полупроводниковых преобразователей // Российский семинар по энергетике и автоматизации металлургической промышленности: исследования и практика (PEAMI). – 2020. – С. 119–123.
17. Марвали М.Н., Дай Мин, Кейхани А. Анализ устойчивости управления напряжением и током для систем распределенной генерации // IEEE Trans. on Energy Conversion. – Июнь 2006. – Vol. 21, № 2. – С. 516–526. DOI: 10.1109/TEC.2005.860406
18. Сонг Х.С., Нам K. Схема двойного контроля тока для ШИМ-преобразователя в условиях несбалансированного входного напряжения // IEEE Trans. Ind. Electron. – Октябрь 1999. – Т. 46. – С. 953–959.
19. Воронин С.Г., Курносов Д.А., Кульмухаметова А.С. Сравнительная оценка различных способов управления коммутацией вентильных двигателей по энергетическим показателям и регулировочным свойствам // Вестник ЮУрГУ. Сер. Энергетика. – 2013. – Т. 13. – № 1. – С. 96–103.
20. Воронин С.Г. Электропривод летательных аппаратов: конспект лекций. – Челябинск: Изд-во ЮУрГУ, 2006. – Ч. 1. – 171 с.

Рассматриваются преимущества иерархического подхода перед стандартными подходами распознавания: уменьшение числа распознаваемых пикселей (за счёт отбрасывания участков изображения, не несущих полезной информации для процесса распознавания), уменьшение общего времени обработки изображения. Суть иерархического метода распознавания заключается в том, что он добавляет предварительную обработку изображения, выделяя области интереса на изображении (ROI), и распознаёт только их. Для оценки влияния иерархического подхода было решено создать аналитическую модель, входными параметрами которой являются интенсивность возникновения объектов в зоне распознавания, размер изображения объекта и максимально возможная скорость обработки изображения системой (при большой загрузке производительность системы снижается). Модель рассчитывает интенсивность обслуживания заявок, исходя из допустимых размеров области интереса (ROI), учитывает возможность распараллеливания процесса распознавания объекта за счёт освободившихся вычислительных ресурсов. Результаты, полученные в ходе моделирования, помогают проанализировать перспективы применения иерархического метода распознавания для каждой конкретной системы и выполнить предварительный расчёт среднего времени обработки одной заявки. Цель исследования: создание аналитической модели расчёта параметров системы иерархического распознавания объектов. Для этого были применены методы из теории систем массового обслуживания (СМО), теории телетрафика и статистический анализ. Результаты: произведён расчёт оптимальных характеристик системы (рекомендованный размер изображения для грубого и точного поиска) в условиях заданного размера изображения и времени, необходимого алгоритму на обработку одного пикселя. Предложен вариант приблизительного расчёта времени распознавания объекта на изображении системой иерархического распознавания.

Ключевые слова: иерархический подход, система распознавания.

Тур Александр Игоревич (Пермь, Россия) – ассистент кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: tur.aleksandr93@mail.ru).

Кокоулин Андрей Николаевич (Пермь, Россия) – кандидат технических наук, доцент кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: a.n.kokoulin@at.pstu.ru).

Ахметзянов Кирилл Раисович (Пермь, Россия) – аспирант кафедры «Автоматика и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: kirill94a@mail.ru).

Южаков Александр Анатольевич (Пермь, Россия) – доктор технических наук, профессор, заведующий кафедрой «Автоматика
и телемеханика» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29,
e-mail: uz@at.pstu.ru).

Дзыгарь Андрей Владимирович (Пермь, Россия) – коммерческий директор ООО «ФейсПасс» (Пермь, e-mail: da@facepass.ru).

1. Иванько М.А., Клепикова А.В. Системы искусственного зрения // Вестник МГУП им. Ивана Фёдорова. – 2015. – № 5.
2. Слива М.В. Использование миникомпьютера Raspberry PI для преподавания основ робототехники // Культура, наука, образование: проблемы и перспективы: материалы III Всерос. науч.-практ. конф. / Нижневартов. гос. ун-т. – Нижневартовск, 2014. – С. 326–328.
3. Кокоулин А. Методы распределенной обработки и хранения больших изображений // IEEE EuroCon 2013. – Ст. № 6625191. – С. 1606–1610. DOI: 10.1109/EUROCON.2013.6625191
4. Тур А.И. Использование технологии burst buffer для обработки больших данных // Перспективные технологии в средствах передачи информации: материалы XII Междунар. науч.-техн. конф. ПТСПИ-2017 (г. Суздаль, 5–7 июля 2017 г.). Т. 1 / Рос. науч.-техн. общ-во радиотехники, электроники и связи им. А.С. Попова [и др.]. – Владимир: Изд-во ВлГУ им. А.Г. и Н.Г. Столетовых, 2017.
5. Южаков А.А., Кокоулин А.Н., Тур А.И. Иерархическая архитектура сверточной нейронной сети в распределенной системе распознавания лиц // Нейрокомпьютеры: разработка, применение. – 2019. – Т. 21, № 3. – С. 28–34. DOI: 10.18127/j19998554-201903-04
6. Supriya Suresh & Subaji Mohan. ROI-based feature learning for efficient true positive prediction using convolutional neural network for lung cancer diagnosis // Neural Computing and Applications. – 2020.
7. Zuech Richard, Taghi M. Khoshgoftaar, Randall Wald. Intrusion detection and Big Heterogeneous Data: a Survey // Journal of Big Data. – 2015.
8. Тур А.И., Кокоулин А.Н., Дзыгарь А.В. Иерархическая система поиска и распознавания штрихкода на повреждённой таре в автомате раздельного сбора отходов // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. – 2019. – № 29. – С. 44–57.
9. Архитектура иерархической сверточной нейронной сети в распределенной системе распознавания лиц / А.Н. Кокоулин, А.И. Тур, А.А. Южаков, А.И. Князев // Материалы конф. молод. ученых-исследователей в области электротехники и электроники (ElConRus), IEEE 2019 (Санкт-Петербург, Москва, 29–30 января 2019 г.), секция IEEE – Российская Северо-Западная секция. [Б. М.] : [б. и.]. – СПб., 2019. – URL: https://ieeexplore.ieee.org/document/8656727
10. Проект по сбору контейнеров для напитков / А.Н. Кокоулин, А.А. Южаков, А.И. Тур, С.В. Полыгалов, А.С. Троегубов, В.Н. Коротаев // Материалы конф. IOP. Сер. Земля и наука об окружающей среде. – 2019. – Т. 317. – Артикул 012006. – URL: https://iopscience.iop.org/article/10.1088/1755-1315/317/1/012006
11. Clay D. Spence, John C. Pearson, Jim Bergen. Coarse-to-Fine Image Search Using Neural Networks. – URL: https://papers.nips.cc/paper/982-coarse-to-fine-image-search-using-neural-networks.pdf
12. Тур А.И., Кокоулин А.Н., Князев А.И. Применение иерархического подхода для распознавания объектов в автоматах по приему использованной тары // Материалы XIII Всерос. совещания по проблемам управления (ВСПУ-2019) (г. Москва, 17–20 июня 2019) / Ин-т проблем управления им. В.А. Трапезникова РАН. – М.: Изд-во ИПУ им. В.А. Трапезникова РАН, 2019. – 5 с.
13. Kokoulin A. Development of hierarchical distributed GIS system // International Multidisciplinary Scientific GeoConference Surveying Geology and Mining Ecology Management, SGEM. – 2019. – № 19(2.1). – P. 833–839.
14. Cheng Lei, Yee-Hong Yang. Optical Flow Estimation on Coarse-to-Fine Region-Trees using Discrete Optimization. – URL: https://cs.brown.edu/courses/cs296-4/Papers/2010/iccv2009_201.pdf
15. Южаков А.А., Тур А.И. Выбор алгоритмов для реализации системы машинного зрения // Материалы XIV Всерос. школы-конф. молодых ученых. – 2017. – C. 377–384.
16. Кулаков И.Ю., Вологин Д.А., Пикалов В.В. Многосеточный алгоритм в задаче веерной ROI-томографии // Теория и численные методы решения обратных и некорректных задач: тез. докл. V Междунар. молодеж. науч. школа-конф. (Новосибирск, Академгородок, 8–13 октября 2013 г.). – Новосибирск, 2013.
17. Kokoulin A., May I., Kokoulina A. Image Processing Methods in Analysis of Component Composition and Distribution of Dust Emissions for Environmental Quality Management // Proceedings of 10th International Conference on Large-Scale Scientific Computations (LSSC) / Bulgarian Acad Sci, Sozopol, Bulgaria. – 2015. – June 08–12. – Vol. 9374. – P. 352–359.
18. Крылов В.В., Самохвалова С.С. Теория телетрафика и её приложения. – СПб.: БХВ-Петербург, 2005. – 288 с.
19. Вентцель Е.С. Исследование операций. – М.: Советское радио, 1972. – 552 с.
20. Вентцель Е.С., Овчаров Л.А. Прикладные задачи теории вероятностей. – М.: Радио и связь, 1983. – 416 с.

Постэкспериментальная обработка данных, полученных в результате стендовых испытаний, является завершающей и крайне важной стадией испытательного производства сложных изделий. С задачей обработки данных тесно связана задача структурирования и хранения огромного объема данных, порожденных испытаниями. Существующие сейчас способы хранения основаны на ручном структурировании данных испытаний. Большую часть подлежащей накоплению информации составляют результаты наблюдения за параметрами процесса испытания, так называемые тренды. При наблюдении значения параметров фиксируются и привязываются
к моменту наблюдения, т.е. являются временными рядами. Использование для хранения таких данных традиционных реляционных систем управления базами данных (РСУБД) является неоправданным, так как они не приспособлены для эффективного хранения и обработки временных рядов. Цель исследования: разработка системы сбора, обработки и хранения данных. Методы: выбор и обоснование в качестве альтернативы РСУБД для хранения данных  испытаний документоориентированной БД. Создание комплекса приложений – экосистемы хранения и обработки данных, предназначенного для импорта данных в систему и их обработки. Результаты: на базе предложенного метода хранения данных в документоориентированной БД были разработаны структуры, обеспечивающие хранение всей сложноорганизованной информации об испытаниях. Разработан программный комплекс, реализующий такие функции системы, как: импорт данных испытаний в Базу данных, просмотр тренда, параметров, ассоциированных документов, поиск
и извлечение данных. Наиболее востребованной пользователями функцией обработки данных испытаний является поиск характерных особенностей поведения изделия, т.е. анализ трендов.
 В качестве событий, характеризующих поведение тренда, рассматриваются такие, как попадание значения параметра (или его производной) в заданный диапазон, достижение минимума/максимума значения параметра, переключение состояния дискретного параметра и т.д. Предложен способ организации сложных поисковых запросов, объединяющих описание нескольких событий через И, ИЛИ. Практическая значимость: разработанная единая система сбора, обработки и хранения данных о проведённых испытаниях предоставляет специалистам по обработке данных мощный инструмент анализа.

Ключевые слова: испытания сложных технических изделий, документо-ориентированная СУБД, временные ряды.

Шмидт Игорь Альбертович (Пермь, Россия) – кандидат технических наук, доцент кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: shmidt-ia@yandex.ru).

Желтышев Артем Сергеевич (Пермь, Россия) – студент Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: artem.zheltyshev.98@mail.ru).

1. ГОСТ 16504-81. Система государственных испытаний продукции. Испытания и контроль качества продукции. Основные термины и определения (изд. май 2011 г. с изм. N 1) // Доступ из справ.-правовой системы КонсультантПлюс.
2. WinПОС после-экспериментальная обработка данных [Электронный ресурс]. – URL: http://nppmera.ru/winpos
3. Мишулина О.А. Статистический анализ и обработка временных рядов. – М.: Изд-во МИФИ, 2004. – С. 180.
4. Интеллектуальный анализ данных в управлении производственными системами (подходы и методы): монография / Л.А. Мыльников, Б. Краузе, М. Кютц, К. Баде, И.А. Шмидт. –. – М.: Библио-Глобус, 2017. – 334 с. DOI: 10.18334/9785950050176 (Гл. 5. Особенности работы с временными рядами).
5. Осипов Д.Л. Технологии проектирования баз данных. – М.: ДМК Пресс, 2019. – 498 с.
6. Зеленков Ю.А., Чувилин В.Ю., Журавлев В.Е. Комплексная автоматизация испытаний газотурбинных двигателей. Ч. 2. Хранение и обработка данных // Вестник Уфим. гос. авиацион. техн. ун-та. – 2011. – Т. 15. – № 2(42). – С. 126–131.
7. Asay Matt. Why time series databases are exploding in popularity. TechRepublic [Электронный ресурс]. – 26 June 2019. – URL: https://www.techrepublic.com/article/why-time-series-databases-are-exploding-in-popularity/
8. Как мы тестировали несколько баз данных временных рядов (1 августа 2019) [Электронный ресурс]. – URL: https://habr.com/ru/company/itsumma/blog/462111
9. Локотко А.В., Певзнер А.С., Яковлева Н.В. Программный комплекс сбора, обработки и хранения данных аэродинамического эксперимента // Информационные и математические технологии в науке и управлении. – 2017. – № 2(6). – С. 123–131.
10. Адаптивная архитектура программно-аппаратного комплекса хранения и обработки данных / Ю.А. Костиков, В.Ю. Павлов, А.М. Романенков, В.Б. Терновсков // Экономика: вчера, сегодня, завтра. – 2017. – Т. 7, № 9A. – С. 192–207.
11. Бэнкер Кайл. MongoDB в действии. – М.: ДМК Пресс, 2012. – 395 с.
12. Шмидт И.А., Петроченков А.Б., Даденков Д.А. Разработка системы хранения временных рядов в документо-ориентированной базе данных // Информационно-измерительные и управляющие системы. – 2019. – Т. 17, № 4. – С. 5–11.
13. Попов А.П., Шмидт И.А. Оптимизация хранения данных испытания сложных технических изделий в документо-ориентированной базе данных // Материалы междунар. конф. по мягким вычислениям и измерениям. – 2018. – Т. 1. – С. 169–172.
14. Васнев Н.В., Шмидт И.А. Система регистрации параметров испытаний сложных изделий на основе документно-ориентированной базы данных // Фундаментальные исследования. – 2016. – № 11–3. – С. 500–504.
15. Шмидт И.А., Попов А.П. Разработка оптимального метода хранения временных рядов в документоориентированной базе данных // Инновационные технологии: теория, инструменты, практика. – 2018. – Т. 1. – С. 233–238.
16. Введение в JSON [Электронный ресурс]. – URL: http://json.org/json-ru.html
17. Шмидт И.А., Васенев Н.В. Выбор оптимальной json-модели для хранения результатов испытаний // Фундаментальные исследования. – 2016. – № 11–3. – С. 620–625.
18. Chandola V., Banerjee A., Kumar V. Anomaly Detection A Survey // ACM Computing Surveys. – July 2009. – Vol. 41(3). – Article 15. – P. 1–72.
19. Шабельников А.Н., Шабельников В.А. Поиск аномалий в технических базах данных временных рядов // Известия Южного федерал. ун-та. Технические науки. – 2008. – Т. 81. – Вып. 4. – C. 167–173.
20. Антипов С.Г., Фомина М.В. Проблема обнаружения аномалий в наборах временных рядов // Программные продукты и системы. – 2012. – № 2. – С. 79–83.

При производстве кабелей на среднее и высокое напряжение чаще всего изоляцию сшивают пероксидным методом. Такой процесс сшивки является технически сложным, и для получения качественной изоляции необходимо грамотно подбирать и контролировать технологический режим, что влечет возникновение на производстве проблемы подбора таких параметров, как температура секций, скорость перемещения заготовки. Определение данных параметров эмпирическим путем подразумевает большие затраты материала и времени, поэтому предпочтительнее использовать расчетный метод. Цели работы: разработка математической модели процессов тепломассопереноса в наклонной линии вулканизации изоляции кабеля. Определение рациональных режимов работы оборудования. Результаты: методом конечных элементов реализована осесимметричная задача тепломассообмена в трубе вулканизации, получены поля температур по всей длине линии вулканизации, определены параметры оптимального режима работы вулканизационной линии. Для решения задачи использовано регрессионное выражение для определения степени сшивки в поперечных сечениях и по длине изоляционного покрытия. Реализация геометрии модели происходила при помощи сеточного генератора ANSYS ICEM CFD, расчет производился решателем ANSYS Fluent. Для подтверждения адекватности разработанной модели проведен натурный эксперимент по определению максимальной температуры в изоляции, а также выполнено сравнение с результатами численного расчета. Проведена оценка сходимости разработанной модели, а также оценка адекватности модели путем сравнения с похожими исследованиями других авторов. В ходе работы получены кривые распределения температуры на поверхности жилы и изоляции по длине линии вулканизации. Оценено влияние на распределение температуры таких производственных факторов, как скорость изолирования и режим нагрева линии. На основе полученных данных произведен расчет степени сшивки изоляции
и представлен оптимальный технологический режим сшивки. Практическая значимость: возможность использования предложенной математической модели для описания вулканизационных процессов для широкого спектра маркоразмеров кабелей среднего и высокого напряжения, выбор рациональных параметров режима вулканизации для проектируемых линий и коррекция существующих технологических режимов, что позволит повысить производительность линии без потери качества изготавливаемой продукции.

Ключевые слова: математическая модель, пероксидная сшивка, вулканизация, степень сшивки.

Корелин Артём Александрович (Пермь, Россия) – магистрант кафедры «Конструирование и технологии в электротехнике» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: korelin-art@yandex.ru).

Дятлов Илья Яковлевич (Пермь, Россия) – аспирант кафедры «Конструирование и технологии в электротехнике» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: d.i.994@yandex.ru).

Труфанова Наталия Михайловна (Пермь, Россия) – доктор технических наук, профессор, заведующая кафедрой «Конструирование и технологии в электротехнике» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: ktei@pstu.ru).

1. Kosar V., Gomzi Z. Modeling of the power cable production line // Thermochimica Acta. – 2007. – No. 457. – P. 70–82.

2. Электрическая система испытаний силовых кабелей всех классов напряжений с изоляцией из сшитого полиэтилена / В.П. Карпушенко
[и др.] // Электротехника и электромеханика. – 2013. – № 4. – С. 60–64.

3. Гольцов Е.С., Дятлов И.Я., Труфанова Н.М. Численный анализ процесса тепломассопереноса при силановой сшивке в водной ванне // Научно-технический вестник Поволжья. – 2019. – № 7. – С. 91–94.

4. Новиков Г.К. Модификация радиационной сшивки в электрическом газовом разряде и механическая прочность полиэтиленовой кабельной изоляции // Вестник Иркутск. гос. техн. ун-та. – 2017. – № 8. – С. 122–129.

5. Гурин А.Г., Корнилов Е.А., Ложкин Р.С. Перспективы применения сильноточных электронных пучков для радиационной сшивки полиэтилена // Электротехника и электромеханика. – 2013. – № 4.

6. Скрозников С.В. Закономерности формирования структурно-механических свойств сшитых полиолефинов для кабельной техники: дис. канд. техн. наук. – М., 2015. – 149 с.

7. Ogunniyi D.S. Peroxide vulcanization of rubber // Progress in rubber plastics and recycling technology. – 1999. – No. 15(2). – P. 95–112.

8. Gunewardena, A., Gilbert, M. Peroxide crosslinking of rigid polyvinylchloride // Journal of Vinyl & Additive Technology. – 2008. –
No.14(3). – P. 92–98.

9. Jiachun Wu, Zi Liang Wu, Hongmei Yang, Qiang Zheng // RSC Advances. – 2014. – No. 4.

10. Модификация пероксидного способа сшивания полиэтилена для кабельной техники / С.В. Скрозников, Д.И. Лямкин, А.Н. Жемерикин, А.В. Кобец, П.А. Черкашин, С.В. Черепенников // Успехи в химии и химической технологии. – 2011. – Т. 25. – № 12(128).

11. Likozar Blaz, Krajnc Matjaz. Kinetic modeling of the peroxide cross-linking of polymers: From a theoretical model framework to its application for a complex polymer system // Chemical Engineering and Processing. – 2011. – No. 50(2). – P. 200–210.

12. Atomistic-scale insights into the crosslinking of polyethylene induced by peroxides / Dooman Akbarian, Hossein Hamedi, Behzad Damirchi, Dundar E. Yilmaz, Katheryn Penrod, W.H. Hunter Woodward, Jonathan Moore, Michael T. Lanagan, Adri C.T. van Duin // Polymer. – 2019. – No. 183.

13. Bharat Indu Chaudhary, Thomas H.Peterson. Thermoreversible crosslinking of polyethylene enabled by free radical initiated functionalization with urethane nitroxyls // Polymer. – 2010. – Vol. 51, no. 1. – P. 153–163.

14. Kruzelak Jan, Kvasnicakova Andrea, Hudec Ivan. Peroxide curing systems applied for cross-linking of rubber compounds based on SBR // Advanced Industrial and Engineering Polymer Research. – 2020.

15. Liu Shan-Qiu, Gong Wei-Guang, Zheng Bai-Cun. The Effect of Peroxide Cross-Linking on the Properties of Low-Density Polyethylene // Journal of Macromolecular Science. – 2014. – Part B. – Vol. 53, No. 1. – P. 67–77.

16. Yeoh O.H. Mathematical Modeling of Vulcanization Characteristics // American chemical society division of rubber chemistry. – 2012. –
No. 85(3). – P. 482–492.

17. Исследование теплофизических характеристик кабельных резиновых смесей на различной стадии вулканизации / Х.Э. Мамедов, Р.А. Мустафаев, В.Н. Кириллов, В.В. Столбов // Известия высших учебных заведений. Нефть и газ. – 1985. – № 9.

18. Труфанова Н.М. Переработка полимеров. – Пермь: Изд-во Перм. гос. техн. ун-та, 2009.

19. Корелин А.А., Дятлов И.Я., Труфанова Н.М. Численное исследование процесса сшивки полиэтилена в вулканизационной трубе в среде азота // Научно-технический вестник Поволжья. – 2019. – № 7. – С. 114.

В современном мире в связи со стремительным развитием технологий и ростом их объемов возникает необходимость в своевременном извлечении информации, содержащейся на цифровых изображениях. Обнаружение объектов на фотографиях привлекает большой интерес благодаря широкому использованию их в повседневной жизни. Технология была обусловлена увеличением вычислительной мощности, доступной в программном и аппаратном обеспечении. В научной сфере достаточно актуальна задача нахождения и распознавания объектов на изображении, однако она сконцентрирована на распознавании их контуров без приведения контура к реальным размерам и не решает задачу в полном объёме. Цель исследования: разработать алгоритм нахождения контура делового остатка нестандартной формы по цифровой фотографии. Методы: исправив перспективу цифровой фотографии, для получения вида «сверху-вниз» найден контур листа А4 для приведения изображения к реальным размерам. После получения изображения с реальными размерами найден контур делового остатка. Результаты: функции исправления перспективы позволяют получить изображение вида «сверху-вниз» для получения точных контуров. Используя метод сегментации Canny, были найдены все контуры в изображении. Апроксимируя контуры изображения, найден контур листа А4 с его координатами. Вычислив евклидово расстояние между координатами и сравнив с известными размерами листа А4, изображение преобразовано к точному размеру, где 1 пиксель в изображении равен 1 мм. Выполнив ряд морфологических операций, получен единый замкнутый контур с реальными размерами, который содержит все координаты делового остатка. Проанализирована работоспособность алгоритма и выявлены основные плюсы алгоритма. Практическая значимость: разработанный алгоритм позволяет сократить время, которое тратится при ручных замерах, а контур, полученный в результате, получает реальные данные делового остатка.

Ключевые слова: Python, деловой остаток, OpenCV, NumPy, Image, обработка изображений, компьютерное зрение, исправление перспективы, распознавание образов, контур, сегментация.

Зайникова Виктория Рустемовна (Лысьва, Россия) – студентка Лысьвенского филиала Пермского национального исследовательского политехнического университета (618905, Лысьва, ул. Ленина, 2, e-mail: zaynikowa@yandex.ru).

Зыкин Сергей Анатольевич (Лысьва, Россия) – старший преподаватель кафедры ОНД Лысьвенского филиала Пермского национального исследовательского политехнического университета (618905, Лысьва, ул. Ленина, 2, e-mail: zykin_sergey@mail.ru).

Файзрахманов Рустам Абубакирович (Пермь, Россия) – доктор экономических наук, профессор, заведующий кафедрой «Информационные технологии и автоматизированные системы» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: fayzrakhmanov@gmail.com).

1. Нанавова Т.А. Алгоритм извлечения текста из видео с использованием библиотеки компьютерного зрения OPENCV // Ростовский научный журнал. – 2016. – № 7. – С. 21–40.
2. Михалин Д.А., Белов Ю.С. Применение библиотеки OPENCV для задачи распознавания лиц // Актуальные проблемы авиации и космонавтики. – 2016. – № 12. – С. 558–559.
3. Назарова Т.Ю., Лавров Д.Н. Компьютерное моделирование идентификации личности по радужной оболочке глаза на основе OPENCV // Математические структуры и моделирование. – 2014. – № 1(29). – С. 43–64.
4. Тихонова Т.С., Белов Ю.С. Основные подходы к отслеживанию и распознаванию лица // Наука, техника и образование. – 2016. – № 2(6). – С. 111–115.
5. Lienhart R., Kuranov A., Pisarevsky V. Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection: MRL Technical Report, 2002.
6. Чабан Л.Н. Методы и алгоритмы распознавания образов в автоматизированном дешифрировании данных дистанционного зондирования: учеб. пособие. – М.: Изд-во МИИГАиК, 2016. – 94 с.
7. Bradsky G., Kaehler A. Learning OpenCV. – O’Reilly, 2008. – P. 571.
8. Нгуен К.М., Колючкин В.Я. Алгоритмы контурной сегментации и распознавания образов объектов систем технического зрения // наука и образование: научное издание МГТУ им. Н.Э. Баумана. – 2013. – № 4. – С. 187–200.
9. You only look once: Unified, real-time object detection / J. Redmon, S.K. Divvala, R.B. Girshick, A. Farhadi // CoRR. – 2015. – abs/1506.02640.
10. Rich feature hierarchies for accurate object detection and semantic segmentation / R.B. Girshick, J. Donahue, T. Darrell, J. Malik // CoRR. – 2013. – abs/1311.2524. Girshick R.B. Fast R-CNN // CoRR. – 2015. – abs/1504.08083.
11. Faster R-CNN: towards real-time object detection with region proposal networks / S. Ren, K. He, R.B. Girshick, J. Sun // CoRR. – 2015. – abs/1506.01497.
12. Estimating the Object Size from Static 2D Image / O. Kainz, M.W. Horecny, F. Jakab, D. Cymbalak // CoRR. – 2015. – P. 15–17.
13. Яне Б. Цифровая обработка изображений: пер. с англ. – М.: Техносфера, 2007. – 584 с.
14. Chang P.L., Teng W.G. Exploiting the self-organizing map for medical image segmentation in Computer-Based Medical Systems // Twentieth IEEE International Symposium on. – 2007. – P. 281288.
15. Zhou Z.J., Wu H. Digital Image Processing. Part 1. Ventus Publishing ApS. – 2010.
16. Canny J.E. A computational approach to edge detection // IEEE Trans Pattern Analysis and Machine Intelligence. – 1986. – No. 8. – Р. 679–698.
17. Алгоритмы распознавания объектов / А. А. Цветков,
18. Д. К. Шорох, М. Г. Зубарева, С. В. Юрсков, А. В., Шуклин А. Л. Хамуш, И. Б. Ануфриев // Технические науки: проблемы и перспективы. – 2016. – С. 20–28.
19. Шитова О.В., Пухляк А.Н., Дроб Е.М. Анализ методов сегментации текстурных областей изображений в системах обработки изображений // Научные ведомости Белгород. гос. ун-та. Сер. Экономика. Информатика. – 2014. – № 8(179). – С. 182–188.
20. Родзин С.И., Родзина О.Н., Эль-Хатиб С.А. Гибридный муравьиный алгоритм сегментации медицинских изображений // Вестник Чувашского ун-та. – 2017. – № 3. – С. 262–272.
21. Комков В.С., Дюдин М.В. Метод сегментации растровых изображений на основе выбора оптимальных направлений обработки пикселей изображения // Российская наука и образование сегодня: проблемы и перспективы. – 2015. – № 2(5). – С. 151–154.
22. Шапиро Л., Стокман Дж. Компьютерное зрение. – М.: Бином, 2006. – 752 с.
23. Гонзалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2006. – 1072 с.
24. Rosenfeld A., Kak A.C. Digital Picture Processing. – New York: Academic press, 1976.
25. Стругайло В.В. Обзор методов фильтрации и сегментации цифровых изображений // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. – 2012. – № 5. – С. 17.
26. ГОСТ 166-89. Межгосударственный стандарт. Штангенциркули. Технические условия // Доступ из справ.-правовой системы КонсультантПлюс.
27. Власов А.А. Метод контурной сегментации канни с использованием морфологических операций // Решетневские чтения. – 2010. – № 2. – С. 479.

Развитие экономики страны ориентировано на внедрение приоритетных технологий,
в том числе обеспечивающих высокую энергетическую эффективность производственных объектов. Эффективность добычи нефти предполагает комплексный учет факторов, влияющих на электропотребление объектов нефтедобычи, включая способы эксплуатации и обслуживания оборудования, технологические режимы работы, различные физико-географические, климатические и другие условия их функционирования. Для оценки влияния климатических факторов целесообразно использовать методы математического моделирования, позволяющие проводить анализ текущих данных о состоянии объекта и выявлять наиболее критические показатели, которые следует учитывать при прогнозировании электропотребления и планировании технологического процесса нефтедобычи. Цели: формирование и апробация методики оценки влияния климатических факторов на электропотребление объектов нефтедобычи с использованием имеющейся статистической информации об их функционировании. Методы: регрессионный анализ статистических данных о работе нефтяных месторождений, включая данные о конфигурации системы электроснабжения, о существующих потребителях электроэнергии и объемах потребления, режимах работы объектов, а также данные метеорологических служб. Результаты: на основе анализа особенностей эксплуатации нефтяных месторождений предложена процедура оценки влияния климатических факторов на его электропотребление, основанная на применении регрессионного анализа и формализации аналитических зависимостей потребления от различных климатических факторов с учетом детализации структуры объекта, изменения режимов его работы, сезонности. Сформированы рекомендации касательно формирования и обработки исходных для анализа данных. Проведена практическая апробация методики на примере нефтяного месторождения, расположенного на территории Пермского края. Описана процедура повышения объективности результатов регрессионного анализа и получены аналитические зависимости электропотребления от метеорологических факторов температуры, давления, влажности воздуха и скорости ветра. Практическая значимость: методика является универсальной и может быть применена на типовых объектах, а также в смежных отраслях промышленности. Разрабатываемые аналитические зависимости позволяют учитывать влияние ключевых климатических факторов на электропотребление объектов нефтедобычи, что может быть важным этапом при планировании и управлении режимами работы объектов для улучшения показателей экономической эффективности процесса нефтедобычи.

Ключевые слова: регрессионный анализ, повышение энергетической эффективности, энергосбережение, электропотребление, климатические факторы, нефтяное месторождение, электрооборудование.

Гилев Дмитрий Васильевич (Пермь, Россия) – магистрант Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: d.gilev1@yandex.ru).

Елтышев Денис Константинович (Пермь, Россия) – кандидат технических наук, доцент, доцент кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: eltyshev@msa.pstu.ru).

1. Веселов Ф.В., Дорофеев В.В. Интеллектуальная энергосистема России как новый этап развития электроэнергетики в условиях цифровой экономики // Энергетическая политика. – 2018. – № 5. – С. 43–52.

2. Логинов Е.Л., Логинов А.Е. Интеллектуальная электроэнергетика: новый формат интегрированного управления в единой энергетической системе России // Национальные интересы: приоритеты и безопасность. – 2012. – Т. 8. – № 29 (170). – С. 28–32.

3. Ситников В.Ф., Скопинцев В.А. Интеллектуальная электроэнергетическая система с активно-адаптивной сетью // Электричество. – 2012. – № 3. – С. 2–7.

4. Hardware-in-the-loop Simulation of an Active-adaptive Power Grid / A.B. Petrochenkov, T. Frank, A.V. Romodin, A.V. Kychkin // Russian Electrical Engineering. – 2013. – Vol. 84. – No. 11. – P. 652–658. DOI: 10.3103/S1068371213110102

5. Елтышев Д.К. Выбор приоритетов при обслуживании, модернизации и обеспечении безопасности объектов энергетики // Энергобезопасность и энергосбережение. – 2017. – № 2. – С. 5–10. DOI: 10.18635/2071-2219-2017-2-5-10

6. Елтышев Д.К. К вопросу о разработке интеллектуальной экспертно-диагностической системы для оценки состояния электротехнического оборудования // Системы. Методы. Технологии. – 2017. – № 3(35). – С. 57–63. DOI: 10.18324/2077-5415-2017-3-57-63

7. Коржубаев А.Г., Эдер Л.В. Нефтедобывающая промышленность России // Бурение и нефть. – 2011. – № 4. – С. 3–8.

8. Разработка системы поддержки управленческих решений по интеллектуальному управлению объектами нефтедобычи на месторождениях нефти и газа / А.Б. Петроченков [и др.] // Информационно-измерительные и управляющие системы. – 2018. – Т. 16. – № 9. –
С. 59–67. DOI: 10.18127/j20700814-201809-09

9. Петроченков А.Б., Ромодин А.В. Разработка подходов к построению комплекса «Энергооптимизатор» // Электро. Электротехника, электроэнергетика, электротехническая промышленность. – 2013. – № 4. – С. 20–25.

10. Влияние метеорологических факторов на электропотребление / Б.И. Макоклюев, Б.С. Павликов, А.И. Владимиров, Г.И. Фефелова // Электрические станции. – 2002. – № 1. – С. 26–31.

11. Модели прогнозирования потребления электроэнергии с учетом влияния метеофакторов / Г.Р. Токарева, Р.Р. Санжапов, М.В. Савенков, Д.А. Ильин // Вестник Астрахан. гос. техн. ун-та. Сер. Управление, вычислительная техника, информатика. – 2018. – № 4. – C. 99–106. DOI: 10.24143/2072-9502-2018-4-99-106

12. Макоклюев Б.И. Анализ и планирование электропотребления. – М.: Энергоатомиздат, 2008. – 296 с.

13. Методы прогнозирования электропотребления в распределительных сетях (обзор) // Электротехника: сетевой электронный научный журнал. – 2016. – Т. 3. – № 1. – С. 3–23.

14. Kychkin А.V., Mikriukov G.P. Applied data analysis in energy monitoring system // Problems of the Regional Energetics. – 2016. –
Vol. 2(31). – P. 84–92.

15. Кычкин А.В., Микрюков Г.П. Метод обработки результатов мониторинга группы энергопотребителей // Энергобезопасность
и энергосбережение. – 2016. – № 6. – С. 9–14. DOI: 10.18635/2071-2219-2016-6-9-14

16. Eltyshev D.K., Kostygov A.M. Intelligent diagnostic control and management of the condition of electrotechnical equipment // Russian Electrical Engineering. – 2019. – Vol. 90. – No. 11. – P. 741–746. DOI: 10.3103/S1068371219110038

17. Кычкин А.В., Хорошев Н.И., Елтышев Д.К. Концепция автоматизированной информационной системы поддержки энергетического менеджмента // Энергобезопасность и энергосбережение. – 2013. – № 5. – С. 12–17.

18. Елтышев Д.К. Многокритериальный анализ решений в интеллектуальных системах оценки и управления состоянием энергетического оборудования // Информатика и системы управления. – 2018. – № 2 (56). – С. 96–107. DOI: 10.22250/isu.2018.56.96-107

19. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: –
3-е изд. – Диалектика, 2017. – 912 с.

20. Карлберг К. Регрессионный анализ в Microsoft Excel. – М.: Диалектика, 2019. – 400 c.

Голономное свойство присуще в основном мехатронным системам, которые способны изменить свою ориентацию в своей координатой системе без изменения своей позиции в пространстве. Ограничительные условия, применяемые в голономных системах, уменьшают их степень свободы. Формально голономное ограничение определяется в виде функции ограничения на пространстве конфигурации системы. В измерительно-информационных системах для решения задач повышения надежности, точности и оптимизации, как отдельных частей, так и всей системы возможно введение избыточности в виде дополнительных голономных связей. Цель исследования: разработка метода линеаризационной оптимизации голономных информационно-измерительных и мехатронных систем. Методы: для пояснения предлагаемого метода использованы основные положения задачи определения безусловного максимума функционала, характеризуемой в качестве задачи неклассического вариационного исчисления. Результаты: изложена критика классического положения теории оптимизации о том, что если система по выбранному критерию достигает минимума, то для оптимизации системы на максимум достаточно взять тот же критерий с отрицательным знаком. Такое положение, будучи логически верным, противоречит задачам, решаемым разработчиками систем, так как разработчик заранее определяет критерий оптимальности разрабатываемой системы, и изменение этого критерия ради требуемого результата недопустимо. Доказано, что если искомая функция голономной связи, на которую наложено интегральное ограничение, обеспечивает минимум (максимум) целевого функционала Лагранжа, то при условии возможности линеаризации интегранта исходного целевого функционала всегда существует функция, инверсная в отношении функции связи, при которой обеспечивается максимум (минимум) того же функционала. Таким образом, задача оптимизации решается не путем замены критерия оптимальности, а путем корректировки внутренних связей в разрабатываемой системе. Практическая значимость: результаты, полученные в настоящей работе, могут быть использованы при проектировании различных информационно-измерительных и мехатронных систем различного назначения.

Ключевые слова: голономность, оптимизация, мехатронная система, измерительно-информационная система, функционал.

Асадов Хикмет Гамид оглы (Баку, Aзербайджанская Республика) – доктор технических наук, профессор, иностранный член Академии инженерных наук им. академика А.М. Прохорова, начальник отдела Национального аэрокосмического агентства, Научно-исследова­тельского института аэрокосмической информатики (AZ1145, Баку,
ул. С.С. Ахундова, 9, e-mail: asadzade@rambler.ru).

Абдуллаева Севиндж Новруз гызы (Баку, Азербайджанская Республика) – кандидат технических наук, доцент Азербайджанского государственного университета нефти и промышленности (AZ1010, Баку, пр. Азадлыг, 20, e-mail: abdullayevasn@mail.ru).

Тарвердиева Ульвия Хикмет гызы (Баку, Азербайджанская Республика) – инженер Научно-производственного центра «ОЗОН» (AZ1133, Баку, ул. 20 Января 7, e-mail: tarverul@mail.ru).

1. Карандеев К.Б. Измерительные информационные системы и автоматика // Вестник АН СССР. – 1961. – № 10.
2. Новоселов О.И., Фомин А.Ф. Основы теории и расчета информационно-измерительных систем. – М.: Машиностроение, 1980. – 280 с.
3. Новицкий П.В., Зограф И.А. Оценка погрешностей результатов измерений. – Л.: Энергоатомиздат, 1985. – 248 с.
4. Лавинский Д.В., Морачковский О.К. Информационные технологии в аналитической механике / Харьков. политехн. ин-т. – Харьков, 2007. – 122 с.
5. Дерябин М.В., Козлов В.В. К теории систем с односторонними связями // Прикладная математика и механика. – 1995. – Т. 59. – Вып. 4. – С. 531–539.
6. Кутергин В.А. О построении и преобразовании моделей движения механической системы // Устойчивое инновационное развитие: проектирование и управление: электрон. журнал. – 2009. – № 4. – С. 28–38.
7. Андреев А.С., Перегудова О.А. Нелинейные регуляторы в задачах управления механическими системами // Автоматизация процессов управления. – 2017. – № 4(50). – С. 43–47.
8. Фрадков А.Л. Кибернетическая Физика: Принципы и примеры. – СПб.: Наука, 2003. – 208 с.
9. Филькин Н.М. Математическое моделирование динамики механических систем с неголономными связями с помощью уравнения Лагранжа второго рода // Успехи современного естествознания. – 2005. – № 2. – С. 24–25.
10. Ильясов Б.Г., Кабальнов Ю.С. Исследование устойчивости однотипных многосвязных систем автоматического управления с голономными связями между подсистемами // Автоматика и телемеханика. – 1995. – Вып. 8. – С. 82–90.
11. Kaczmarek W. Rychlik P. Design of mobile holonomic robot with wireless inertial measurement control system // Mechanic NR. – 2017. – Vol. 7. DOI: https://doi.org/10/17814/mechanic.2017.7.96
12. The control of holonomic system / T. Liptak, M. Kelemen, A. Gmiterko, I. Virgala, D. Hroncova // International Scientific Journal about Mechantronics. – 2016. – Vol. 1. – Iss. 2. – P. 15–20.
13. Бритов Г.С., Игнатьев М.Б. Избыточность в сложных измерительных информационных системах // Автометрия. – 1965. – № 5.
14. Красинская Э.М., Красинский А.Я. Об устойчивости и стабилизации равновесия механических систем с избыточными координатами // Наука и образование. – 3 марта 2013. DOI: 10.7463/0313.0541146
15. Pin F.G., Killough S.M. Omnidirectional holonomic platforms. – URL: https://inis.iaea.org/collection/NCLCollectionStore/_Public/25/066/25066957.pdf
16. Микросистемы ориентации / В.Я. Распопов, В.В. Матвеев, А.П. Шведов, М.Г. Погорелов, М.Б. Рябцев, Р.В. Алалуев, А.В. Ладонкин, В.М. Глаголев. – URL: https://cyberleninka.ru/article/n/mikrosistemy-orientatsii
17. Михайлов А.В. Конспект лекций по дисциплинам «Оптимизации управления». «Оптимальное управление технологическими объектами»: учеб. пособие. – М: Изд. комплекс МГУПП, 2009. – С. 92.
18. Эльцгольц Л.Э. Дифференциальные уравнения и вариационное исчисление. – М.: Наука, 1974. – 492 с.
19. Асадов Х.Г. Синтез одного подкласса ИИС по принципу уменьшения размерности // Измерительная техника. – 2001. – № 3. – С. 14–16.
20. Асадов Х.Г. О синтезе одного подкласса ИИС по принципу уменьшения размерности // Измерительная техника. – 2002. – № 4. – С. 17–21.

Вопросы рационального использования, контроля и сбережения энергоресурсов рассматриваются в качестве актуальных как в текущий момент времени, так и в долгосрочной перспективе. Комплексное решение задач снижения энергетических затрат и повышения энергетической эффективности предполагает грамотную энергетическую политику предприятий за счет построения и развития систем энергетического менеджмента. Основу таких систем составляют механизмы сбора, обработки и анализа данных, полученных с использованием различных информационно-аналитических решений, средств мониторинга и контроля, позволяющих определять ключевые показатели, которые характеризуют эффективность производственной деятельности. Наличие большого числа факторов, связанных с изменением параметров электроэнергетической системы, обусловливает необходимость применения для оценки и прогнозирования таких показателей методов математического моделирования электропотребления. Цель исследования: разработка методики расчета потребления и распределения электроэнергии на основе матрично-топологического метода в системе электроснабжения месторождений нефти с использованием информации, поступающей из существующих систем мониторинга. Методы: линеаризация данных во временном ряду для фильтрации исходного массива информации. Отфильтрованные массивы информации используются в качестве основы объединённого набора данных для матрично-топологического расчета. Результаты: разработаны методика и алгоритм матрично-топологического расчета электропотребления объектов нефтедобычи, которые позволяют сформировать исходный набор аналитических данных при использовании минимального количества информации, поступающей с систем мониторинга в процессе нефтедобычи, создать единый dataset системы электроснабжения предприятия с применением математические модели ее отдельных элементов, а также провести по сформированному dataset расчет распределения (потребления) электрической энергии в рамках всего месторождения с использованием матрично-топологического метода. На базе предлагаемой методики матрично-топологического расчета произведена оценка потребления электроэнергии на примере месторождения имени Сухарева предприятия ООО «ЛУКОЙЛ-ПЕРМЬ». Практическая значимость: разработанная методика может быть использована для моделирования различных производственных ситуаций, формирования балансовых заявок, упрощения процесса подбора оборудования или принятия решений.

Ключевые слова: матрично-топологический метод, системный расчет, потребление электрической энергии, обработка наборов данных.

Семенов Александр Сергеевич (Пермь, Россия) – инженер кафедры «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: zav@msa.pstu.ru).

Лейсле Александр Генрихович (Пермь, Россия) – директор ООО «Трансресурс» (614031, Пермь, ул. Костычева, 13, e-mail: leysle@mail.ru).

Петроченков Антон Борисович (Пермь, Россия) – доктор технических наук, доцент, заведующий кафедрой «Микропроцессорные средства автоматизации» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: pab@msa.pstu.ru).

Ромодин Александр Вячеславович (Пермь, Россия) – кандидат технических наук, доцент кафедры «Микропроцессорные средства автоматизации», директор научно-образовательного центра энергосбережения Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: romodin@msa.pstu.ru).

1. Fursanov M.I., Zolotoy A.A., Makarevich V.V. Calculation of technological consumption (loss) of electricity in modern 0,38–10 kV electrical distribution networks // Energetic. – 2018. – № 5. – P. 408–422.
2. Experience in Developing a Physical Model of Submersible Electrical Equipment for Simulator Systems: Research and Training Tasks on the Agenda of a Key Employer / A.B. Petrochenkov, A.V. Romodin, S.V. Mishurinskikh, V.V. Seleznev, V.A. Shamaev // Proceedings of 2018 XVII Russian Scientific and Practical Conference on Planning and Teaching Engineering Staff for the Industrial and Economic Complex of the Region (PTES). – Saint Petersburg. – 2018. – P. 114–117. DOI: 10.1109/PTES.2018.8604169. WOS:000458979100033
3. Development of the oil well electrotechnical complex model in LabVIEW: Application work package / A. Petrochenkov, A. Romodin, S. Mishurinskikh, P. Speshilov // Proceedings of 8th International Conference on Applied Innovation in IT. – Vol. 8. – Iss. 1. – Koethen; Germany, 2020. – P. 101–105. DOI: 10.25673/32767. WOS: 000563361500015
4. Prescriptive analytics: Literature review and research challenges / K. Lepenoti, A. Bosdekis, D. Apostolu, G. Mentas // International Journal of Information Management. – 2020. – No. 50. – P. 57–70.
5. Gajowniczek K., Zabkowski T. Simulations Study on clustering advances to short-term electricity forecasting // Hindаwi complexity. – 2018. – P. 1–21.
6. Probabilistic Peak Load Estimation in Smart Cities Using Smart Meter Data / M. Sun, Y. Wang, G. Strac, C. Kang // IEEE Transactions on Industrial electronics. – 2019. – № 2. – P. 1608–1618.
7. Wang Y., Kang C. Probabilistic Peak Load Assessment in Smart Cities Using Smart Meter Data // Transactions оn Industrial electronics. – 2019. – P. 160–168.
8. Kwasinski A. Quantitative model and metrics of electrical grids' resilience evaluated at a power distribution level // Energies. – 2016. – Vol. 9. – № 2. – P. 1–27. DOI: 10.3390/en9020093
9. Петроченков А.Б. О подходах к оценке технического состояния электротехнических комплексов и систем // Известия высших учебных заведений. Машиностроение. – 2012. – № 12. – С. 16–21.
10. High-voltage unit for automated monitoring of electrical energy quality in underground networks of coal mines / A.V. Lyakhomskiy, L.A. Plashchansky, S.N. Reshetnyak, M.Y. Reshetnyak // Mining Informational and Analytical Bulletin. – 2019. – Vol. 7. – P. 207–213. DOI: 10.25018/0236-1493-2019-07-0-207-213
11. Short-Circuit Calculation in Distribution Networks with Distributed Induction Generators / Niancheng Zhou, Fan Ye, Qianggang Wang, Xiaoxuan Lou, Yuxiang Zhang // Energies. – 2016. – Vol. 9(4). – P. 1–21. DOI: 10.3390/en9040277
12. Shailendra Singh, Abdulsalam Yassine. Big Data Mining of Energy Time Series for Behavioral Analytics and Energy Consumption Forecasting / Department of Software Engineering at Lakehead Univerity. – Thunder Bay, ON, P7B 5E1, Canada, 2018.
13. Sumathi S., Sivanandam S.N. Introduction to Data Mining and its Applications / Department of Electrical and Electronics Engineering PSG College of Technology. – Springer, 2006. – P. 231–241.
14. Szendy K. Korszerű Hálózatszámítási Módszerek. – Budapest: Akad. Kiado, 1967.
15. Alu Abur. Power System State Estimation. Theory and Implementation. – New York, 2004.
16. Milano F. Power System Modelling and Scripting. – Berlin, 2010. DOI: 10.1007/978-3-642-13669-6
17. Bagajewicz M. A review of techniques for instrumentation design and upgrade in process plants // Canadian Journal of Chemical Engineering. – 2002. – Vol. 80(1). – P. 3–16.
18. Taylor J.R. An Introduction to Error Analysis. – University Science Book Mill Valley, California, 1982. – 272 p.
19. Планирование процесса эксплуатации электротехнического оборудования с использованием теории марковских процессов / А.Б. Петроченков, С.В. Бочкарев, А.В. Ромодин, Д.К. Елтышев // Электротехника. – 2011. – № 11. – С. 20–24.
20. Conceptual design and engineering strategies to increase energy efficiency at enterprises: Research, technologies and personnel / A. Lyakhomskii, E. Perfilieva, A. Petrochenkov, S. Bochkarev // IEEE Conference Publications. Proceedings of 2015 IV Forum Strategic Partnership of Universities and Enterprises of Hi-Tech Branches (Science. Education. Innovations). – 2015. – P. 44–47. DOI: 10.1109/IVForum.2015.7388249