Сборник трудов ИСиТ-2014

УДК 674.047

ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ СИСТЕМ УПРАВЛЕНИЯ ПРОЦЕССОМ ПРОИЗВОДСТВА ДРЕВЕСНЫХ ПЕЛЛЕТ

Е. В. Зотова, соискатель Научный руководитель – А. О. Сафонов, д.т.н., профессор

Воронежская государственная лесотехническая академии, г. Воронеж

E-mail: zev.23021980@yandex.ru

Древесные пеллеты получили достаточно широкое распространение в мире в качестве биотоплива. Отличительными особенностями этого энергоносителя по сравнению традиционными ископаемыми углеводородами являются возобновляемость сырья, экологичность, соразмерная теплотворная способность, Производство древесных пеллет также решает проблему утилизации образующихся от технологий деревопереработки отходов, не пригодных для дальнейшего использования.

Управление технологическим процессом производства биотоплива из сырья растительного происхождение должно основываться на применении современных методов контроля, регулирования, фиксирования, измерения всех технологических показателей. Действия оператора должны сводиться к наблюдению за характером протекания технологического процесса и корректировке работы системы в случае необходимости. В результате проведенных исследований промышленного функционирующего оборудования было определена возможность создания современных систем управления этим достаточно многофакторным и сложным комплексом оборудования, сгруппированным по нескольким технологическим участкам [1]. Сейчас на рынке контрольно-измерительной аппаратуры, исполнительных механизмов, вычислительной техники имеется достаточно большое количество средств, позволяющих создавать эффективно работающие информационные системы управления любыми процессами. Технические характеристики этих средств имеются широкие интервалы по точности, температурным, влажностным, размерным и иным показателям, что дает возможность их применения в самых агрессивных средах. Отсутствие информационного обеспечения для технологии производства древесных пеллет не позволяет создавать системы управления современного уровня быстродействия и точности. Решение поставленной проблемы возможно методами системного анализа, экспертной оценки, планирования эксперимента, математического моделирования, многокритериальной оптимизации. Проведенные активные производственные эксперименты на реально действующем промышленном оборудовании позволили создать математические зависимости, дающие полную и достоверную информацию о рассматриваемых объектах управления, оборудовании для производства древесных пеллет. Разрабатываемая информационная адаптируемая система управления позволит проводить этот процесс c заданными выходными технико-экономическими характеристиками и исключит субъективность установки и реализации оптимальных значений режимных параметров.

Список литературы 1. Сафонов А.О. Новые методы управления технологиями переработки

отходов древесины в биотопливо // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2012. - №84. - С. 222231.

121

УДК 681.5

АНАЛИТИЧЕСКИЕ И ЧИСЛЕННЫЕ ИССЛЕДОВАНИЯ ПОДОБИЯ СИСТЕМ РЕГУЛИРОВАНИЯ ПО ОТКЛОНЕНИЮ

И. Е. Иноземцев, студент Научный руководитель: В. Ф. Евтушенко, д.т.н., профессор

Сибирский государственный индустриальный университет, г. Новокузнецк

E-mail: dr.inozemtsev@gmail.com

Современная теория подобия хорошо разработана и эффективно применяется для определения подобия конструктивных характеристик объектов и протекающих в них процессов преобразования энергии и вещества. Но применительно к системам управления традиционный подход к подобию является неэффективным и не дает возможности переносить результаты исследований с физической или математической модели на натурный объект или систему. В то же время можно отметить некоторые примеры применения безразмерных показателей при решении инженерных задач анализа и синтеза систем управления, где возникает необходимость раздельного сопоставления динамических свойств только каналов преобразования изменений входных воздействий объектов управления, характеристик этих воздействий, а также совместное рассмотрение динамических свойств воздействий и каналов их преобразования [1].

В работе [2] исследовано совместное влияние свойств возмущений и динамики объектов на эффективность системы регулирования, но не выведено выражений, позволяющих оценить качество регулирования при изменении этих свойств. В [1] выведено аналитическое выражение, описывающее минимальную дисперсию ошибки регулирования:

характеристика системы регулирования.

Для проведения аналитических исследований будем использовать систему компьютерной алгебры MathCAD. При известном аналитическом выражении для спектра плотности мощности входного воздействия достаточно решить выражение (1). В случае, если же в качестве входного воздействия поступает сигнал с произвольным спектром плотности мощности, следует использовать методы численного интегрирования, например, метод Гаусса.

Численные исследования САР по отклонению будем проводить используя разработанный на кафедре автоматизации и информационных систем моделирующий комплекс [3]. В качестве целевого критерия САР будем рассматривать среднеквадратическое отклонение выхода системы от заданного значения:

Для формирования возмущений с заданными свойствами воспользуемся алгоритмом, описанным в [4]. Для проверки правильности оценки свойств возмущений и численного моделирования сравним результаты, полученные с помощью

122

аналитических и численных исследований для возмущений с экспоненциально спадающей автокорреляционной функцией (АКФ):

тогда формула спектра мощности будет выглядеть [1]:

и 0,01 0,9 с шагом Δα=0,01.Интервал численного моделирования – I = 25 000 с,

шаг дискретизации по времени t = 1 с. Для примера приведем несколько графиков, более подробно же исследования будут описаны в следующих работах (рис. 1).

Рисунок 1. Пример аналитических и численных графиков СКО

Отклонения между полученными аналитически и численно значениями составили не более 3%, что является допустимым при заданной инженерной точности

5%.

К недостаткам аналитических методов можно отнести требования к характеристикам воздействий, а именно, к форме АКФ (3). С помощью же численных методов, примененных в данной работе можно использовать непосредственную оценку АКФ произвольной формы для получения достоверных результатов.

Таким образом, разработан инструмент, позволяющий оценить изменение эффективности регулирования САР при изменении свойств возмущений и динамики каналов преобразования регулирующих воздействий аналитическими, численными, а также комбинированными методами.

Список литературы

1.Ротач В.Я. Расчет динамики промышленных автоматических систем регулирования. М.: Энергия, 1973.

2.Евтушенко В.Ф., Макаров Г.В., Мышляев Л.П., Ивушкин К.А. Буркова Е.В. Исследования совместного влияния свойств возмущений и динамики объектов на эффективность системы регулирования (на примере установки сжигания водоугольного топлива)// Наукоемкие технологии разработки и использования минеральных ресурсов сборник научных статей. Новокузнецк: СибГИУ, 2013. С. 189-193.

3.Макаров Г.В., Буркова Е.В., Демченко Д.Г. Моделирующий учебноисследовательский комплекс// Системы автоматизации в образовании, науке и производстве. Новокузнецк: СибГИУ, 2013. С. 268-271.

4.Макаров Г.В., Буркова Е.В., Зайцев А.В. Формирование временных рядов данных с заданными статистическими свойствами// Системы автоматизации в образовании, науке и производстве. Новокузнецк: СибГИУ, 2013. С. 403-408.

123

УДК 004

ДОСТУП НА ВЕБ САЙТ К MICROSOFT DYNAMICS AXAPTA

Д. Л. Исмоилов, студент Научный руководитель – И. А. Соколов, к.т.н., доцент

Кузбасский государственный технический университет имени Т. Ф. Горбачева,

г. Кемерово. E-mail: ismoilov_92@mail.ru

В современном мире информационные технологии и программные продукты являются эффективными инструментами от которых зависит успех любой организации. В больших, средних и малых организациях существуют огромное количество операции, которые повторяются ежедневно. Ручное выполнение всех этих операциях очень трудоемко и требует много времени. Так как время является самым ценным ресурсом, для уменьшение времени выполнение и более эффективной реализации этих операции, разными компаниям разработаны множество продуктов решающих этих задач. Компания Microsoft для решения этих проблем предлагает свой продукт ERP систему Microsoft Dynamics Axpata. Данная ERP система охватывает все операции, начиная от складов, до самых управленческих структур. При необходимости данную систему легко подстраивать под любой процесс и написать собственные модули. Однако возникают сложности, когда необходимо предоставить информацию клиентам, поставщикам, партнерам или сотрудникам которые находятся в разных городах.

Чтобы не вводить вручную каждый раз полученную информацию или выводить в разные носители, в холдинговой компании Сибирский Цемент было принято решение о создание веб портала. Веб портал должен предоставить данные из Microsoft Dynamics Axpata пользователям, находящимся вне стен данной организации. Также необходимо было реализовать функцию автоматически импорта данных из веб портала.

Для решения поставленной задачи было рассмотрено несколько способов, позволяющих осуществлять экспортировать и импортировать данные меду Microsoft Dynamics Axpata и веб порталом. После анализа выявили наиболее популярных вариантов решение и более простых в реализации. У нас были три способа решения, между которых надо было выбирать: использование .NET BusinessConnector; использование PHPBusinessConnector; Корпоративный портал средствами самого

Microsoft Dynamics Axpata.

Использование .NET BusinessConnector для написания приложение на платформе .NET не сложно в реализации и позволяет быстро получить доступ к данным Microsoft Dynamics Axpata. Однако, для приложения ASP.NET все оказалось не так просто. При использование PHP BusinessConnector получение доступа к данным Microsoft Dynamics Axpata относительно первого способа оказалось легче. Но тут проблема заключалось в том, что данные предоставляются в виде таблиц и это более трудоемкая задача.

Корпоративный портал самого Microsoft Dynamics Axpata работает с другим продуктом это Microsoft SharePoint. Для создания корпоративного портала Microsoft Dynamics Axpata необходимо на серверной машине установить клиентскую версию Axapta, ISS и SharePoint. Преимущество данного способа решение перед другим в том, что он легче в реализации, а также в SharePoint есть готовые веб элементы, работающие с данными Axapta. Еще одним преимуществом является возможность развертывать портала для разных категории пользователей с разними уровнями доступа.

124

УДК 504.5.06:622:528.8.044.2

ОПРЕДЕЛЕНИЕ ДЕФОРМАЦИЙ ЗЕМНОЙ ПОВЕРХНОСТИ В СЕЙСМООПАСНЫХ РАЙОНАХ КУЗБАССА ПО ДАННЫМ

COSMO-SKYMED И ALOS PALSAR

О. Л. Гиниятуллина, к.т.н., научный сотрудник, Л. С. Миков, аспирант, ведущий специалист

Научный руководитель – В. П. Потапов, д.т.н., профессор Институт вычислительных технологий СО РАН (Кемеровский филиал)

г. Кемерово

vadimptpv@gmail.com , skiporol@mail.ru, mikov@ict.sbras.ru

Одним из результатов все более интенсивного освоения недр стало глобальное изменение экологической и геодинамической безопасности природной среды. Интенсивная добыча полезных ископаемых привела к увеличению нагрузки на недра и, как следствие, к перераспределению напряженно-деформируемого состояния весьма значительных объемов горной массы с неблагоприятными последствиями для окружающей природной среды [1]. Изменения поверхности угледобывающих регионов, возникающие вследствие неравномерных оседаний и горизонтальных сдвижений горных пород, достигают больших по протяженности территорий и являются источником аварийных ситуаций, которые, в свою очередь, могут нанести вред не только окружающей среде и режиму работы предприятия, но также и человеческим жизням.

На сегодняшний день Кузбасс - это крупнейший горнопромышленный регион в России. Его отличительной особенностью является высокая техногенная нагрузка, связанная с постоянным увеличением объемов угледобычи. Более того, на территории Кузбасса каждый год происходит более десяти тысяч геодинамических событий как природного, так и техногенного характера (промышленные взрывы). Одно из сильнейших землетрясений в Кемеровской области произошло 19 июня 2013 года в 21 километре от города Белово. В результате землетрясения пострадало около 5 тысяч домов. Общий ущерб составил 1,7 млрд. рублей [7].

В настоящее время существует несколько способов определения деформаций земной поверхности: геодезические и инженерно-технологические методы, фотограмметрия, LIDAR. Отдельного внимания заслуживают методы радарной интерферометрии, которые используются в данной работе. Эти методы предоставляют возможность производить площадную оценку деформаций земной поверхности на больших территориях (несколько сотен квадратных километров) независимо от погодных условий. Более того данные методы позволяют получать результаты с высокой точностью при относительно низкой стоимости исходных данных.

Деформации поверхности могут быть вызваны различными видами антропогенных или природных процессов, например, с одной стороны, горными работами или удалением грунтовых вод и, с другой стороны, землетрясениями, вулканической активностью, или оползнями. Величина такого деформационного процесса может составить несколько сантиметров в год. В зависимости от типа процесса деформации, изменения могут происходить медленно с постоянной скоростью или внезапно (например, землетрясения). В любом случае, крайне трудно, а иногда даже невозможно контролировать такие тонкие изменения с помощью оптических датчиков. Потенциал радиолокационного дистанционного зондирования для обнаружения незначительных значений смещений земной поверхности с помощью

125

интерферометрии был исследован относительно давно [8]. В результате были разработаны два основных метода обработки радарных данных - дифференциальная интерферометрия (DinSAR) и интерферометрия постоянных отражателей (PSI). Оба этих метода основаны на интерферометрической обработке пар снимков (InSAR) [9]. Для определения смещений поверхностей в сейсмоопасных районах Кузбасса применялся первый метод.

Исследования проводились на территории городов Ленинск-Кузнецкий, Полысаево, Белово. В ходе работы был сформирован массив радарных изображений среднего и высокого разрешения со спутников ALOS PALSAR (Япония) и COSMO SkyMed (Италия) за период 2007-2013 гг.

В ходе обработки исходных радарных изображений методами радиолокационной интерферометрии были построены дифференциальные интерферограммы для определения площадей деформаций, и карты вертикальных смещений для определения их численного значения в исследуемом районе. Все это позволило зарегистрировать несколько локальных участков деформаций, а также установить, что в сейсмоопасных регионах Кузбасса в течение шести лет наблюдается постоянное расширение зон смещений земной поверхности.

Список литературы

1.Мусихин, В.В. Мониторинг процессов оседаний земной поверхности в районах интенсивного недропользования на основе интерферометрической обработки данных космического радиолокационного зондирования: дис. … канд. техн. наук. Пермь., 2012. 146 с.

2.Акпамбетова, К.М. Влияние техногенной нагрузки на развитие рельефа// Современные проблемы экологии Центрального Казахстана. Караганда: ТОО «Инкварто», 1998. С. 66–72.

3.Голубев, Е. В. Геоморфологические исследования при освоении нефтегазовых месторождений Сибири // Всероссийская научно-практическая конференция «100 лет падению Тунгусского метеорита (эстафета поколений)», сборник материалов [Электронный ресурс]. — Красноярск: Сибирский федеральный ун-т, 2008.

—URL: http://conf.sfu-kras.ru/conf/tungus100/report?memb_id=349 (дата обращения: 11.03.2014).

4.Курлович, Д.М. Определение геоморфологических условий строительства объектов горнопромышленного комплекса Навай в Боливарианской Республике Венесуэла [Текст] / Д. М. Курлович // Вестник Белорусского государственного университета. Сер. 2, Химия. Биология. География. - 2012. - № 2. - С. 76-80

5.Селезнева, Е.В. Применение лазерного сканирования в геоморфологических исследованиях [Текст] / Е. В. Селезнева // Вестник Московского университета. Сер. 5, География. - 2013. - № 2. - С. 47-53

6.Шайхиев, И.Р. Геоэкологические проблемы освоения Бакчарского железорудного месторождения методом скважинной гидродобычи // Известия Томского политехнического университета. 2013. Т. 322. № 1. С. 152-157

7.Ущерб от землетрясения в Кузбассе вырос до 1,7 млрд рублей [электрон. ресурс].–2013.– URL: http://ria.ru/incidents/20130701/946863025.html (дата обращения: 3.03.2014).

8.Soergel U. Radar Remote Sensing of Urban Areas. Hannover: Springer. – 2012. –

277 С.

9.Rosen PA, Hensley S, Joughin IR, Li FK, Madsen SN, Rodrıguez E, Goldstein

RM Synthetic aperture radar interferometry. Proc IEEE 88(3). – 2000. – С. 333–382

126

УДК 004

ОБУЧЕНИЕ НЕЙРОСЕТОВОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ ОПРЕДЕЛЕНИЯ СОСТАВА УГОЛЬНОГО КОНЦЕНТРАТА С ИСПОЛЬЗОВАНИЕМ БАЗЫ ДАННЫХ УНИКАЛЬНЫХ УГЛЕЙ

И.Л. Корниенко, магистрант Научный руководитель – А.Г. Пимонов, д.т.н., профессор

Кузбасский государственный технический университет имени Т.Ф. Горбачева, г. Кемерово

E-mail: bisness1990@mail.ru

ОАО «Кокс» [1] – один из крупнейших в России производителей металлургического кокса. Комбинат расположен в городе Кемерово. Это одно из лучших предприятий в России, год от года наращивающее производство. Для обеспечения определенного качества кокса и химических продуктов коксования допустимые отклонения от заданного участия компонентов в шихте не должны превышать 2%. Качество угольных концентратов влияет на качество получаемой шихты и, как следствие, получаемого из нее кокса, а также это основной фактор, определяющий экологическую обстановку на предприятии. Предприятия, поставляющие угольный концентрат, предоставляют определенные документы, в которых указаны марки составляющих его углей. Но, как оказалось, в большинстве случаев реальный состав сильно расходится с тем, который описан в документах. В настоящее время для определения состава угольного концентрата используется методика, основанная на изучении спектров взаимодействия материи с излучением, включая спектры электромагнитного излучения, акустических волн, распределения по массам и энергиям элементарных частиц и др. Проблема в том, что данный способ требует больших временных и финансовых затрат. Поэтому для решения проблемы была разработана система, которая позволяет определять состав угольного концентрата без использования дорогостоящего оборудования (рис. 1). В основу информационной системы была положена нейронная сеть [2], так как она обладает следующими преимуществами: решение задач при неизвестных закономерностях; устойчивость к шумам во входных данных; адаптация к изменениям окружающей среды; потенциальное сверхвысокое быстродействие.

Рис. 1. Главное окно программы Для того чтобы данная нейросетевая система смогла определять состав

угольного концентрата, ее необходимо обучить [3]. Для обучения нейронной сети используется обучающая выборка, которая содержит набор угольных концентратов с уже известным составом. Первоначально обучающая выборка загружалась из текстового файла или листа MS Excel. Но при добавлении нового концентрата или при корректировке параметров уже существующего приходилось вручную вносить

127

изменения в файлы обучающей выборки и после этого обучать сеть заново. Для решения данной проблемы было решено реализовать подключение интеллектуальной информационной системы к базе данных уникальных углей. Назначение базы данных – организация информации таким образом, чтобы можно было легко и быстро находить её, чтобы одну и ту же совокупность данных можно было использовать для максимального числа приложений. Вся информация в базе данных отражает действительное состояние объекта, т. е. постоянно дополняется, корректируется. Система управления базой данных обрабатывает новые данные, сортирует их, делает выборки по определенным критериям и т. п. (рис. 2).

Рис. 2. База данных уникальных углей База данных углей облегчает процесс подготовки данных для анализа углей,

получение различных выборок. В ней хранится большой объем упорядоченной по различным признакам и свойствам угля информации, которая постоянно пополняется и изменяется. На основе систематизированных данных можно решать самые разные прогнозные задачи. Созданная база данных может быть использована для обеспечения информационно-аналитической поддержки управленческих решений, принимаемых при эксплуатации угольных месторождений, а также позволяет проводить содержательный поиск и обработку данных по углю. Характеристики углей используются в качестве исходных данных в нейронной сети, позволяющей определять состав угольного концентрата. Для подключения системы к базе данных уникальных углей пользователь должен ввести данные для подключения, после чего будет установлено соединение с базой. Далее можно запустить проверку, в ходе которой система определит, имеются ли какие-то расхождения в параметрах и при выявлении таких предложит пользователю переобучить сеть. Также пользователь может сразу запустить переобучение нейронной сети без проверки.

Использование базы данных уникальных углей позволить автоматизировать процесс обучения нейросетевой информационной системы для определения состава угольного концентрата, что позволит не допускать ошибочных результатов, часто появляющихся при ручном заполнении файлов обучающей выборки. Использование интерфейса не требует навыков работы с базами данных, поэтому воспользоваться данной технологией могут многие сотрудники предприятия.

Список литературы:

1.Официальный сайт ОАО «КОКС» [Электронный ресурс]. – Режим доступа: http://www.kemerovokoks.ru, свободный.

2.Каллан, Р. Основные концепции нейронных сетей / Каллан Р. – Вильямс,

2002. – 288 с.

3.Бодянский, Е.В. Искусственные нейронные сети: архитектуры, обучение, применения / Е.В. Бодянский, О.Г. Руденко. – Харьков: Телетех, 2004. – 369 с.

128

УДК 004

ЭВОЛЮЦИЯ KЛАСТЕРОВ

Д. Ю. Мохов, студент Научный руководитель - Т. В. Сарапулова, к.т.н., ст. преподаватель

Кузбасский государственный технический университет имени Т. Ф. Горбачева, г. Кемерово

E-mail: dima_kem@mail.ru

С появления самых первых ЭВМ, занимавших огромные по нынешним меркам площади, люди загружали их самыми разными вычислительными задачами: какие-то были элементарны, а какие-то требовали значительных затрат времени для получения конечных результатов расчета… И так было до тех пор, пока люди не предприняли попытки в удвоении, а то и в утроении вычислительных мощностей при текущем уровне производительности компьютеров, и самым логичным было соединение нескольких компьютеров, откуда и началась история технологии параллельных вычислений, именуемая кластер.

Вначале 1970-х объединенными силами группы разработчиков всем известного протокола TCP/IP и лаборатории Xerox PARC были закреплены стандарты сетевого взаимодействия. В последствии, годом спустя, появилась специализированная операционная система «Hydra», которая была способна объединять мощности нескольких ЭВМ для работы над одной задачей.

Как это бывает, группы инженеров всякий раз сталкивались с проблемами и пытались их как-то решать, что в дальнейшем породило множество различных архитектур. С 1971 года прошло 43 года, за это время данная технология разрослась достойным количеством видов: отказоустойчивые кластеры, кластеры с балансировкой нагрузки, вычислительные кластеры, системы распределенных вычислений, также известные, как Grid.

Если сегодня поставить задачу собрать кластер, то необходимо определиться с целями и видом архитектуры под решение поставленной задачи. Скорость вычислительных процессоров значительно выросла, перспективным решением является распараллеливание вычислений на графических процессорах SIMD – Singe

Instruction stream, Multiple Data stream. Не стоит забывать и о многоядерных архитектурах MIMD – Multiple Instruction stream, Multiple Data Stream, которые могут брать на себя решение уже несколько более сложных вычислительных процессов. Сегодня сложно найти компьютер с одноядерным процессорным решением, что говорит об усложнении компьютерных систем, в сравнении тем, что было даже десять лет назад.

На фоне возросших способностях вычислительной мощи, несколько застопорилась развитие пропускной шины и, что уж говорить о жестких дисках, которые в настоящий момент активно вытесняются SSD-накопителями… Очередной проблемой встает скорость передачи данных между компьютерами, тут чаще прибегают к подключению высокоскоростного свитча и выбор падает на тот, что поддерживает множество различных протоколов и скорость передачи данных от 1 до 10 Гбит/с, но их цена начинается с 1000$.

Взаключение отметим, что эволюция ЭВМ сопровождалась множеством прорывов в той или иной области. В ближайшем будущем найдутся оптимальные решения, позволяющие найти баланс между ценой, мощностью и скоростью будущих суперкомпьютеров, доступных куда более широкому кругу лиц.

129