авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 3 | 4 || 6 |

«ISSN 2306-1561 №4.2(7) Автоматизация и управление в технических системах Научно-методический сборник трудов кафедры «Автоматизированные ...»

-- [ Страница 5 ] --

Построим граф, начиная с ребра (xn-1, yn-1) и добавляя (xn-1-i,yn-1-i) для i=1,2,…,n-2. Покажем, что получившийся граф является деревом. Действительно, начальное ребро является деревом по определению. Теперь допустим, что граф H состоит из ребер (xk+1, yk+1), …,(xn-1, yn-1). Очевидно, что новый граф H, полученный из H добавлением ребра (xk, yk), также является деревом.

Таким образом, мы можем получить процедуру для преобразования кода в дерево:

код расширенный код дерево.

На рисунке 2 приведен алгоритм построения дерева из кода Прюфера.

Отметим, что:

1. Если вершина v имеет степень d(v), то эта вершина встречается в коде Прюфера d(v)-1 раз.

2. Вершина со степенью 1, то есть лист, в коде никогда не встречается.

Предположим, что длины путей между всеми парами отправитель-получатель (ОП) представлены матрицей. Пары ОП обозначают листья (конечные узлы), принадлежащие дереву T. Будем считать, что существует уникальное дерево T, которое описывается матрицей графа между всеми его листьями. Легко показать, что если бы между какой либо парой ОП существовал еще один путь, то у нас был бы цикл, что противоречит определению дерева. Эта идея лежит в основе взаимно однозначных отношений между матрицей графа, кодом Прюфера и нумерованным деревом.

~ 148 ~ Рисунок 2 – Алгоритм построения дерева из кода Прюфера Узлы-листья пронумерованы числами 1,2,3,…,r и составляют множество R.

Проблема состоит в том, чтобы найти правильные номера внутренних узлов, соединяющих эти листья и описать их кодом Прюфера.

Поскольку лист с наименьшим номером легко определяется, предположим, что m будет первым из внутренних узлов, который соединяется с листом с наименьшей меткой.

Номер m будет r+1. Таким образом создадим уникальные номера в возрастающем порядке для каждого найденного внутреннего узла. Предположим, что наименьшая метка это l. Теперь m входит в путь для всех пар ОП, которые имеют l в качестве отправителя или получателя, а длина пути до или от m уменьшается на 1 в сравнении с длиной пути до или от l. По алгоритму создания кода Прюфера l следует удалить, а его ближайшего соседа m добавить в код. Также вершина m добавляется в матрицу графа с указанием всех длин путей до связанных с ней вершин.

Теперь для m возможны два варианта:

1. m соединена с другим узлом-листом с меньшим номером (не равным l). Это можно увидеть, проверив, существует ли путь длиной 1 между листом и m.

2. после удаления l вершина m становится листом.

Это процедура повторяется для следующего наименьшего номера в R.

~ 149 ~ Когда все листья найдены, то множество вновь найденных узлов, назовем его S, разделяется на две части: листья и внутренние узлы. Новое множество листьев R выделяется из S при проверке транзитивных отношений между всеми вновь найденными узлами. Поскольку удаление листа из дерева не изменяет свойств дерева, то следующий узел с наименьшим номером в множестве R может быть легко найден. Затем для R процедура повторяется. Алгоритм останавливается, когда остается всего два узла, соединенные путем длиной 1.

Ниже приведен алгоритм построения кода Прюфера для организации схемы передачи данных.

{Входные данные: множество узлов R=(1,2,3,…,r), матрица графа G[1..r,1..r].

Выходные данные: код Прюфера P.} начало последний_узел:=r, P:={ } повторить:

нц пока (R) S:={} k:=узел с наименьшим номером из R если k имеет соседа Pi в последовательности P то m:=Pi присоединить m к последовательности P удалить k из матрицы графа если gij=1, gijG то перейти к метке готово все иначе увеличить последний_узел m:=последнему_узлу считаем m соседом k добавляем m к последовательности P удаляем k из матрицы графа и добавляем m к матрице графа gim=gmi=gik-1, где i=1,2,…,m- добавляем m к S все кц R :=взять_узлы_из(S,G) если |R |=2 и gij=1 то перейти к метке готово иначе R:=R перейти к метке повторить все готово: напечатать код Прюфера P конец ~ 150 ~ Взять_листья_из() – это процедура, отделяющая листья от вновь сформированного дерева внутренних узлов, которое было получено отбрасыванием листьев от исходного дерева. Она основана на проверке транзитивных отношений (аксиомы треугольника) между полученными внутренними узлами. Таким образом, если путь между вершинами и лежит через внутреннюю вершину тогда u v w, расстояние(u,v)=расстояние(u,w)+расстояние(w,v). Узел m рассматривается как лист, если m не встречается в качестве внутреннего узла между любой парой вершин, найденных ранее.

Далее приведен алгоритм выявления листьев.

{Входные данные: внутренние узлы множества S и матрица графа G Выходные данные: множество узлов-листьев} начало Пометить все узлы в S как листья нц для i:=1 до |S| нц для j:=1 до |S| нц для k:=1 до |S| если dij=dik+dkj то маркировать узел k как не лист все кц кц кц Вернуть все узлы в S, маркированные как листья конец Заключение В работе рассмотрены вопросы увеличения времени жизни беспроводной сенсорной сети. Предложено разбивать все множество датчиков БСС на подмножества, которые обеспечивали бы последовательное полное покрытие заданной площади.

В данной работе предложена идея построения дерева передачи данных в БСС. В качестве основы для математической модели построения дерева передачи данных используется код Прюфера. Сформированное дерево передачи данных кодируется кодом Прюфера для снижения интенсивности обмена информацией между узлами, что позволит увеличить время жизни БСС.

Приведен алгоритм формирования кода Прюфера для дерева, сформированного для выборки СУ, приведены вспомогательные алгоритмы, необходимые для работы основного.

Список информационных источников Баскаков С.С. Беспроводные сенсорные сети: вопросы и ответы / Баскаков С.С. // [1] Автоматизация в промышленности, 2008 г., № Иванова И.А. Проблема автоматизации передачи сигнала при ограниченной [2] мощности передатчика // Промышленные АСУ и контроллеры, 2010. № 7, с. 15–16.

~ 151 ~ Таненбаум Э. Компьютерные сети, СПб.: ПИТЕР, 2007, 992 с.

[3] Воронин А. Сенсорные сети [Электронный ресурс] / Воронин А. – [4] (http://www.technofresh.ru/technology/appearance/sensorable.html) Сергиевский М.В. Беспроводные сенсорные сети / Сергиевский М.В. // [5] КомпьютерПресс, 2007, №8.

Морозова Т.Ю., Никонов В.В., Тверской А.Н. Оценка качества защитного шума в [6] беспроводных компьютерных сетях для безопасной передачи данных / Морозова Т.Ю., Никонов В.В., Тверской А.Н. // Наукоемкие технологии. 2008. Т. 9. № 7. С.

11-15.

Харари Ф., Палмер Э. Перечисление графов / Перевод с английского Г.П.

[7] Гаврилова, Москва: «Мир», 1977.

Жуков Д.О., Алешкин А.С., Краевые задачи и теория перколяции в моделях [8] обработки и передачи данных / Д.О. Жуков, А.С. Алешкин М.: Машиностроение, 2010, 213с.

Антонова А.А. Среда моделирования для решения перколяционных задач / [9] Антонова А.А., Головченко Е.Н., Петров Д.В. // Наукоемкие технологии. 2008. Т.

9. № 7. с. 26-30.

Иванова И.А. Определение периметра зоны покрытия беспроводных сенсорных [10] сетей / Иванова И.А. // Промышленные АСУ и контроллеры, 2010. № 10, с. 25–30.

[11] Y. Bejerano. Simple and efficient k-coverage verification without location information.

In Proc. of IEEE InfoCom’08, Phoenix, AZ, April 2008.

[12] M. Penrose. Random Geometric Graphs. Oxford University Press, Oxford, 2003.

[13] A. Tiwari, F.L. Lewis, S.S. Ge. Wireless sensor network for machine condition based maintenance, in: Proceedings of International Conference on Control, Automation, Robotics, and Vision, 2004, pp. 461–467.

Остроух А.В. Информационные технологии в научной и производственной [14] деятельности / [ред. А.В. Остроух] - М: ООО "Техполиграфцентр", 2011. - 240 с. ISBN 978-5-94385-056-1.

DOI: 10.12731/2306-1561-2013-4- CONCEPTUAL FOUNDATIONS OF INTELLIGENT REMOTE MONITORING AND CONTROL FACILITIES SPECIAL PURPOSE Nikonov V.V.

Abstract In article proposes the concept of intelligent remote monitoring and control of special purpose by creating appropriate methods, algorithms and methodologies, as well as the Information Technology industry. The application of artificial intelligence methods to the problem of identification of harmful substances and the establishment of their concentration on the basis of data obtained from laser systems for remote sensing. Established expert information system on the basis of non-monotonic inference to identify harmful substances. To control the consistency of the facts in the EIS proposed to use a support system for reasoning.

We propose a neural network method to establish the concentration of harmful substances on the basis of the IR absorption spectra of compounds emissions. The proposed concept of ~ 152 ~ intelligent remote monitoring and control of special-purpose and complex information technology can be used to determine the presence of hazardous substances and their concentration in the air, using data obtained from the IR laser systems sensing systems for environmental monitoring and control of special purpose ;

to monitor the presence of harmful substances highways and other cities.

Keywords: concept, modified reasoning formal-conceptual analysis, expert information system, approximation, automated system, environmental monitoring, hazardous substances, neural networks, artificial intelligence.

УДК 004. КОНЦЕПТУАЛЬНЫЕ ОСНОВЫ ИНТЕЛЛЕКТУАЛЬНОГО ДИСТАНЦИОННОГО МОНИТОРИНГА И КОНТРОЛЯ ОБЪЕКТОВ СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ Никонов В.В.

Аннотация В статье предлагается концепция интеллектуального дистанционного мониторинга и контроля объектов специального назначения путем создания соответствующих методов, алгоритмов и методик, а также информационно технического комплекса. Рассматривается применение методов искусственного интеллекта к задаче идентификации вредных веществ и установлении их концентрации на основе данных, полученных от систем дистанционного лазерного зондирования.

Создана экспертно–информационная система на основе немонотонного логического вывода для идентификации вредных веществ. Для управления непротиворечивостью фактов в ЭИС предложено использовать систему поддержки рассуждений.

Предложен нейросетевой метод установления концентрации вредных веществ на основе ИК-спектров поглощения соединений газов. Предлагаемая концепция интеллектуального дистанционного мониторинга и контроля объектов специального назначения в виде информационно-технического комплекса может быть использована для определения наличия вредных веществ и их концентрации в воздушной среде с использованием данных, полученных от систем лазерного ИК зондирования;

в системах экологического мониторинга и контроля объектов специального назначения;

для мониторинга наличия вредных веществ автомобильных трасс городов и др.

Ключевые слова: концепция, модифицированные рассуждения, формальный концептуальный анализ, экспертно-информационная система, аппроксимация, автоматизированная система, экологический мониторинг, вредные вещества, нейронные сети, искусственный интеллект.

~ 153 ~ Введение Постоянное получение оперативной информации о наличии и содержании отравляющих веществ в атмосфере, продуктов их детоксикации и общепромышленных загрязнителей в контролируемых зонах, о возможном их поступлении в окружающую среду, а также о динамике изменения уровня их концентраций необходимо для контроля безопасности, для оперативного принятия решения по предотвращению поступления отравляющих веществ, продуктов их детоксикации и общепромышленных загрязнителей в окружающую природную среду при нарушениях технологического процесса, а также для оповещения персонала и населения в случае возникновения аварийных ситуаций.

Мониторинг поступления в окружающую среду различных концентраций аэрозольных загрязнений необходим для оперативного принятия решения по предотвращению поступления отравляющих веществ в окружающую природную среду при нарушениях технологического процесса, а также для оповещения персонала и населения в случае возникновения аварийных ситуаций.

В настоящее время в России широко развертываются работы по изучению процессов, происходящих в окружающей среде, в том числе и под влиянием антропогенных факторов. Федеральный закон «Об охране окружающей среды» № 7-ФЗ от 10.01.2002 г., закон г. Москвы «Об экологическом мониторинге в г. Москве» № 65 от 20.10.2004 г. определяют необходимость разработки методов и средств контроля процессов, происходящих в окружающей среде.

Исследования по охране окружающей среды ведутся в различных областях науки и техники. Результаты этих исследований публикуются в разных изданиях. Число организаций занимающихся проблемами экологического мониторинга также велико. Об этом свидетельствует формируемая программа «экологической безопасности России».

Однако практическое использование результатов этих исследований для решения экологических проблем сдерживается недостаточным развитием теории и практики построения экологических информационных систем и систем интеллектуального экологического мониторинга, представляющих собой один из новых видов автоматизированных систем и предназначенных для сбора и анализа разнородной информации о состоянии окружающей среды [1, 18, 19].

Концепция интеллектуальной поддержки принятия решений При исследованиях состояния атмосферы и ее загрязненности особое место занимают методы бесконтактного мониторинга, обеспечивающие возможность получения данных с высокой оперативностью и в значительных пространственных масштабах, позволяющие предоставить количественную информацию о загрязнениях воздуха и их природе. Таким требованиям удовлетворяют лидарные методы дистанционного зондирования, которые используют рассеяние и поглощение лазерного излучения атмосферными компонентами.

Лидарные системы инфракрасного дистанционного зондирования могут быть использованы для мониторинга окружающей среды, в системах специального ~ 154 ~ экологического мониторинга объектов по уничтожению химического оружия и в системах промышленного экологического мониторинга радиоизлучений и др.

При дистанционном лидарном зондировании окружающей среды молекулы вредных веществ (газов и аэрозоли) являются причиной ослабления проходящего через нее лазерного излучения. Часть излучения рассеивается в обратном направлении (в сторону приемника лидара) на аэрозольных частицах, либо отражается от объектов или специально установленных экранов. Это излучение собирается и направляется на преобразователь, который преобразует его в электрический сигнал, пропорциональный интенсивности принятого оптического излучения.

Эффективным методом исследования воздушной среды атмосферы является метод лазерного инфракрасного (ИК) зондирования. Данный метод позволяет на основе принципов поглощения и рассеивания электромагнитного излучения получать данные о наличии и концентрации вредных веществ, что позволяет выявлять причины, механизмы, тенденции развития процессов, происходящих в атмосфере. Изучением обработки информации, полученной от систем лазерного зондирования воздушной среды занимаются такие отечественные ученые как: Агишев Р.Р. [2], В.Е. Зуев, В.С. [3] Портасов, И.Д. Миценко, Г.Г. Ванеев, Е.С. Селезнева и др. Существующие в настоящее время методы и модели предназначены для изучения различных газов, температуры, давления, скорости, а также других параметров атмосферы. Эти методы трудоемки и требуют высокой квалификации персонала. Экспертные процедуры, в данном случае, строятся на определении наличия только одного вредного вещества. Поэтому возникает необходимость в разработке концепции, методов, моделей и алгоритмов для анализа данных, полученных от лазерных систем дистанционного зондирования воздушного бассейна атмосферы, что позволит определять одновременно несколько вредных веществ и их концентрацию в режиме реального времени без участия эксперта.

Концепция интеллектуального дистанционного экологического мониторинга и контроля объектов специального назначения основана на использовании современных методов искусственного интеллекта и состоит из трех основных этапов (рисунок 1):

создание процедур бора информации с системы дистанционного лазерного зондирования, идентификация вредных веществ и определение концентрации вредных веществ [5–7, 18].

Дистанционный контроль можно определить как качественное или количественное измерение химического или физического параметра окружающего пространства, когда контролирующий прибор и объем, параметр которого исследуется, пространственно разделены [2]. Приборы дистанционного контроля могут обеспечить ту же точность, что и приборы для прямых измерений, кроме того, они имеют ряд уникальных преимуществ, а именно: допускают ряд специфических приложений, осуществление которых было бы затруднительно, если вообще возможно, при использовании стандартных приборов.

~ 155 ~ Рисунок 1 – Концепция интеллектуального дистанционного экологического мониторинга и контроля объектов специального назначения Сбор информации с системы дистанционного лазерного зондирования Дистанционные методы обеспечивают проведение измерений практически в любых пространственных масштабах, дают возможность проведения интегральных оценок (например, оценки общего содержания газов, либо оценки общей дозы загрязнения окружающей среды), позволяют проводить исследования обширных территорий, воздушных и водных бассейнов со спутников, самолетов и автомобилей.

Дистанционные методы не вносят в изучаемую среду возмущений, которые могут возникнуть при взятии проб и способны повлиять на результаты исследований. Кроме того, осуществление измерений с помощью зондов порой технически невозможно и экономически неэффективно.

Применение в области экологического контроля методов ИК спектроскопии на основе дистанционного зондирования в сочетании с уникальными свойствами лазерного излучения привело к созданию мощных систем мониторинга, зарекомендовавших себя с наилучшей стороны.

Использование свойств лазерного излучения, таких как, высокая спектральная плотность энергии, монохрамотичность, возможность плавной перестройки длины волны излучения, позволило использовать данные технологии при осуществлении дистанционного мониторинга воздушной среды, обладающие высокой чувствительностью и высоким спектральным разрешением [3].

Все лазерные газоанализаторы построены по схеме прямого детектирования, в которой детектором поглощенной мощности является сам образец.

~ 156 ~ Лазерный метод выгодно отличается от других методов следующими особенностями [5]:

высокое спектральное разрешение, определяющееся шириной лазерного излучения;

высокая чувствительность по показателю поглощения;

отсутствие сигнала, если спектральная линия излучения лазерного источника находиться вне линии поглощения газа;

отношение сигнал/шум увеличивается пропорционально мощности источника принципиальное ограничение на мощность налагается лишь явлением насыщения поглощения на исследуемой лини [2, 3];

сигнал пропорционален показателю поглощения газа, что существенно упрощает обработку данных измерения;

измеряемая величина (амплитуда колебания давления) является интенсивным параметром образца, т.е. не зависит от его размеров;

шумы приемников из-за высокой спектральной плотности мощности лазерных источников, как правило, не имеют значения. Стабилизация интенсивности лазерного излучения (или нормировка на опорный сигнал) еще более увеличивает чувствительность аппаратуры;

область, используемых в газоанализаторах лазерных источников, охватывает спектральный диапазон ИК-области.

возможность быстрой перестройки длины волны излучения, что позволяет проводить оперативный количественный анализ многокомпонентных газовых смесей.

Трудность в получении спектра поглощения инфракрасного излучения с системы дистанционного лазерного зондирования и автоматизация данного процесса заключается в формализации исходных данных, представленных спектром поглощения, типичный вид которого представлен на рисунке 2. В процессе спектрального анализа получают аналитический сигнал, который в регистрируемом спектре изменяет свое спектральное расположение в зависимости от связанных с ней волновых параметров:

частоты (f), волнового числа (k), длина волны ( ) [3].

Очевидные преимущества лазерного дистанционного метода зондирования воздушного бассейна атмосферы в сочетании с использованием достаточно мощных непрерывных перестраиваемых по частоте лазеров делают его особенно привлекательным для решения задач, требующих измерения слабого поглощения излучения молекулярными газами. В первую очередь это касается задач газового анализа при малых и сверхмалых концентрациях молекул в среде.

~ 157 ~ Рисунок 2 – Пример ИК спектра поглощения метанолом Таким образом, перспективным на данный момент является использование в задаче определения количественного и качественного анализа возможностей искусственного интеллекта, главным преимуществом которого является обработка результатов измерений в условиях неопределенности, неполноты и большой размерности данных.

Идентификация вредных веществ Следующим этапом является идентификация вредных веществ в воздушной среде.

Для идентификации вредных веществ по данным лазерного ИК зондирования предлагается модель экспертно-информационной системы (ЭИС) на основе логического формализма модифицируемых рассуждений.

В рамках создания правил логического вывода, необходимых для принятия решений о наличии вредных веществ в окружающей среде разработан алгоритм создания правил на основе использования формального концептуального анализа (рисунок 3) [8 10, 17]. Модель формального концептуального анализа базируется на теории решеток Бирхгофа, что позволяет алгоритмизировать данную модель [9–10].

Формальный контекст – это тройка (Y, X, F), которая состоит из множества объектов (вредных веществ в воздухе атмосферы) Y, множества атрибутов (признаков вредного вещества) X и бинарных отношений F Y X между объектами и атрибутами.

На прямом произведении YX двух множеств существует частичный порядок, если ( y1, x1 ) ( y2, x2 ) тогда и только тогда, когда y1 y 2 в Y и x1 x 2 в X.

~ 158 ~ Решеткой называется множество L, в котором любые два его элемента имеют точную верхнюю грань, т.е. «объединение» x y, и точную нижнюю грань, или x y «пересечение».

Как правило, контекст имеет вид таблицы, в которой строки представляют собой объекты, а столбцы – атрибуты.

Разработанный алгоритм используется для разработки правил логического вывода идентификации вредных веществ в воздушной среде по спектру поглощения инфракрасного излучения.

F Y X Рисунок 3 – Блок-схема алгоритма создания правил логического вывода для определения вредных веществ На основе этого алгоритма строится контекст для формирования правил логического вывода, пример которого показан в таблице 1. На основе контекста и алгоритма разрабатывается формальная концептуальная решетка, для создания правил логического вывода. Пример формальной концептуальной решетки показан на рисунке ~ 159 ~ 4. Данная решетка позволяет автоматизировать процесс построения правил логического вывода.

Таблица 1 – Пример контекста формирования логических правил.

При частоте 1300…1350 см-1 снижение При частоте 900 1150 см-1 наличие 2х При частоте 1200..1250 см-1 снижение При частоте 950..1150 см-1снижение При частоте 700…750 см-1 снижение При частоте 800…950 см-1 снижение интенсивности ИК излучения от 1 до интенсивности ИК излучения от 1 до интенсивности ИК излучения от 1 до интенсивности ИК излучения от 1 до При частоте 950..1150 см-1ширина полосы поглощения составляет интенсивности от 1 до 0,1 отн. ед.

Атрибуты Наличие дребезга в спектре ИК полос поглощения поглощения 0,85 отн. ед.

0,75 отн. ед.

0,8 отн. ед.

0,9 отн. ед.

см Объекты Метанол М + + + + Этанол Э + + + + + + + Аммиак А + + + + + Диметилсульфоксид Д + + + Например, бинарное отношение (Э, 4) означает, что в случае, если в с воздушной среде присутствует этанол (объект) на спектре ИК поглощения для волновых чисел (при частоте) 700…750 см1 наблюдается скачок значения уровня поглощения от 100% до 75% (атрибут). Таким образом, ( g, m) F означает, что «объект g обладает свойством m».

Под концептом (А,N) понимается пара объекта A Y и атрибута N X, которые удовлетворяют определенным условиям. Чтобы определить необходимость и достаточность условий для формального концепта, введены два оператора, допустив AY :

A' = {m X | g A : ( g, m) F }, (1) где m –атрибут конкретного объекта g, и соответственно для N X :

N ' = {g Y | m N : ( g, m) F }, (2) где g –конкретный объект, обладающий атрибутом m.

' Приведенные формулы (1) и (2) означают, что множество A содержит все ' атрибуты, которые являются общими для всех объектов А, а множество N есть множество всех объектов, которые обладают всеми свойствами множества N.

Пара (А, N) есть формальный концепт, если выполняется условие:

A' = N и A = N '. (3) Данное свойство означает следующее: все объекты концепта содержат все его атрибуты. Из определения формального концепта следует, что для всех A Y пара ~ 160 ~ ( A'', A' ) есть формальный концепт и для всех N X пара ( N ', N '' ) тоже формальный концепт.

Для формальных концептов природа отношения подконцепт/надконцепт определена следующим образом:

( A1, N1 ) ( A2, N 2 ) A1 A2, N1 N 2. (4) Это отношение выявляет дуализм между атрибутами и объектами концептов.

C1 = ( A1, N 1 ) является подконцептом концепта C 2 = ( A2, N 2 ), если Концепт множество его объектов являются подмножеством объектов С 2. Таким образом, множество всех формальных концептов образуют концептуальную решетку.

Решетка является моделью, по которой можно проследить все свойства, которыми обладает то или иное определяемое вредное вещество это множество всех свойств, лежащих выше узла. Каждый узел решетки соответствует концепту. Графическим представлением концептуальной решетки является линейная диаграмма. Она позволяет исследовать и интерпретировать отношения между концептами, объектами и атрибутами, является эквивалентным представлением контекста. Она содержит точно такую же информацию, что и таблица отношений, в которой каждому узлу соответствует концепт из данного контекста.

На диаграмме каждый объект обладает свойствами, приписанными узлу, и свойствами узлов, с которыми этот узел связан дугами снизу вверх.

Построим концептуальную решетку для формирования логических правил для идентификации вредных веществ. В таблице 1 задан формальный контекст K=(Y, X, F), где Y – множество вредных веществ (для примера рассмотрено 4 вещества), X – их свойства, F – бинарное отношение между веществами и свойствами.

При построении решетки совпадающие столбцы таблицы (если такие есть) можно интерпретировать как наличие одного или/и другого признака. Поэтому при необходимости на линейной диаграмме второй признак заключается в скобки. Эта ситуация также может свидетельствовать о линейной зависимости между столбцами.

На основе контекста, представленного таблицей 1, строится формальная концептуальная решетка, для создания правил логического вывода (рисунок 4).

Граф состоит из узлов, которые представляют собой концепты, и ребра, соединяющих эти узлы. Два узла C1 и C2 соединены тогда и только тогда, когда C1 C и нет такого концепта C3, что C1 C 3 C 2.

Каждый объект и атрибут введены в граф только один раз. Атрибуты и объекты располагаются вдоль граней графа, как своего рода наследование. Атрибуты располагаются вдоль граней к вершине графа. Таким образом, высший элемент графа (верхние грани контекста) соответствует {, M }. Элемент основания графа (нижние грани контекста) соответствует {G, }. Для наглядности имена атрибутов отмечаются цифрами, а имена объектов отмечены буквами около узла графа.

~ 161 ~ 6 4 Диметилсульфоксид Метанол Этанол Аммиак Рисунок 4 – Концептуальная решетка на примере четырех вредных веществ, для формирования логических правил идентификации вредных веществ По решетке можно проследить все свойства, которыми обладает то или иное вещество: это множество всех свойств, лежащих выше узла, помеченного названием вредного вещества. Каждый узел решетки соответствует концепту.

Заметим, что если для всех объектов контекста, для которых справедливо некоторое свойство P, справедливо также некоторое свойство M, то импликация P M является истинной. Иными словами, если импликация P M истинна для контекста K=(Y, X, F) и к любому объекту g Y применим каждый признак из посылки Х, то к нему применим также признак из заключения импликации Y, где X M иY M.

В результате применения данного подхода разрабатываются правила логического вывода. Схема экспертно-информационной системы [20, 21] идентификации вредных веществ воздушной среде представлена на рисунке 5. Данная система включает следующие блоки: администратор диалога и решатель задач, который состоит из подсистем: процессора логического вывода, базы знаний, системы поддержки рассуждений (СПР).

Процессор логического Формальный вывода запрос Система Пользователь поддержки Администратор рассуждений диалога Формальный База ответ знаний Решатель задач Рисунок 5 – Схема экспертно-информационной системы в составе информационно-вычислительного комплекса на основе логического формализма модифицированных рассуждений ~ 162 ~ Определение вредных веществ в воздушной среде представляет собой итерационный процесс. В ходе мониторинга формируется дополнительная информация в виде модифицируемых рассуждений. В связи с этим, процесс рассуждений определения вредных веществ в окружающей среде, является немонотонным [11–13].

Поэтому предлагается следующий общий алгоритм функционирования экспертно информационной системы, построенной на немонотонном процессе вывода:

Шаг 1. Формирование фактов и правил в базе знаний (проводится экспертом).

Шаг 2. Из множества правил логического вывода находится правило, содержащее целевое утверждение (осуществляется решателем задач).

Шаг 3. Сопоставление найденного правила с имеющимися фактами (осущест вляется решателем задач).

Шаг 4. Если образец правила при сопоставлении совпал с какими-либо фактами, то осуществляется выполнение этого правила (логический вывод) (осуществляется решателем задач).

Шаг 5. Сохранение осуществленного вывода (фактов и правил) в специальной области (система поддержки рассуждений).

Шаг 6. Если логический вывод противоречит некоторым фактам и заключениям, то выполняется сохранение в специальной области этих фактов и правил, а так же уда ление их из базы знаний (система поддержки рассуждений).

Шаг 7. Если достигнут конец множества правил логического вывода, то переход к шагу 8, иначе переход к шагу 2.

Шаг 8. Завершение работы.

Для реализации немонотонности рассуждений разработана система поддержки рассуждений [6]. Процессор логического вывода информирует систему поддержки рассуждений, от каких данных зависит вывод, т.е. какие посылки и правила были использованы. Значимый, т.е. непротиворечивый вывод, передается в систему поддержки рассуждений, как обоснование. Вывод противоречия говорит о несовместимости предположений, в рамках которых сделан вывод. Таким образом, система поддержки рассуждений используется для защиты логической целостности и непротиворечивости заключений в экспертно-информационной системе, построенной на немонотонном логическом выводе. Взаимодействие между процессором логического вывода и СПР представлено на рисунке 6.

База знаний База знаний Рабочая память допущения Процессор Система логического поддержки заключения, вывода рассуждений противоречия Рисунок 6 – Взаимодействие процессора логического вывода и СПР ~ 163 ~ Каждый факт в СПР представлен в виде узла. Зависимость заключения от фактов изображается в виде логического вентиля. Совокупность логических вентилей образует сеть обоснований [6].

Определение концентрации вредных веществ Методы количественного анализа состава вредных веществ воздушного бассейна атмосферы основаны на построении зависимости между интенсивностью поглощения веществом ИК излучения и его концентрацией. На основе регистрации партии спектров ИК излучения вредных веществ с известными концентрациями устанавливается зависимость между спектром поглощения и концентрацией [7].

В данной работе для повышения скорости работы и точности определения концентрации вредного вещества из данных, полученных с систем лазерного зондирования и автоматизации построения функциональной зависимости между набором данных, полученных с систем лазерного зондирования, и концентрацией вещества предложено использовать метод нейронных сетей.

Использование нейронных сетей (НС) в качестве аппарата для установления зависимости между интенсивностью поглощения веществом ИК излучения в окружающей среде и его концентрацией обусловлено способностями сети к параллельной и распределенной обработки информации, что позволяет значительно увеличить скорость работы алгоритма и повысить эффективность определения концентрации вредных веществ в воздушном бассейне атмосферы [7]. Кроме этого, нейросетевой метод моделирования не требует априорного задания вида исследуемой зависимости.

Задача определения концентрации вредного вещества по данным спектра поглощения может быть сформулирована как задача аппроксимации функции многих переменных. Необходимо построить некоторое отображение H Y такое, чтобы на каждый возможный входной образ, представленный вектором спектра поглощения ИК излучения вредными веществом (H) формировался правильный выходной вектор концентрации данного вещества (Y).

С помощью проведенного анализа нейронных сетей, с точки зрения решения задачи определения концентрации вредных веществ в воздушной среде, доказана возможность использования метода нейронных сетей для решения задачи автоматизации построения функциональной зависимости между спектром поглощения ИК излучения вредными веществами и их концентрацией [14–16].

Нейронная сеть может быть представлена как совокупность простых элементов (нейронов), связанных друг с другом. Нейрон состоит из нескольких входов и одного выхода, сумматора и блока функции активации [14]. Функционально нейрон умножает входные импульсы на некоторые коэффициенты (синаптические веса), суммирует полученные произведения и преобразует сумму в соответствии активационной функцией, являющейся пороговой или сигмоидальной. Математически функцию нейрона можно описать следующим образом:

~ 164 ~ n Y = F wi hi + w0 = F (WH ) i =1, где W весовые коэффициенты, H – входные значения спектра, F функция активации.

Для решения задачи установления концентрации вредных веществ по данных ИК спектра поглощения предложена многослойная нейронная сеть (рисунок 7):

h1 l W1, l W1,2 l h2 W2, W1, l l W2, y l Wi,1 Wkl, hi Wm l, Wkl,1m hk l W n, Wnl,1m hn Рисунок 7 - Структура трехслойной нейронной сети, используемая для установления концентрации вредных веществ по данным ИК спектра поглощения 1 слой состоит из значений h1, h2,..., hn спектра поглощения ИК излучения вредными веществом;

2 слой является промежуточным слоем, для повышения точности установления функциональной зависимости между спектром поглощения и концентрацией вещества;

3 слой состоит из значения y концентрации вредного вещества, определяемой из спектра поглощения, y Y.

Каждый слой связан следующими весами:

Wi,l возбуждающий вес между i-м нейроном СИКП слоем и j-м нейроном j промежуточного слоя;

Wkl, возбуждающий вес между i-м нейроном промежуточного слоя и j-м нейроном слоя СК.

~ 165 ~ Обучение нейронной сети основано на обучении с учителем, заключающееся в том, что каждому входному набору данных h1, h2,..., hn значений спектра поглощения ИК y излучения регистрируемого вещества ставится в соответствие выходное значение концентрация вредного вещества.

Wi,l1 Wkl, Обучение с учителем определено как поиск коэффициентов и нейронной j сети, при которых будет выполняться необходимое отображение входного вектора H значений спектра поглощения в выходное Y значение концентрации. Это достигается путем минимизации суммы разности квадратов между желаемыми выходами и получаемыми нейронной сетью [16]:

E = ( y j (W, H i ) di, j ) min 1M N 2i j, di, j где желаемый выход j-го выходного нейрона для i–го обучающего примера;

W матрица весовых коэффициентов нейронной сети, коэффициенты одного нейрона представлены строкой матрицы H i i-ый обучающий пример.

С целью выбора алгоритма обучения нейронной сети исследованы различные алгоритмы: эволюционные, стохастические, градиентные [16]. В качестве метода обучения использовался модифицированный метод обратного распространения ошибки [14]: На основе анализа различных параметров сети (вид нейронов, количество слоев и связей, типы сетей), выполненного с целью получения оптимальной нейронной сети для решения задачи определения концентрации вредных веществ по данным поглощения вредным веществом ИК излучения, предлагается пошаговый алгоритм редукции сети с учетом конкуренции связей нейронов между собой:

Шаг 1. Задание исходных значений для каждого элемента (нейрона).

Wi,l Шаг 2. Ввод значений возбуждающих весовых коэффициентов – степень j связи, с которой i-ый нейрон связан с j-ым нейроном следующего слоя.

Шаг 3. Вычисление значений каждого нейрона по формуле:

Si gi = K, (1) m l Si = Wi, j x j j = (2) где S i – сумма произведений всех возбуждающих весов i-ого нейрона на значение соответствующего этому весу j-ого нейрона следующего слоя, gj – величина j-ого элемента следующего слоя, K = 1 – коэффициент, который используется для обновления значений нейронов предыдущего слоя, i – принимает значение от 0 до n, n – количество нейронов предыдущего слоя, j – принимает значение от 0 до m, m – количество элементов следующего слоя нейронной сети.

~ 166 ~ Шаг 4. Обновление значений возбуждающих весов.

l W 'li1j W i, j, i l = W i, j (1 xi x j ), (3) l где W i, j – значения возбуждающих весов предыдущей итерации.

l1 l Шаг 5. Если W i, j 0,001, то W i, j = 0. Таким образом происходит сокращение количества конкурируемых между собой нейронов.

Шаг 6. Вычисление обновленных значений по формуле (2).

Шаг 7. Исследование значений нейронов на противоречие в конкуренции:

n I i = W pr i,k xi k i, Ii 0, k =1, (4) pr pr pr =W ' x i xk in W – обновление значения W i,k, W ' i,k i,k где i,k – pr значение W i,k на предыдущей итерации, xi xk – разница значений xi и xk на двух итерациях.

Шаг 8. Вычисление новых значения нейронов с учетом учета противоречия в конкуренции:

Si xi = K + Ii.

Шаг 9. Если значения нейронов не превышают установленного порога, то изменение весов у нейронов прекращают. Иначе продолжается изменение весов и пересчет значений (переход к шагу 4).

Алгоритм является итерационным. Он используется для установления наиболее конкурентных связей в нейронной сети.

Предложенный метод определения количественного состава вредных веществ в воздушном бассейне атмосферы по данным ИК спектрометрии, основанный на нейросетевых технологиях, позволяет повысить точность в установлении концентрации на 45%, повысить скорость обработки информации на 25%, и в целом увеличить эффективность функционирования систем экологического мониторинга, использующих нейросетевые технологии в установлении количественного состава, на 30%.

Разработка информационно-технического комплекса В рамках предложенной концепции проведена апробация разработанных моделей и алгоритмов интеллектуального мониторинга воздушного бассейна окружающей среды ~ 167 ~ с использованием лазерного ИК зондирования результатом которой стала разработка соответствующего информационно-технического комплекса.

Информационно-вычислительный комплекс предназначен для автоматизации принятия решений о наличии вредных веществ в воздушной среде и их концентрации.

Информационно-технический комплекс позволяет автоматизировать выполнение следующих задач: представление данных;

идентификация вредных веществ в окружающей среде с использованием логического формализма модифицированных рассуждений;

определение концентрации вредных веществ с помощью искусственных нейронных сетей;

обучение и настройка нейронной сети;

визуализация результатов.

Разработана система различных меню, многопользовательский интерфейс, набор управляющих элементов. Комплекс работает под управлением операционных систем семейства Windows.

Исследована эффективность разработанного информационно-вычислительного комплекса. Осуществлена проверка его работоспособности на предприятиях, занимающихся мониторингом окружающей среды. Определены основные технико экономические показатели работы (таблица 2).

Таблица 2 – Сравнение технико-экономических показателей предлагаемого решения УПГ-ЛИМБ Sabre АС (ЗАО дистанционного Опытный «Испытательно- (Smiths Показатель мониторинга образец метрологичес- Detection, «АСД Лидар»

кая лабора- Great (Россия) тория России) Britain) Использование труда экспертов при нет да да да идентификации вредных веществ Количество идентифицируемых 8 1 1 веществ в атмосфере при одном измерении Быстродействие (сек) 10 15 12 Возможность установления да нет нет нет концентрации вредных веществ Стоимость расходных материалов для 5000 500 000 10 000 300 обслуживания прибора (руб. в год) На месте Радиус действия (км) На месте (0) 25 (0) 100, Цена (тыс. руб) (при серийном 1845,00 365,80 500, производстве) ~ 168 ~ Ошибки определения состава вредных веществ в воздушной среде показаны на рисунке 9.

Ошибка определения (%) Рисунок 9 Ошибки определения вредных веществ в воздушной среде Зависимость вероятности идентификации вредных веществ от накопленных в информационно-техническом комплексе правил логического вывода представлена на рисунке 10.

0, Вероятность идентификации 0, 0, 0, 0, 0, 0, 0, 0, Кол-во логических правил Аммиак Этанол Метанол Диметилсульфоксид Рисунок 10 Зависимость вероятности идентификации вредных веществ от количества накопленных в информационно-вычислительном комплексе логических правил Заключение Таким образом, был проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК ~ 169 ~ зондирования. Разработана концепция интеллектуального дистанционного мониторинга и контроля объектов специального назначения. Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений. Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученных с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

Предлагаемая концепция и структура информационно-технического комплекса может быть использована для определения наличия вредных веществ и их концентрации в воздушной среде с использованием данных, полученных от систем лазерного ИК зондирования;

в системах экологического мониторинга и контроля объектов специального назначения;

для мониторинга наличия вредных веществ автомобильных трасс г. Москвы. Информационно-технический комплекс возможно использовать для работ в ООО КБ «ЭлектронСистема», а также в следующих структурах: в службах безопасности и охраны труда, экологических и санитарных лабораториях, промышленных предприятиях, инспекционных службах Госкомприроды, Санэпидемнадзора и МЧС, промышленных предприятиях, предприятиях энергетики, научных, исследовательских и фармацевтических предприятиях, транспортных компаниях, складских помещениях.

Кроме этого потенциальными пользователями и заказчиками проекта могут являться следующие структуры государственного управления и организации: службы МВД и ФСБ, в том числе: Научно-производственный центр антитеррористической и криминалистической техники Спектр-АТ;

федеральные и городские службы безопасности и охраны труда;

городские лаборатории экологического и санитарного надзора;

организации промышленности г. Москвы и Московской обл., осуществляющие обрабатывающее производство: ФГУП ММПП «Салют», ОАО «Лыткаринский завод оптического стекла», ОАО «Московский завод «САПФИР», ОАО «ПЬЕЗО», ФГУП НПО «Орион», ОАО Концерн «Моринформсистема-АГАТ» и другие;

предприятия энергетики;

транспортные компании: аэропорты, вокзалы, метрополитен;

предприятия, оказывающие складские услуги.

Список информационных источников Морозова Т.Ю. Основные тенденции развития автоматизации передовых отраслей [1] промышленности. // Промышленные АСУ и контроллеры. 2010. № 12. С. 12-14.

Козинцев В. И., Орлов В. М., Белков М. Л. Оптико-электронные системы [2] экологического мониторинга природной среды. М.: Изд-во МГТУ им. Н. Э.

Баумана, 2002. 527с.

Агишев Р.Р. Лидарный мониторинг атмосферы. М.: ФИЗМАТЛИТ, 2009. [3] с.

В.Е. Зуев, В.В. Зуев Дистанционное оптическое зондирование атмосферы. СПб.:

[4] Гидрометеоиздат, 1992. 232с.

~ 170 ~ Никонов В.В. Принципы построения промышленных автоматизированных систем [5] обработки сигналов лидарных систем для дистанционного зондирования атмосферы. // Промышленные АСУ и контроллеры, 2010. № 3, с. 7–8.

Никонов В.В. Построение модели экспертно-информационной системы на основе [6] логического формализма в задачах экологического мониторинга // Приборы и системы. Управление. Контроль. Диагностика, 2010. № 4, с. 9–14.

Никонов В.В. Использование нейросетевых технологий для определения [7] количественного состава вредных веществ в воздушном бассейне атмосферы по данным ИК спектрометрии // Экологические системы и приборы № 5, 2010. – с. 16– 19.

Биркгоф Г. Теория решеток.-М.: Наука, 1984, 337 с.

[8] [9] Ganter B., Wille R. Formale concept analysis: mathematical foundatioun.-Springer – Verlag, New York, 1997, 93 с.

Клюха А.А., Морозова Т.Ю. Об одном методе анализа данных в задаче [10] психологической диагностики. // Информационно-управляющие системы. 2007. № 5. С. 42-44.

Ашинянц Р.А. Логические методы в искусственном интеллекте. М.: МГАПИ, 1996.

[11] [12] Doyle J. Truth Maintenance Systems // J. of Artificial Intelligence, vol. 12, Вагин В.Н., Головина Е.Ю, Загорянская А.А. Достоверный и правдоподобный [13] вывод в интеллектуальных системах. М.: ФИЗМАТЛИТ, 2004. – 704 с.

Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.

[14] М.: Горячая линияТелеком, 2001.

Морозова Т.Ю., Бурлаченко Т.Б. Нейросетевая оптимизация абдуктивных выводов [15] в задачах диагностики технических систем. // Мехатроника, автоматизация, управление. 2008. № 8. С. 19-23.

Осовский С. Нейронные сети для обработки информации. / Пер. с польского И.Д.

[16] Рудинского. М.: Финансы и статистика, 2004.

Клюха А.А., Никонов В.В. Использование логико-алгебраического подхода для [17] формирования логических правил идентификации вредных веществ в воздушном бассейне атмосферы // Промышленные АСУ и контроллеры. 2010. № 5. С. 24-26.

Ветлугин М.М. Автоматизация мониторинга состояния среды промышленных [18] предприятий / М.М. Ветлугин, К.С. Колдашев, А.Л. Рябикин, А.В. Остроух // Приборы и системы. Управление, контроль, диагностика. - М.: «Научтехлитиздат», 2007. - №2. - С. 13-16.

Бакатин Ю.П. Инновации в экологическом контроле строительных и дорожных [19] машин / Ю.П. Бакатин, А.В. Остроух // Наука и техника в дорожной отрасли. – М.:

ЗАО «Издательство дороги», 2011. - №3. - С. 35-38.

Остроух А.В. Основы построения систем искусственного интеллекта для [20] промышленных и строительных предприятий: монография / А.В. Остроух. – М.:

ООО «Техполиграфцентр», 2008. - 280 с. - ISBN 978-5-94385-033-2.

Остроух А.В. Системы искусственного интеллекта в промышленности, [21] робототехнике и транспортном комплексе: монография / А.В. Остроух Красноярск: Научно-инновационный центр, 2013. – 326 с. - ISBN 978-5-906314-10 9.

~ 171 ~ DOI: 10.12731/2306-1561-2013-4- PERFORMANCE EVALUATION IN DYNAMIC ROUTING PROTOCOL STREAMING VIDEO Antonova A.A.

Abstract The simulation results and comparative performance analysis of routing protocols EIGRP and OSPF, within streaming video in real time. Developed a simulation tool for the design and modeling of local and global networks, computer systems, applications and distributed systems, OPNET. Network models were created based on the routing protocols EIGRP and OSPF. Evaluation of these routing protocols has been done on the basis of quantitative indicators such as the convergence time delay variation of packets through the delay and bandwidth. Two scenarios were considered network consisting of six interconnected subnetworks, where routers subnets configured to work with EIGRP and OSPF routing protocols. The results indicate that the routing protocol EIGRP, streaming video applications in real time, is more efficient than the routing protocol OSPF.

Keywords: EIGRP, OSPF, routing protocols, modeling, network topology.

УДК 004. ОЦЕНКА ЭФФЕКТИВНОСТИ ПРОТОКОЛОВ ДИНАМИЧЕСКОЙ МАРШРУТИЗАЦИИ ПРИ ПЕРЕДАЧЕ ПОТОКОВОГО ВИДЕО Антонова А.А.

Аннотация Представлены результаты моделирования и сравнительного анализа производительности протоколов маршрутизации EIGRP и OSPF, в рамках передачи потокового видео в формате реального времени. Для моделирования использовалась средство для проектирования и моделирования локальных и глобальных сетей, компьютерных систем, приложений и распределенных систем, OPNET. Были созданы сетевые модели на основе протоколов маршрутизации EIGRP и OSPF. Оценка этих протоколов маршрутизации была сделана на основе количественных показателей, таких как, время сходимости, изменение задержки пакетов, сквозные задержки и пропускная способность. Были рассмотрены два сценария сети, состоящих из шести взаимосвязанных подсетей, где маршрутизаторы подсетей настроены на работу с EIGRP и OSPF протоколами маршрутизации. Результаты показывают, что протокол маршрутизации EIGRP, в приложениях потокового видео реального времени, работает эффективнее, чем протокол маршрутизации OSPF.


~ 172 ~ Ключевые слова: EIGRP, OSPF, маршрутизация, протоколы, моделирование, топология сети.

Введение В настоящее время существует большое количество исследований, построенных на сравнительном анализе протоколов маршрутизации EIGRP и OSPF. Однако малое количество исследований направлено на предмет эффективности их применения, относительно сетевых приложений передачи потокового видео в режиме реального времени. Сопоставление и оценка протоколов маршрутизации рассматривались на основании параметров, таких как: конвергенция сетей, конвергенция деятельности, загрузка процессора, пропускная способность, задержка очереди, загруженность полосы пропускания и т.д.

Сетевая конфигурация Были рассмотрены два сценария работы сети, состоящих из шести взаимосвязанных подсетей, где маршрутизаторы подсетей настроены на работу с EIGRP и OSPF протоколами маршрутизации. Каждая подсеть состоит из маршрутизаторов, коммутаторов, рабочих станций и т.д. Конфигурационные возможности OPNET позволяют генерировать трафик различных приложений, в том числе и трафик потокового видео, выбранный для моделирования и анализа [1, 5, 6]. Для использования дополнительной конвергенции сети, каналы отказа были первично настроены. Видео сервер подключен к сети передающей потоковое видео. Сервисы качества обслуживания (QoS) играют важную роль для обеспечения наилучшего качества и гарантии минимальных заторов в сети. Для реализации QoS, используется метод WFQ (Weighted Fair Queuing), предоставляющий механизм планирования пакетных потоков данных с различными приоритетами, который позволяет задать различные приоритеты обработки пакетов на основе дифференцированного обслуживания.

Маршрутизаторы соединены между собой PPP_DS1 дуплексным каналом связи.

Коммутаторы связанны с маршрутизаторами каналами связи аналогичного качества.

Рабочие станции подключены к коммутаторам 10BaseT дуплексными каналами. Все маршрутизаторы сети настроены на работу с EIGRP. Индивидуальная DES статистика выбрана для определения показателей эффективности и оценки поведения EIGRP.

Установлено, что время выполнения моделирования 900 секунд. После этого, настраивается OSPF аналогичным способом.

Исследование производительности системы После разработки модели исследовались показатели производительности системы:

продолжительность конвергенции, задержка пакетов (так же известна как Jitter), сквозное качество обслуживания (end-to-end), метрики пропускной способности (используются для определения эксплуатационного качества протокола).

Продолжительность конвергенции показывает, насколько быстро маршрутизаторы сети достигают состояния сходимости. При использовании протокола маршрутизации, ~ 173 ~ маршрутизаторы обмениваются друг с другом информацией о топологии сети. При изменении топологии сети, маршрутизаторы обмениваются известной топологией, пока информация об изменениях не распространятся по всей сети. Jitter определяется какая задержка при получении пакетов [2]. Передающая сторона посылает пакеты непрерывно и с установленным интервалом друг от друга. В связи с перегрузкой сети, не правильной обработкой пакетов и системных сбоев, устойчивость потока нарушается. Этот фактор резко снижает скорость и качество видео потока.

Сквозное качество обслуживания (end-to-end) описывает время, затраченное на доставку пакета от источника до места назначения. End-to-end задержки имеют решающее значение при передаче информации в режиме реального времени. Если пакеты прибывают слишком поздно, информация теряется, что в свою очередь негативно влияет на качество полученной информации, в нашем случае, сильно ухудшится качество потокового видео.

Пропускная способность является ключевым параметром для определения скорости, с которой пакеты будут успешно доставлены через каналы связи. Пропускная способность обычно измеряется в bits/s или bps, иногда в пакетах данных за секунду или просто пакетах [3].

Для выявления изменения скорости передачи данных, в двух способах передачи данных, для PPP_DS1 канала 1.544 Mbps, рассматривалась фоновая загруженность каждой сети, изменяя загруженность канала и анализируем изменение определенных параметров. Загруженность канала установлена и увеличивается от 0% до 80%, как показано в таблице 1.

Таблица 1. Значения загруженности канала.

Время (сек.) Загруженность канала (%) Значение канала (bps) 0 0 200 20 308800 (1544000*0.2) 400 40 617600 (1544000*0.4) 600 60 926400 (1544000*0.6) 800 80 1235200 (1544000*0.8) OPNET настроен на сбор графической информации от различных сетевых устройств и источников данных, в том числе и видео трафика, маршрутизаторов, каналов и коммутаторов [4]. Моделирование каждого сценария длилось 900 секунд. Направление видео потока начинается на 70 секунде.

На рисунке 1, конвергенция сети с использованием EIGRP происходит быстрей, чем при использовании OSPF, так как при OSPF связность нарушается на 400 секунде и восстанавливается только на 800 секунде. Это обусловлено тем, что при обнаружении изменений в топологии сети, маршрутизатор, настроенный для работы с протоколом маршрутизации EIGRP, посылает запрос только к непосредственным соседям, для обнаружения successor, и распространения информации на все узлы.

~ 174 ~ Рисунок 1 – Отношение скорости конвергенции ко времени моделирования В случае использования OSPF, каналы сети переполняются LSA сообщениями, а так же, происходит перестроение таблиц маршрутизации. В связи с этим, OSPF затрачивает больше времени на конвергенцию.

Изменение задержки пакетов оказывает огромное влияние на потоковую передачу видео. На рисунке 2, показана задержка пакетов OSPF. Время задержки пакетов начинает расти приблизительно на 400-отой секунде моделирования и достигает примерно секунды.

Рисунок 2 – Задержка получения пакетов ~ 175 ~ В то же время, задержка пакетов на 400 секунде моделирования, при использовании EIGRP составляет около 1мс, а затем начинает резко возрастать. Нагрузка на сеть была установлена в несколько шагов, 20%, 40%, 60% и 80% на 200, 400, 600 и 800 секундах соответственно. До 400 секунд, задержка в обоих случаях является меньше 30мс, что является приемлемым качеством передачи потокового видео в режиме реального времени. В случае EIGRP, задержка медленно возрастает после 400 секунд при сетевой нагрузке в 40%. Так же, наблюдаются расхождения в задержке пакетов в интервале от 400 до 900 секунд. На рисунке 2 показано, что при изменении топологии сети, использование протокола маршрутизации EIGRP, приводит к меньшему значению задержки пакетов.

На рисунке 3 показаны задержки сквозного обслуживания. Как видно из графика, задержка при передаче пакетов в EIGRP и OSPF сетях, составляет около 70ms, начиная с 190 секунды до 395 секунды моделирования (при нагрузке на сеть в 20%).

Рисунок 3 – Задержки сквозного обслуживания Так же замечено, что при использовании EIGRP, задержка увеличивается до 200ms на 400 секунде (при нагрузке в 40%). При таких же условиях в сети OSPF, задержка составляет 1.5 секунды. Тем не менее, на 600 секунде моделирования, при повышении нагрузки на сеть до 60%, показатели задержки, при использовании обоих протоколов маршрутизации, начинают возрастать, и постепенно увеличиваются до конца моделирования.

На рисунке 4 отображена пропускная способность сети при использовании рассматриваемых протоколов маршрутизации.

~ 176 ~ Рисунок 4 – Пропускная способность сети Потеря пакетов наблюдается начиная с 400 секунды моделирования, как в сети с использованием EIGRP, так и в сети с использованием OSPF. График отображает воздействие на полученный трафик в зависимости от возрастания фоновых нагрузок. В сети с использованием EIGRP наблюдается потеря 0.14% и 2.9% передаваемых пакетов, при фоновых нагрузках 20% и 40% соответственно. Рассматривая OSPF, потери трафика составляют 0,35% и 6%, при одинаковых нагрузках. В момент нарастании фоновой нагрузки, количество потерянных пакетов возрастает, как при использовании EIGRP, так и OSPF. Исходя из результатов моделирования, можно сделать вывод, что сети, использующие в качестве протокола маршрутизации EIGRP, обладают большей пропускной способностью, по сравнению с сетями OSPF.

Моделирование для анализа было проведено в одной сети, с применением протоколов передачи данных используемых приложениями реального времени. Оценка эффективности протоколов маршрутизации была произведена на основе указанных критериев.

Заключение Результаты моделирования позволяют утверждать, что производительность EIGRP лучше, по сравнению с OSPF.

Анализируя протоколы маршрутизации со стороны скорости сходимости, EIGRP быстрее восстанавливает связность сети, чем OSPF, благодаря более быстрому изучению топологии и обновлению таблиц маршрутизации. Показатели задержки пакетов, при изменении топологии сети, в сети с использованием OSPF, значительно выше, чем при использовании EIGRP. Таким образом, EIGRP обладает большей производительностью.

Результаты моделирования так же показали, что сквозные задержки в сети EIGRP значительно меньше, чем в сети OSPF. Показатели сквозной задержки в сети EIGRP, на ~ 177 ~ протяжении большего времени моделирования, находятся в допустимых пределах качества передачи потокового видео в режиме реального времени. Так же, в сети EIGRP, количество потерянных пакетов гораздо меньше, чем в сети OSPF, что свидетельствует о большей пропускной способности. EIGRP является гибридом дистанционно векторных протоколов и протоколов состояния канала, благодаря этому, обеспечивает повышенную скорость конвергенции, минимальность задержек и хорошую пропускную способность.


Список информационных источников [1] Nohl, A.R, Molnar G, “The convergence of the OSPF routing protocol” (Ericsson Res., Ericsson Hungary Ltd., Budapest, Hungary);

Source: Periodica Polytechnica Electrical Engineering, v 47, n 1-2, p 89-100, 2002.

[2] “Understanding the protocols underlying dynamic routing”. CNET Networks, Inc.

Retrieved p.10-17, 2008.

Олифер В.Г. Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы.

[3] Издательство, Питер, 4-е издание, 2010.

[4] Wendell Odom, CCNP ROUTE 642-902 Official Certification Guide, Cisco Press, 2010.

Остроух А.В. Информационные технологии в научной и производственной [5] деятельности / [ред. А.В. Остроух] - М: ООО "Техполиграфцентр", 2011. - 240 с. ISBN 978-5-94385-056-1.

Саакян И.Э., Шушанский К.П. Учет и верификация мобильных пользователей [6] корпоративных сетей // Автоматизация и управление в технических системах. – 2012. – № 2. – C. 94-98.

~ 178 ~ РАЗДЕЛ VI. ТРАНСПОРТНЫЕ И ТРАНСПОРТНО ТЕХНОЛОГИЧЕСКИЕ СИСТЕМЫ СТРАНЫ, ЕЕ РЕГИОНОВ И ГОРОДОВ, ОРГАНИЗАЦИЯ ПРОИЗВОДСТВА НА ТРАНСПОРТЕ DOI: 10.12731/2306-1561-2013-4- REVIEW OF TRANSPORTATION TECHNOLOGIES CONCRETE MIXTURES ROAD Bashmakov I.A., Polgun M.B., Jha Prabhakar, Ostroukh A.V.

Abstract The article analyzes the existing transportation technology of concrete mixes for road transport, including the organization of preparatory operations for loading concrete for rolling stock and unloading it in the point of delivery. Conditions under which it is possible rationalization.

Keywords: transport, road transport, the concrete mix, concrete, technology, customer service, concrete mixing plant, concrete plant-solution, cement mixer.

УДК 656. ОБЗОР ТЕХНОЛОГИЙ ТРАНСПОРТИРОВКИ БЕТОННЫХ СМЕСЕЙ АВТОМОБИЛЬНЫМ ТРАНСПОРТОМ Башмаков И.А., Польгун М.Б., Джха Прабхакар, Остроух А.В.

Аннотация В статье проведен анализ существующей технологии транспортировки бетонных смесей автомобильным транспортом, включая организацию подготовительных операций к погрузке бетонной смеси на подвижной состав и разгрузке его в пункте доставки. Приведены условия, при которых возможна ее рационализация.

Ключевые слова: транспортировка, автомобильный транспорт, бетонная смесь, товарный бетон, технология, обслуживание потребителей, бетоносмесительный завод, раствор-бетонный узел, автобетоносмеситель.

Введение На сегодняшний день в России при производстве бетонных и железобетонных работ применяется общая, универсальная технология транспортирования бетонных смесей [1 – 14]. Она вариативна и зависит от характера проводимых работ, требуемого ~ 179 ~ качества работ, установленных сроков проведения работ, общего объема работ, качественного и количественного состава применяемой строительной техники.

В настоящее время, под технологией понимается – совокупность процессов, методов и конкретных материалов, используемых в определенной деятельности, а также строгое научное описание способов технического производства. В более узком смысле под технологией понимают комплекс конкретных организационных мер, этапов и операций, идущих последовательно и ограниченных заданными условиями их реализации.

Этап – перечень конкретных операций, с реализацией которых осуществляется технологический процесс.

Операция – логически целостная и однородная часть технологического процесса, направленная на достижение поставленной в данном процессе цели, выполняемая одним или несколькими исполнителями.

Подача бетонной смеси – перемещение бетонной смеси в пределах строящегося объекта до блока бетонирования.

Блок бетонирования – подготовленная к укладке бетонной смеси конструкция или ее часть со смонтированной арматурой и установленной опалубкой.

Распределение бетонной смеси – перемещение бетонной смеси в блоке бетонирования, для полного и равномерного его заполнения.

Этапы технологии транспортировки бетонных смесей В частности, наиболее распространенная технология транспортировки бетонных смесей включающет в себя приведенный ниже набор этапов и операций:

1) Погрузка бетонной смеси в транспортное средство на бетоносмесительном заводе:

подача транспортного средства под погрузку;

предоставление документального подтверждения соответствия фактического состава бетонной смеси, указанному в договоре на поставку;

осуществление погрузки смеси в транспортное средство;

выезд транспортного средства с территории бетоносмесительного завода.

2) Транспортировка бетонной смеси на строящийся объект:

следование груженого транспортного средства по маршруту от бетоносмесительного завода, до строящегося объекта.

3) Выгрузка бетонной смеси из транспортного средства:

прибытие транспортного средства к месту выгрузки бетонной смеси;

осуществление выгрузки бетонной смеси.

4) Подача бетонной смеси в блок бетонирования:

перемещение бетонной смеси с места выгрузки в блок бетонирования.

5) Распределение бетонной смеси в блоке бетонирования:

равномерное перемещение бетонной смеси внутри блока бетонирования.

~ 180 ~ Типовая схема бетоносмесительного завода выглядит, как показано на рисунке 1.

Рисунок 1 - Типовая схема бетоносмесительного завода На схемах, представленных на рисунках 2, 3, наглядно показаны типичные комбинации этапов используемой технологии транспортирования бетонных смесей автомобильным транспортом.

~ 181 ~ Этап Этап Распределение бетонной смеси в Погрузка приготовленной блоке бетонирования бетонной смеси в транспортное средство Этап Подача бетонной смеси в блок Этап бетонирования Перевозка бетонной смеси на строящийся объект Этап 3* Выгрузка готовой бетонной смеси в средство подачи бетонной смеси Этап Выгрузка готовой бетонной смеси Этап 3 + Этап Выгрузка готовой бетонной смеси Этап в блок бетонирования Подача бетонной смеси в блок бетонирования Этап Этап 5 Распределение бетонной смеси в Распределение бетонной блоке бетонирования смеси в блоке бетонирования Рисунок 2 - Технологическая схема процесса транспортирования готовой бетонной смеси Этап 1 Этап Погрузка компонентов Распределение бетонной смеси в бетонной смеси в блоке бетонирования автобетоносмеситель Этап Этап Подача бетонной смеси в блок Перевозка компонентов бетонирования бетонной смеси на строящийся объект и приготовление из них в процессе перевозки Этап 3* полноценной бетонной смеси Выгрузка готовой бетонной смеси в средство подачи бетонной смеси Этап Выгрузка готовой бетонной смеси Этап 3 + Этап Выгрузка готовой бетонной Этап смеси в блок бетонирования Подача бетонной смеси в блок бетонирования Этап Распределение бетонной смеси в Этап блоке бетонирования Распределение бетонной смеси в блоке бетонирования Рисунок 3 - Технологическая схема процесса транспортирования компонентов бетонной смеси с последующим ее приготовлением ~ 182 ~ Транспортировка товарных бетонных смесей на большие расстояния При транспортировании товарных бетонных смесей на большие расстояния (до 10 км и более) применяют специализированные транспортные средства на базе грузовых автомобилей – автобетоносмесители (рисунок 4). Они оснащены специальным оборудованием для сохранения качеств бетонных смесей в пути следования, которое предохраняет их от попадания атмосферных осадков, солнечных лучей, не дает смеси расслаиваться (вытекать цементному молоку или раствору), зимой предохраняет ее от быстрого охлаждения и замерзания.

Рисунок 4 - Автобетоносмеситель для транспортирования бетонных смесей Автобетоносмесители предназначены для быстрого транспортирования на значительные расстояния (около 35 - 40 км) готовых пластичных бетонных смесей, а также для приготовления бетонной смеси в пути следования или непосредственно на строящемся объекте. Автобетоносмеситель представляет собой шасси грузового автомобиля, на котором смонтированы смесительный барабан с загрузочно разгрузочным устройством, узлы привода барабана с механизмом управления, дозировочно-промывочный бак и водяной центробежный насос.

Для сохранения однородности готовой бетонной смеси в процессе транспортирования при использовании автобетоносмесителя в качестве бетоновоза, смесительный барабан медленно вращается (3 - 4 об/мин), непрерывно перемешивая смесь. Если необходимо, автобетоносмеситель может сам приготовить бетонную смесь, для этого сухие исходные материалы загружаются в смесительный барабан через загрузочную воронку загрузочно-разгрузочного устройства. К внутренней поверхности барабана прикреплены две винтовые лопасти. При вращении барабана по часовой стрелке компоненты смеси направляются в нижнюю часть барабана, где происходит их гравитационное перемешивание, а при вращении в обратную сторону лопасти подают ~ 183 ~ готовую смесь к приемному лотку, соединенному с поворотным разгрузочным желобом.

После разгрузки производится промывка барабана водой из дозировочно-промывочного бака.

Для приготовления бетонной смеси в пути следования водитель автобетоносмесителя за 5 - 10 мин до прибытия к месту выгрузки смеси включает привод смесительного барабана. Одновременно с началом вращения (9 - 14 об/мин) в барабан подаётся водяным насосом определенная порция воды из дозировочно-промывочного бака.

Транспортировка товарных бетонных смесей в пределах строительной площадки При транспортировании бетонных смесей в пределах строительной площадки часто применяется трубопроводный транспорт – бетононасосы и бетононагнетатели.

Благодаря транспортированию по трубам, максимально сохраняется качество смеси и сводятся к минимуму её потери.

Бетононасосы (рисунок 5) применяют для непрерывного транспортирования готовой бетонной смеси, к месту укладки по металлическим трубам-бетоноводам на расстояния около 300 м по горизонтали или около 50 м по вертикали, при выполнении бетонных работ большого объема. Современные бетононасосы как правило монтируется на шасси автомобиля и представляет собой поршневую машину с механическим и гидравлическим приводом. Бетононасосы с механическим приводом выполняют одноцилиндровыми, с гидравлическим – двухцилиндровыми.

Рисунок 5 – Бетононасос, смонированный на шасси автомобиля Типичный бетононасос состоит из распределительной стрелы, рамы, приемной воронки, распределительного устройства, опорных стоек, поворотного устройства, цилиндропоршневой группы, привода гидронасоса, компрессора, блока управления.

В последнее время получили также распространение комбинированные машины, которые сочетают в себе достоинства автобетононасоса и бетоносмесителя:

~ 184 ~ они транспортируют и перемешивают бетон как обычные автобетоносмесители, а на стройплощадке обеспечивают подачу и распределение материала (рисунок 6).

Рисунок 6 – Комбинированная машины (автобетононасос и бетоносмеситель) Основыне преимущества такой машины:

Использование одной машины вместо двух сокращает организационные затраты на строительном объекте.

Машиной управляет один оператор.

Машина обеспечивает рентабельность при работе на малых объектах, тем самым расширяется диапазон работ, выполняемых предприятием заказчика.

Машина выполняет 4-5 поездок в день.

При строительстве железобетонных сооружений применяют также и использующие для пневматические бетононагнетатели (рисунок 7), транспортирования бетонной смеси по трубам энергию сжатого воздуха.

~ 185 ~ Рисунок 7 – Пневматический бетононагнетатель Они состоят из компрессора, ресивера, выравнивающего рабочее давление в воздухораспределительной сети, нагнетателя, гасителя, бетоновода и системы управления.

Транспортировка товарных бетонных смесей внутри строящегося объекта Транспортирование бетонной смеси внутри строящегося объекта может осуществляться также и кранами, с помощью строительных бадей, ленточными транспортерами, самоходными бетоноукладчиками, подъемниками, мототележками и виброжелобами с вибропитителями.

Самоходные, башенные и стреловые краны с комплектом бадей используют для порционной подачи и распределения бетонной смеси в блоках бетонирования.

Доставленную автомобильным транспортом бетонную смесь разгружают на объекте в бадьи и кранами подают непосредственно в конструкцию.

Бадьи бывают поворотные и неповоротные (рисунок 8). Поворотная бадья представляет собой сварную емкость, состоящую из корпуса, каркаса, затвора, рычага.

Иногда на корпус бадьи устанавливают вибратор. Каркас выполнен в виде салазок, конструкция которых позволяет загружать бадью в горизонтальном положении.

При подъеме краном бадью стропуют за петли и она, плавно перекатываясь, занимает вертикальное положение. В таком положении бадья перемещается и разгружается. При опускании бадьи под загрузку она плавно принимает горизонтальное положение загрузочным отверстием кверху.

~ 186 ~ Поворотная бадья Неповоротная бадья Рисунок 8 – Бадьи для бетона Неповоротная бадья (см. рисунок 8) также представляет собой сварную емкость, но в отличии от поворотной, она подается под загрузку в вертикальном положении.

Преимущественное применение имеют поворотные бадьи;

неповоротные бадьи используют в тех случаях, когда бетонную смесь нужно подавать небольшими порциями (в колонны, стены небольшой толщины и др.). Бадьи обычно изготовляют вместимостью 0,5-2 м3.

В строительстве, ленточные, секционные и звеньевые конвейеры используют для подачи бетонной смеси в основном при бетонировании конструкций с небольшими размерами (точечные конструкции).

Для нужд строителей имеются ленточные конвейеры передвижного типа длиной 6 15 м и шириной гладкой или ребристой ленты 400-500 мм. Такие конвейеры могут подавать бетонную смесь на высоту 1,5-4 м.

Основным рабочим органом конвейера является гибкая прорезиненная лента, огибающая приводной и натяжной барабаны и опирающаяся на поддерживающие верхние роликовые опоры желобчатого типа и нижние плоские роликовые опоры.

Бетонную смесь загружают на ленту через питатели, позволяющие непрерывно и равномерно подавать смесь требуемой толщины.

При большом объеме наземных работ по укладке бетона самыми производительными и удобными являются самоходные бетоноукладчики (рисунок 9).

Они представляют собой самоходные машины, чаще всего на гусеничном ходу, оборудованные бетоноукладочным оборудованием.

~ 187 ~ Рисунок 9 – Самоходный бетоноукладчик При транспортировании бетонной смеси на строящемся объекте с этажа на этаж или с уровня земли в котлован, могут применяться различные по конструкции подъемники. Подъемники – это машины, предназначенные для подъема и спуска бетонной смеси с помощью смесенесущих устройств, перемещающихся по вертикальным или наклонным направляющим.

Мототележки используются для транспортирования малых порций бетонных смесей на строительной площадке. Они загружаются из накопительных и перегрузочных бункеров или приобъектного бетоносмесительного заводи, или растворного узла. В настоящее время мототележки используются только при крупном и специфичном строительстве (метрополитен, ГЭС и др.).

Транспортирование бетонной смеси в конструкции, расположенные в котловане (ниже уровня земли), осуществляют с промежуточной перегрузкой в вибропитатель и последующей подачей в блок бетонирования виброжелобами.

Вибропитатель представляет собой треугольный сварной ящик, оборудованный вибратором. Вибропитатель устанавливают так, чтобы днище его было наклонено на 5 10° в сторону бетонируемой конструкции. Выходной проем вибропитателя оборудован секторным затвором. К выходному проему прикрепляют виброжелоба длиной 4 или 6 м.

Благодаря такой конструкции, бетонные смеси могут транспортироваться в блок бетонирования без потери своих качеств.

После того, как бетонная смесь была транспортирована в блок бетонирования, она перемещается рабочими внутри блока бетонирования, с целью оптимального его ~ 188 ~ заполнения. Средствами распределения смеси внутри блока бетонирования служат лопаты, кельмы, виброуплотнители и виброрейки (обычные рейки). После распределения смеси завершается процесс её транспортирования и начинается другой процесс – окончательная укладка бетонной смеси в блоке бетонирования.

Заключение Таким образом, проведен анализ технологий транспортировки товарных бетонных смесей, применяющихся в России. Стоит отметить, что правильно подобранная и грамотно реализованная технология транспортировки бетонных смесей в значительной мере определяет качество конечного продукта – возведенного объекта. Но чтобы добиться правильной подборки и грамотной реализации имеющейся технологии, необходимо иметь четкое и структурированное описание самой технологии транспортирования бетонных смесей, что определяет направление дальнейших исследований.

Список информационных источников Будихин С.А. Сравнение методов вращения факторов для управления рисками на [1] промышленных предприятиях / А.В. Остроух, А.В. Будихин, С.А. Будихин // Приборы и системы. Управление, контроль, диагностика. - М.: «Научтехлитиздат», 2008. - №10. - С. 60-63.

Джха Прабхакар, Джха Пунам. Создание автоматизированной системы контроля и [2] управления качеством в производстве сборного железобетона // Автоматизация и управление в технических системах. – 2012. – № 1. – С. 44-55.

Жарков Н.Н. Методы построения корпоративной информационной системы [3] управления ресурсами строительного предприятия / Н.Н. Жарков, Т.В. Дорохина А.В. Остроух, Н.Е. Суркова // Вестник Российского нового университета. Серия естествознание, математика, информатика. – М.: РосНОУ, 2004. - Вып. 4. - С. 110 113.

Кузнецов И.А. Особенности реализации автоматизированной информационно [4] аналитической системы центра планирования перевозок строительных грузов / И.А. Кузнецов, А.В. Остроух // Вестник МАДИ(ГТУ). - 2008. - Вып. 1(12). - С. 92 96.

Куфтинова Н.Г. Процессно-ориентированный подход к автоматизации [5] планирования и управления транспортировкой продукции предприятий промышленности / А.В. Остроух, Н.Г. Куфтинова // Вестник МАДИ – 2010. - Вып.

4(23). - С. 62-66.

Николаев А.Б. Информационные технологии в менеджменте и транспортной [6] логистике: учебное пособие / А.Б. Николаев, А.В. Остроух. – Saint-Louis, MO, USA:

Publishing House Science and Innovation Center, 2013. – 254 с. - ISBN 978-0-615 67110-9.

Остроух А.В. Автоматизация распределения транспортных средств и техники по [7] объектам строительства с учетом организационных и технических факторов / А.В.

~ 189 ~ Остроух, Н.Е.Суркова // Приборы и системы. Управление, контроль, диагностика.

- М.: «Научтехлитиздат», 2004. - №12. - С. 6-9.

Остроух А.В. Автоматизация и моделирование работы предприятий по [8] строительству промышленных объектов: дис. … д-ра техн. наук: 05.13.06:

защищена 07.04.09: утв. 19.06.09. - М., 2009. - 357 с.

Остроух А.В. Автоматизация и моделирование работы предприятий по [9] строительству промышленных объектов: автореф. дис. … д-ра техн. наук: 05.13.06.

- М., 2009. - 43 с.

Остроух, А.В. Информационные технологии в научной и производственной [10] деятельности / [ред. А.В. Остроух] - М: ООО "Техполиграфцентр", 2011. - 240 с. ISBN 978-5-94385-056-1.

Остроух А.В. Автоматизация управления строительным предприятием / А.В.

[11] Остроух // Приборы и системы. Управление, контроль, диагностика. - М.:

«Научтехлитиздат», 2004. - №8. - С. 58-61.

Остроух А.В., Башмаков И.А. Процессная модель технологии транспортировки [12] бетонных смесей автомобильным транспортом // Автоматизация и управление в технических системах. – 2013. – № 4.1. – С. 75-81. DOI: 10.12731/2306-1561-2013 4-14.



Pages:     | 1 |   ...   | 3 | 4 || 6 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.