Адаптивные тренажерные комплексы (АТК) являются эффективными инструментами подготовки персонала, действующего в штатных и аварийных ситуациях, и позволяют смоделировать ситуации, реализация которых в реальных условиях невозможна из-за большой стоимости или риска для здоровья и жизни человека. Цель исследования: автоматизация процессов управления, анализа и обработки информации, что позволит снизить затраты на их проектирование и повысить качественные характеристики АТК. Методы: в качестве инструмента автоматизации процессов управления, анализа и обработки информации рассматриваются методы, функционирующие на основе нейросетевых технологий, объединенные в единую концепцию нейросетевой архитектуры. Результаты: в работе изложены результаты применения данной архитектуры и нейросетевых методов для решения задачи структурно-параметрического синтеза и оптимизации АТК. Рассмотрена классическая и нейросетевая архитектура АТК, формализованы основные компоненты системы и связи между ними, критерии оценки эффективности. Сформулированы задача структурно-параметрического синтеза АТК и алгоритм ее решения, основанный на модернизации методологии RAD. Применение нейросетевой архитектуры позволило автоматизировать процессы анализа и обработки информации в ключевых модулях АТК, упростить реализацию процедуры управления компонентами взаимодействия с виртуальной реальностью. Положительный эффект от перехода на нейросетевую архитектуру заключается в снижении экономических затрат (на 18,9 %), в снижении реализации программного обеспечения (на 19,6 %), повышения адаптивности (на 20 %), качества системы (на 12 %) и производительности (на 5,5 %). Практическая значимость: полученные результаты подтверждают возможность применения изложенных подходов для реализации АТК и автоматизации процессов управления, анализа и обработки информации в них.

Ключевые слова: нейросетевая архитектура, нейросетевые технологии, автоматизация управления и обработки информации, адаптивные тренажерные комплексы.

Обухов Артем Дмитриевич (Тамбов, Россия) – кандидат технических наук, доцент кафедры «Системы автоматизированной поддержки принятия решений» Тамбовского государственного технического университета (392000, Тамбов, ул. Советская, 106, e-mail: obuhov.art@gmail.com).

1. From One-size-fits-all Teaching to Adaptive Learning: The Crisis and Solution of Education in the Era of AI / S. Yang [et al.] // Journal of Physics: Conference Series. – IOP Publishing, 2019. – Vol. 1237, № 4. – P. 042039. DOI: 10.1088/1742-6596/1237/4/042039
2. Chistyakova T.B., Novozhilova I.V. Intelligence computer simulators for elearning of specialists of innovative industrial enterprises // 2016 XIX IEEE International Conference on Soft Computing and Measurements (SCM). – IEEE, 2016. – P. 329–332. DOI: 10.1109/SCM.2016.7519772
3. Creation of a Virtual Model of Educational Programs Management in a University / E.K. Samerkhanova [et al.] // Institute of Scientific Communications Conference. – Springer, Cham, 2019. – P. 602–609. DOI: https://doi.org/10.1007/978-3-030-47945-9_65
4. A Mathematical Model of Organizing the Developmental Instruction in the System of Professional Education / A. Obukhov [et al.] // Tehnički vjesnik. – 2020. – Vol. 27, № 2. – P. 480–488. DOI: https://doi.org/10.17559/TV-20180427193719
5. Methodology of Forming the Readiness of Miners for Work in Extreme Situations Using a Training Complex / M. Krasnyansky [et al.] // International Journal of Emerging Technologies in Learning (iJET). – 2020. – Vol. 15, № 02. – P. 86–97.
6. Ericsson K.A. Acquisition and maintenance of medical expertise: a perspective from the expert-performance approach with deliberate practice // Academic Medicine. – 2015. – Vol. 90, № 11. – P. 1471–1486. DOI: https://doi.org/10.1097/ACM.0000000000000939
7. Approximating explicit model predictive control using constrained neural networks / S. Chen [et al.] // 2018 Annual American control conference (ACC). – IEEE, 2018. – P. 1520–1527. DOI: 10.23919/ACC.2018.8431275
8. Towards optimal power control via ensembling deep neural networks / F. Liang [et al.] // IEEE Transactions on Communications. – 2019. – Vol. 68, № 3. – P. 1760–1776. DOI: 10.1109/TCOMM.2019.2957482  
9. Obukhov A.D., Krasnyansky M.N. Neural network architecture of information systems // Vestnik Udmurtskogo Universiteta. Matematika. Mekhanika. Komp'yuternye Nauki. – 2019. – Vol. 29, № 3. – P. 438–455. DOI: https://doi.org/10.20537/vm190312
10. Diesel engine modeling based on recurrent neural networks for a hardware-in-the-loop simulation system of diesel generator sets / M. Yu [et al.] // Neurocomputing. – 2018. – Vol. 283. – P. 9–19. DOI: https://doi.org/10.1016/j.neucom.2017.12.054
11. Personalized learning full-path recommendation model based on LSTM neural networks / Y. Zhou [et al.] // Information Sciences. – 2018. – Vol. 444. – P. 135–152. DOI: https://doi.org/10.1016/j.ins.2018.02.053
12. Machine learning identification of surgical and operative factors associated with surgical expertise in virtual reality simulation / A. Winkler-Schwartz [et al.] // JAMA network open. – 2019. – Vol. 2, № 8. – P. e198363-e198363. DOI: 10.1001/jamanetworkopen.2019.8363
13. State-of-the-art in artificial neural network applications: A survey / O.I. Abiodun [et al.] // Heliyon. – 2018. – Vol. 4, № 11. – P. e00938. DOI: https://doi.org/10.1016/j.heliyon.2018.e00938
14. Hao L., Zhang J., Ma X. Design and Implementation of Simulation Training System Based on MVC Architecture // IOP Conference Series: Materials Science and Engineering. – IOP Publishing, 2019. – Vol. 563, № 5. – P. 052043. DOI: 10.1088/1757-899X/563/5/052043
15. A new mobile wireless imitator of mine insulating self-rescuer / S. Karpov [et al.] // International Multidisciplinary Scientific GeoConference: SGEM. – 2018. – Vol. 18, № 1.3. – P. 33–39. DOI: 10.5593/sgem2018/1.3/S03.005
16. Structural model of software and hardware platform for the training complex based on a controlled treadmill / S. Karpushkin [et al.] // International Multidisciplinary Scientific GeoConference: SGEM. – 2019. – Vol. 19, № 1.3. – P. 613–619. DOI: 10.5593/sgem2019/1.3/S03.078
17. Системный анализ и формализация структуры адаптивных тренажерных комплексов эргатических систем / М.Н. Краснянский, Д.Л. Дедов, А.Д. Обухов, С.Ю. Алексеев // Вестник компьютерных и информационных технологий. – 2019. – № 4. – С. 45–52.
18. A Systematic Review on Software Cost Estimation in Agile Software Development / S. Bilgaiyan [et al.] // Journal of Engineering Science & Technology Review. – 2017. – Vol. 10, № 4. – P. 51–64.
19. Kalemba E., Ade-Ibijola A. A Metric for Estimating the Difficulty of Programming Problems by Ranking the Constructs in their Solutions // 2019 International Multidisciplinary Information Technology and Engineering Conference (IMITEC). – IEEE, 2019. – P. 1–9. DOI: 10.1109/IMITEC45504.2019.9015843
20. Яковлев Ю.С., Курзанцева Л.И. О развитии адаптивного человеко-машинного интерфейса и критериях его оценки в учебных системах // Образовательные технологии и общество. – 2013. – Т. 16, № 1. – C. 547–563.
21. Bastien J.M.C., Scapin D.L. Evaluating a user interface with ergonomic criteria // International Journal of Human Computer Interaction. – 1995. – Vol. 7, № 2. – P. 105–121. DOI: https://doi.org/10.1080/10447319509526114
22. Бурдыко Т.Г., Бушмелева К.И. Показатели качества программных средств // Вестник кибернетики. – 2020. – № 1. – С. 60–66.
23. Буланов В.А., Фомичёва О.Е. Современные проблемы оценки производительности информационных систем // Промышленные АСУ и контроллеры. – 2020. – № 1. – С. 49–54.

Виртуальные анализаторы (ВА) широко применяются в задачах контроля показателей качества технологических процессов. Во многих случаях существует проблема адекватности используемой
в структуре ВА математической модели на всем пространстве состояний технологического процесса. В приведенной работе исследуется возможность определения существующих устойчивых состояний процесса (режимов) на основе исторических данных о технологических параметрах и выбора одной из ряда моделей в структуре ВА в зависимости от текущего режима работы технологической установки. Цель: повышение точности работы виртуального анализатора остаточной влажности KCl после стадии сушки в печи кипящего слоя (КС) путем введения в его структуру алгоритма учета режима работы технологической установки. Результаты: исследованы тренды технологических параметров процесса сушки; выделены параметры, определяющие режим работы технологической установки; проведен кластерный анализ оценок математических ожиданий значений этих параметров. В результате определены два режима работы аппарата КС. Для каждого из найденных режимов обучена статистическая модель, определяющая зависимость влажности на выходе аппарата КС от значений технологических параметров процесса. Разработан алгоритм учета режима, который осуществляет идентификацию режима в зависимости от текущих значений технологических параметров, сделан выбор соответствующей режиму модели. Проведен вычислительный эксперимент по оценке и сравнению работы ВА без алгоритма учета режима в своей структуре и ВА с встроенным алгоритмом учета режима и рядом статистических моделей. Использование алгоритма учета режима в структуре ВА уменьшило показатель среднеквадратической ошибки результата работы ВА на 16 % и таким образом существенно повысило точность работы ВА. Практическая значимость: результаты исследования использованы при разработке  виртуального анализатора остаточной влажности KCl после стадии сушки в печи КС на калийном предприятии. Они позволяют определить режимы работы аппарата КС и повысить точность определения показателя качества процесса сушки, что делает возможным более точное управление процессом. В дальнейшем разработанный подход может использоваться, например, для определения режимов технологического процесса, характеризующихся необходимостью вывода оборудования в ремонт и оптимизации графика техобслуживания.

Ключевые слова: хлористый калий, сушка, кипящий слой, виртуальный анализатор, модель регрессии, кластеризация, режимы процесса.

Дадиомов Роман Юрьевич (Пермь, Россия) – руководитель направления «Цифровое производство» ООО «Спутник-2» (614036, Пермь, ул. Рязанская, 105, e-mail: roman.dadiomov@sputnic2.ru).

Шумихин Александр Георгиевич – доктор технических наук, профессор кафедры «Оборудование и автоматизация химических производств» Пермского национального исследовательского политехнического университета (614990, Пермь, 29, Комсомольский пр., e-mail: atp@pstu.ru).

Корнилицин Дмитрий Константинович (Пермь, Россия) – аспирант кафедры ««Оборудование и автоматизация химических производств»» Пермского национального исследовательского политехнического университета (614990, Пермь, 29, Комсомольский пр., e-mail: kornilitsin.dima@mail.ru).

1. Алексанян И.Ю., Титова Л.М., Нугманов А.Х. Моделирование процесса сушки дисперсного материала в кипящем слое // Food Processing: Techniques and Tehnology. – 2014. – № 3.
2. Бахтадзе Н.Н. Виртуальные анализаторы (идентификационный подход) // Автоматика и телемеханика. – 2004. – № 11. – С. 3–24.
3. Самотылова С.А. Разработка виртуальных анализаторов для системы управления массообменными технологическими процессами производства метил-трет-бутилового эфира: дис. ... канд. техн. наук. – Владивосток, 2020. – 132 с.
4. Рылов М.А. Информационная система контроля качества продукции на установке каталитического риформинга бензина: дис. ... канд. техн. наук. – М., 2015. – 356 с.
5. Гурьева Е.М., Ибатуллин А.А. Виртуальные анализаторы качества в нефтепереработке // Автоматизация, мехатроника, информационные технологии: материалы VI Междунар. науч.-техн. интернет-конф. молодых ученых (17 мая 2016 г.). – Омск: Изд-во Омск. гос. техн. ун-та, 2016. – С. 181–186.
6. Александров И.М. Построение виртуального датчика на примере датчика концентрации этан-этиленовой колонны // Вестник АГТА. – 2011. – № 5. – С. 45–51.
7. Системы управления качеством производства минеральных удобрений на основе виртуальных анализаторов / Н.А. Туманов, Д.Н. Туманов, В.М. Чадаев, Н.Н. Бахтадзе // Автоматизация в промышленности. – 2003. – № 8. – С. 33–35.
8. Опыт разработки системы виртуального анализа показателей качества продуктов установок каталитического риформинга бензиновых фракций и системы их подстройки в режиме реального времени / А.Г. Шумихин, М.П. Зорин, А.М. Немтин, В.Г. Плехов // Вестник Пермского национального исследовательского политехнического университета. Химическая технология и биотехнология. – 2017. – № 2. – С. 45–62.
9. Гребенюк Е.А., Ицкович Э.Л. Анализ вариантов виртуальных анализаторов качественных показателей материальных потоков непрерывного технологического производства // Управление развитием крупномасштабных систем: тр. 10-й Междунар. конф. (MLSD'2017, Москва) / ИПУ РАН. – М., 2017. – Т. 1. – С. 348–354.
10. Коченгин А.Е., Леонов А.В., Барбасова Т.А. Применение методов кластеризации для определения рабочих режимов доменной печи // Новое слово в науке: перспективы развития: материалы VI Междунар. науч.-практ. конф. (Чебоксары, 20 ноября 2015 г.) / редкол.: О.Н. Широков [и др.] – Чебоксары: Изд-во ЦНС «Интерактив плюс», 2015. – С. 152–153.
11. Иванченко А.В., Мельников А.В. Этапы кластеризации в интеллектуальном анализе данных // Перспективы развития информационных технологий. – 2013. – № 12. – С. 17–22.
12. Ершов К.С., Романова Т.Н. Анализ и классификация алгоритмов кластеризации // Новые информационные технологии в автоматизированных системах. – 2016. – № 19. – С. 274–279.
13. Jain A., Murty M., Flynn P. Data Clustering: A Review // ACM Computing Surveys. – 1999. – Vol. 31, № 3.
14. Ткачев Н.Н. Статистические методы в математическом моделировании и научных исследованиях: учеб. пособие для студ. спец. 21.03 «Роботы и робототехнические системы» / КГТУ. – Красноярск, 1996. – 151 c.
15. Тугашова Л.Г. Виртуальные анализаторы показателей качества процесса ректификации // Электротехнические и информационные комплексы и системы. – 2013. – № 3.
16. Самотылова С.А., Торгашов А.Ю. Построение виртуального анализатора процесса ректификации в условиях малой обучающей выборки данных // Математические методы в технике и технологиях. – 2019. – Т. 2. – С. 10–13.
17. Горбачевская Е.Н. Классификация нейронных сетей // Вестник Волжск. ун-та им. В.Н. Татищева. – 2012. – № 2(19).
18. Дадиомов Р.Ю., Корнилицин Д.К., Шумихин А.Г. Математическое моделирование процесса сушки хлористого калия в кипящем слое с целью разработки виртуального анализатора влажности // Химия. Экология. Урбанистика: материалы всерос. науч.-практ. конф. (с междунар. участ.), (г. Пермь, 23–24 апреля 2020 г.). – Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2020. – Т. 4.
19. Model Predictive Control of Potassium Chloride Drying by Fluidized Bed Dryer / R.C. Miranda [et al.] // IFAC Proceedings Volumes. – 2013. – Vol. 46, № 16. – P. 76–80.
20. Якимов А.И., Борчик Е.М., Максимов Е.М. Кластеризация  состояний объекта при решении задачи выбора оптимальных технологических режимов // Информационные технологии и вычислительные системы. – 2016. – № 4.

Качество электрической энергии в электроэнергетической системе объектов водного транспорта непосредственно связано с режимами эксплуатации судна и типом применяемого генераторного агрегата. Например, в стояночных режимах судна с погрузкой или в режимах маневрирования при включении электродвигателей от судовой электростанции соизмеримой мощности параметры напряжения могут выходить за пределы допустимых значений, что приводит к различным негативным последствиям: уменьшению производительности исполнительных механизмов и систем, появлению сбоев в работе систем управления, сокращению срока службы электрических машин и т.д.
В настоящее время помимо разработок устройств, адаптивных к нестабильности параметров напряжения, ведутся изыскания в области энергосберегающих решений. Одним из перспективных решений в этой области является применение в судовой электростанции дизель-генераторов с переменной частотой вращения, которые позволяют уменьшить удельный расход топлива и горюче-смазочных материалов по сравнению с двигателями внутреннего сгорания с постоянной частотой вращения при работе на долевых нагрузках. Однако главной особенностью таких генераторных агрегатов является изменение частоты напряжения на выходных клеммах генератора. Недостатком технических решений на основе использования непосредственных преобразователей частоты является зависимость параметров выходного напряжения от изменения параметров напряжения источника электроэнергии. Цель исследования: разработка имитационной модели бестрансформаторного непосредственного преобразователя частоты для анализа её выходных параметров при изменении параметров напряжения источника электроэнергии. Методы: для исследования разработанного устройства выполнен ряд опытов на основе имитационной модели в среде MatLab. Результаты: разработанное устройство обеспечивает подключение выходных зажимов к наиболее подходящему напряжению питающей сети при формировании выходного напряжения с заданными значениями амплитуды и частоты напряжения. Частота выходного напряжения не зависит от частоты напряжения источника электроэнергии. Формирование выходного напряжения обеспечивается в диапазоне от 11 до 100 % амплитуды линейного напряжения источника электроэнергии при коэффициенте нелинейных искажений не более 25 %. Практическая значимость: результаты анализа показали возможность применения бестранформаторного непосредственного преобразователя частоты для питания частотно-управляемых электроприводов переменного тока в автономных энергоустановках
с переменной частотой вращения привода генератора с целью получения стабильной частоты выходного напряжения.

Ключевые слова: непосредственный преобразователь частоты, судовая электроэнергетическая система, параметры напряжения, моделирование.

Сугаков Валерий Геннадьевич (Нижний Новгород, Россия) – доктор технических наук, профессор кафедры «Электротехника
и электрооборудование объектов водного транспорта» Волжского государственного университета водного транспорта (603951, Нижний Новгород, ул. Нестерова, 5, e-mail: elektrikasp@mail.ru).

Варламов Никита Сергеевич (Нижний Новгород, Россия) – аспирант кафедры «Электротехника и электрооборудование объектов водного транспорта» Волжского государственного университета водного транспорта (603951, Нижний Новгород, ул. Нестерова, 5, e-mail: varlamov_nikita@mail.ru).

Малышев Юрий Сергеевич (Нижний Новгород, Россия) – кандидат технических наук, доцент кафедры «Электротехника и электрооборудование объектов водного транспорта» Волжского государственного университета водного транспорта (603951, Нижний Новгород, ул. Нестерова, 5, e-mail: elektrikasp@mail.ru).

1. Mukund R. Patel Shipboard Propulsion, Power Electronics and Ocean Energy. – CRC Press, 2012. – 379 p.
2. Судовые полупроводниковые преобразователи: учебник по курсу «Полупроводни