Методическое пособие 662

кандидата технических наук // Воронеж, 2006.

5.Новикова Е. И. Разработка информационно-программного обеспечения подсистемы диагностики осложнений инфаркта миокарда на основе нейросетевого моделирования / Новикова Е. И., Родионов О. В., // Вестник Воронежского государственного технического университета. 2015. Т.

14.№ 4. С. 773-777.

6.Новикова Е. И. Разработка логической модели на основе методов распознавания образов и добычи данных для диагностики внутреннего эндометриоза, миомы матки и опухолей яичников / Новикова Е. И., Родионов О. В. // Вестник Воронежского государственного технического университета.

2008. Т. 4. № 12. С. 108-111.

Воронежский государственный технический университет

УДК 004.9:338.2

С. Х. Сабах, Д. С. Ковалев, П. В. Синицин, А. Э. Баранова

РАЗРАБОТКА ИМИТАЦИОННЫХ МОДЕЛЕЙ СИСТЕМЫ УПРАВЛЕНИЯ АВТОТРАНСПОРТНЫМ ПРЕДПРИЯТИЕМ

Рассматривается крупное автотранспортное предприятие (АТП), машинный парк которого насчитывает сотни однотипных единиц транспортных и технологических машин, осуществляющих обслуживание ряда пространственно удаленных друг от друга объектов (работа на карьерах, строительство, дорожные работы) [1]. В условиях крупного АТП, располагающего большим парком автотранспортных и технологических машин, возможен статистический подход к идентификации готовности группы (класса) транспортных средств (ТС) [2]. Пусть под коэффициентом готовности Gi подразумевается вероятность, что в случае назначения задания на перевозку, ТС его выполнит, и Gi t Μi t ,t ! 0,1 ! Gi t τ 0. Здесь i – номер группы ТС, для

которой производится идентификация. Источниками информации для идентификации в данной задаче являются:

1. Сведения о состоявшейся поломке ТС, то есть t* : Gi* t* 0 , здесь

обозначение G* принято для фактического события.

2. Сведения о результатах аппаратной технической диагностики в той части, когда немедленный ремонт не требуется, но прогнозируется:t : Gi* t t ο 0, где t – момент диагностики.

3. Сведения о результатах экспертной оценки состояния ТС (водителем, механиком автопарка и т.д.), по форме аналогичные предыдущим.

120

идентификация ее вида может производиться немедленно после поступления информации любого вида (1, 2, 3 в вышеприведенном списке) или периодически по мере накопления наборов сведений. В любом случае будет решаться обычная задача регрессионного анализа

Алгоритм идентификации стартует в момент, когда поступает каждая следующая информация вида 1, 2 или 3. Для двухпараметрических функции Μ t наподобие Μ t a b t или Μ t 1 a exp b t теоретически достаточно 2-х

точек для идентификации (3-х, если необходимо оценить ошибку идентификации). Каждая следующая поступившая информация вызывает следующие действия:

1.Для всех видов функции Μ t определить их коэффициенты, решая

готовности для данного ТС.

Проверим работу алгоритма на примере. Будем рассматривать три вида

снижение готовности от времени, вторая – нарастающее и третья – асимптотически приближающееся к нулю (рис. 1).

Пусть, на самом деле, готовность меняется по закону Μ2 t с

коэффициентами a=0.001 и b=0.02. Покажем работу алгоритма в самом идеальном случае – когда через равные отсчеты поступает информация о текущем значении коэффициента готовности (например, от не существующего в реальности прогностического оборудования) с заданной погрешностью ε. Разумеется, после генерации погрешности окончательное значение приводится к интервалу [0,1].

Будем, начиная с 5-го отсчета, выполнять алгоритм идентификации и контролировать погрешность прогноза гарантированной поломки t* : Gi t* 0 .

Для этого разработано программное обеспечение в виде VBA-программы MS Excel, реализующее вышеописанный алгоритм. В связи с тем, что задача несложная, поиск решения (1) осуществляется пошаговым спуском с

121

постоянным шагом [3], равным наперед заданной погрешности определения коэффициентов.

Факт (А)

Факт или прогноз(Б)

F3

F1

F2

Рис. 1. Примеры изменения коэффициента готовности во времени

Возникают вопросы, каким же должен быть этот шаг, и зависит ли он от исходных условий. Для ответа на них произведено несколько имитационных экспериментов, выясняющих зависимость ошибки идентификации вида функции от шага спуска и погрешности ε. Исследование зависимости ошибки от погрешности диагностики (рис. 2) показало, что при росте погрешности диагностики свыше 25% ошибка, фактически, не изменяется.

Рис. 2. Зависимость ошибки идентификации от погрешности диагностики

Таким образом, даже в идеализированном случае, вероятно, нельзя говорить об идентификации параметров тренда коэффициента готовности без наличия 25-30 наблюдений за состоянием ТС.

122

среднеквадратичная невязка между ними была минимальной. Обозначив момент наступления существенного снижения (начала аппроксимирующей функции f2) через t2, получим задачу оптимизации

Для рассматриваемого интервала значений с достаточной точностью (±15…20 %) в качестве решения этой задачи можно использовать квадратичные аппроксимации (рис. 3):

Рис. 3. Сравнение расчетных значений t2 с полученными в ходе вычислительного эксперимента (по оси абсцисс – номер эксперимента)

и

c(a.b) 0.068116 0.12949a 6.90920b 0.007597a2 158.596b2 .

Аппроксимации получены путем поиска решения задачи (2) по набору данных, полученному в результате имитационного моделирования трендов технической готовности и их кусочно-линейных аппроксимаций f1и f2.

Анализируя полученные результаты можно сделать следующие выводы:

1.Для успешной оперативной идентификации коэффициента технической готовности ТС автопарка необходимы десятки (не менее 25…30) диагностических или экспертных прогнозов, желательно, попадающих в область существенного снижения готовности (в терминах, использованных на рис. 1).

2.По данным идентификации можно определить и использовать в целях

поддержки управленческих решений расчетное время t2, в течение которого эксплуатация ТС, скорее всего, окажется бесперебойной. После достижения

123

этого времени эксплуатации необходимо ставить вопросы о проведении углубленной диагностики и мелких ремонтов, предотвращающих, возможно, крупные и дорогостоящие ремонты в будущем.

То есть, исследование динамики технической готовности в условиях крупного автотранспортного предприятия является вполне работоспособным инструментов в отношении оптимизации затрат предприятия.

Литература

1.Егоров, С. Я. Подход к созданию системы поддержки принятия решений при управлении распределением ресурсов автотранспортного предприятия / С. Я. Егоров, Х. С. Салих // Моделирование оптимизация и информационные технологии. – 2019. – т.7 №4. DOI: 10.26102/23106018/2019.27.4.035.

2.Салих, Х. С. Постановка задачи определения технической готовности подвижгого состава автотранспортного предприятия / Х. С. Салих, С. Я. Егоров, А. В. Затонский // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и Технические Науки. – 2020.– N 2.

3.Кожин, А. П. Математические методы в планировании и управлении грузовыми автомобильными перевозками / А. П. Кожин, В. Н. Мезенцев // М.:

Транспорт. –1994. – 305 c.

Тамбовский государственный технический университет

УДК 004.942

Н. В. Макушева, И. Л. Артемьева, В. Л. Завьялова

МОДЕЛЬ ОНТОЛОГИИ ЯЗЫКОВОЙ ИНТЕРФЕРЕНЦИИ В СИТУАЦИИ РЕЧЕВОГО ВЗАИМОДЕЙСТВИЯ НА ЯЗЫКЕПОСРЕДНИКЕ В АТР

В данной работе представлена модель языковой интерференции, возникающей в ситуации использования английского языка в качестве языкапосредника представителями стран АТР, для которых первыми (родными) языками являются китайский (путунхуа), корейский или японский. Модель разработана для программной симуляции коммуникативного процесса на языке-посреднике, описанной в работе [2]. Данная программная система предназначена для специалистов, разрабатывающих методики обучения переводчиков восприятию речи, искаженной иноязычным акцентом.

Фонетическая система английского языка включает 24 согласных и 20 гласных фонем.

124

Вдругих языках «аналоги» фонем английского могут:

ξотсутствовать,

ξприсутствовать в качестве аллофона,

ξприсутствовать в качестве созвучного аналога, который может быть использован говорящими на систематической основе.

Вкитайском языке (путунхуа) из 24 согласных фонем: отсутствуют – 4, присутствуют в качестве аллофона – 16, присутствуют в качестве созвучного аналога – 4. Из 20 гласных фонем: отсутствуют – 9, присутствуют в качестве аллофона – 11.

Вкорейском языке из 24 согласных фонем: отсутствуют – 8, присутствуют в качестве аллофона – 10, присутствуют в качестве созвучного аналога – 6. Из 20 гласных фонем: отсутствуют – 8, присутствуют в качестве аллофона – 7, присутствуют в качестве созвучного аналога – 5.

Вяпонском языке из 24 согласных фонем: отсутствуют – 4, присутствуют

вкачестве аллофона – 15, присутствуют в качестве созвучного аналога – 5. Из 20 гласных фонем: отсутствуют – 8, присутствуют в качестве аллофона – 8, присутствуют в качестве созвучного аналога – 4.

Вречи на неродном языке можно выделить два вида ошибок:

ξнесистематические – такие ошибки, которые возникают случайно, их количество не зависит от родного языка, говорящего и его уровня владения языком-посредником;

ξсистематические – такие ошибки, которые возникают вследствие интерференции языков и зависят от структуры родного языка и от уровня владения языком-посредником.

Для моделирования интерес представляют систематические ошибки. Вероятность возникновения таких ошибок тем выше, чем ниже уровень владения языком-посредником. При высоком уровне владения языкомпосредником у говорящего уже сформирован фонемный набор, так что в продукции используются фонемы языка-посредника. При низком уровне владения языком-посредником могут возникать следующие ситуации:

Фонема английского языка отсутствует в родном языке говорящего как аллофон или аналог: фонема может быть редуцирована, либо фонема может быть заменена на другую не систематически (индивидуально для каждого говорящего).

Фонема английского языка присутствует в родном языке говорящего как аллофон: фонема может быть заменена на аллофон.

Фонема английского языка присутствует в родном языке говорящего как аналог: фонема может быть заменена на аналог.

Врамках модели допустим, что в случае замены фонемы английского языка на аллофон, распознавание не представляет серьезных трудностей, и с высокой вероятностью фонема будет успешно распознана.

Для систематической редукции или замены на аналог ситуация выглядит более сложной, т.к. у разных билингвов, использующих английский как второй

125

(иностранный) язык, могут складываться разные по составу наборы английских\не английских фонем, в связи с чем звучание такой речи может быть достаточно разнородным. Именно такая ситуация и требует компьютерного моделирования с целью понимания того, как происходит процесс обучения распознаванию англоязычной речи, искаженной вышеописанным образом.

Введем следующие термины для модели онтологии (подробнее с моделью можно ознакомиться в работе [3]):

Сорт слова: {} (seq N)\

Каждое слово из множества моделируется последовательностью фонем.

Сорт аллофон фонемы второго языка: фонема Æ фонема

Термин обозначает функцию, сопоставляющую фонеме родного языка ее аллофон из второго языка.

Сорт аналог фонемы второго языка: фонема Æ фонема

Термин обозначает функцию, сопоставляющую фонеме второго языка ее аллофон из родного языка.

Сорт фонематический набор для родного языка индивида: индивид Х момент Æ {} фонема

Термин обозначает функцию, определяющую для индивида множество известных ему фонем родного языка.

Сорт фонематический набор для второго языка индивида: индивид Х момент Æ {} фонема

Термин обозначает функцию, определяющую для индивида множество известных ему фонем второго языка.

Сорт фонема слова: (s->слова, ind-> I [1, length (s)] Æ фонема

Термин обозначает функцию, сопоставляющую слову фонему из последовательности.

Сорт произнесенная фонема: индивид Х момент Æ фонема

( v1 индивид) ( v2 момент) ( v5 слова) ( v6 I [1, length (v5)])

фонема слова(v5, v6) фонематический набор для второго языка индивида(v1, v2) произнесенная фонема(v1, v2) = фонема слова(v5, v6)

Для каждого индивида, для каждого момента фонема слова может принадлежать фонетическому набору второго языка (индивид такую фонему знает), тогда произнесенная фонема является фонемой из фонетического набора второго языка индивида.

( v1 индивид) ( v2 момент) ( v5 слова) ( v6 I [1, length (v5)])

фонема слова(v5, v6) фонематический набор для второго языка индивида(v1, v2) & ( v3 фонематический набор для родного языка индивида(v1, v2)_ v3 = аллофон фонемы второго языка (фонема слова(v5, v6))) произнесенная фонема(v1, v2) = аллофон фонемы второго языка (фонема слова(v5, v6))

Для каждого индивида, для каждого момента фонема слова может не принадлежать фонетическому набору второго языка индивида (индивид такой

126

фонемы не знает). Если существует такая фонема фонетического набора родного языка, которая является аллофоном фонемы второго языка (в общем наборе фонем), то произнесенная фонема будет аллофоном фонемы второго языка (индивид заменяет правильную фонему на аллофон).

( v1 индивид) ( v2 момент) ( v5 слова) ( v6 I [1, length (v5)])

фонема слова(v5, v6) фонематический набор для второго языка индивида(v1, v2)& ( v3 фонематический набор для родного языка индивида(v1, v2)_ v3 = аналог фонемы второго языка (фонема слова(v5, v6))) произнесенная фонема(v1, v2) = аналог фонемы второго языка (фонема слова(v5, v6))

Для каждого индивида, для каждого момента фонема слова может не принадлежать фонетическому набору второго языка индивида (индивид такой фонемы не знает). Если существует такая фонема фонетического набора родного языка, которая является аналогом фонемы второго языка (в общем наборе фонем), то произнесенная фонема будет аналогом фонемы второго языка (индивид заменяет правильную фонему на аналог).

Добавление фонем связано не с фонетическим составом, а со слоговой структурой языка и требует отдельного рассмотрения.

Литература

1.Артемьева И. Л. Сложно-структурированные предметные области. Построение многоуровневых онтологий [Текст] // Информационные технологии. – 2009. – №1. – С.16–21.

2.Макушева Н. В., Артемьева И. Л., Завьялова В. Л. Компьютерное моделирование в исследовании восприятия речи на языке посреднике с признаками интерференции [Текст] // Интеллектуальные информационные системы. Труды Международной научно-практической конференции. – 2019. –

Том 2. – С. 92-96.

3.Макушева Н. В., Артемьева И. Л., Завьялова В. Л. Онтологический подход к разработке модели коммуникации на естественном языке с признаками интерференции [Текст] // Материалы VII Международный конференции “Знания - Онтологии - Теории” (ЗОНТ-2019). – 2019. – С. 238-248.

4.Завьялова В. Л. Звуковой строй английского языка Восточной Азии: концепция регионального фонетического варьирования [Текст]: дис. на соиск. учен. степ. д. филол. н.: 10.02.20 / Завьялова В. Л.; ДВФУ. – Владивосток. –

2018. – 584 с.

5.Шайдуллина Д. С. К вопросу о трудностях синхронного перевода английской речи носителей языков Восточной Азии [Текст] / Шайдуллина Д. С., Завьялова В. Л. // Социальные и гуманитарные науки на Дальнем Востоке. –

2016. – №2 (50) . – С.142–149.

Дальневосточный федеральный университет, г. Владивосток

127

УДК 658+004.75

К. С. Ткаченко

МОДЕЛИРОВАНИЕ КОМПЬЮТЕРНОГО УЗЛА СИСТЕМЫ УПРАВЛЕНИЯ ГОМОГЕННОГО ИНФОРМАЦИОННОГО КОНТУРА ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ ПРИ ВАРИАТИВНЫХ ВХОДНЫХ ПОТОКАХ

Конкурентоспособность промышленного предприятия зависит от степени внедрения элементов риск-менеджмента в его бизнес-процессы [1]. Определение операционных рисков позволяет комплексно оценивать специфику процессов промышленного предприятия. Поэтому идентификация рисков ложится в основу интегрированного управления предприятием. Информационная безопасность и обеспечение функционирования систем управления качеством осуществляется с учетом специальных комплексных решений. Результаты работы этих решений приводят к снижению рисков в бизнес-процессах. Интегрированные управленческие системы динамически выявляют факторы внутренней и внешней среды, которые изменяют процедуры, выполняемые бизнес-процессами предприятия. Источники событий риска во многих случаях являются непредвиденными. Поэтому эти события приводят к потерям ресурсов предприятия, экономических и мощностных. Анализ результатов мониторинга в коммуникациях инфраструктуры предприятия позволяет установить области произошедших событий риска путем сравнительной оценки количественной степени успешности управления процедурами бизнес-процесса. Стоит отметить, что результаты управления носят при этом вероятностный характер. Это приводит к тому, что нематериальные, материальные и финансовые ресурсы на выходе процедуры могут отличаться от плановых.

Достаточно часто на промышленных предприятиях используется режим сбережения ресурсов [2]. Для сбережения ресурсов уместно управлять рисками, но такое управление должно быть достаточно эффективным. Эффективное управление ресурсами основано на построении специальных контуров обеспечения функционирования бизнес-процессов. Деятельность этих контуров строится на основе анализа показателей оценок результативности бизнеспроцессов. Риск-мониторинг позволяет рассчитать возможные потери ресурсных составляющих и выработать подход для создания инструментов, управляющих контуром промышленного предприятия. Результативность работы управляющего контура – это, в первую очередь, вероятность достижения заранее заданного, запланированного уровня наличия ресурсов. Динамика показателей результативности фактически отмечает текущие и прогнозируемые уровни использования информационной системы. Комплексная оценка инфраструктуры предприятия и прогноз уровней служит для достижения устранения потерь ресурсов. Остаточные риски

128

функционирования точек инфраструктуры после этого находятся в рамках нормативных потерь ресурсов.

Внедрение современных информационных технологий на промышленных предприятиях в некоторых случаях приводит к цифровой трансформации последних [3]. Но такое внедрение будет успешным при его устойчивости. Для обеспечения устойчивости используются технологии «больших данных» и искусственного интеллекта. Промышленное предприятие может иметь устойчивое и неустойчивое поведение. Фазовые изменения на предприятии зависят от эндогенных и экзогенных факторов. Для управления устойчивостью на предприятии выполняется построение специальных контуров управления и их групп. Дестабилизация управления, появляющаяся в результате несанкционированных вторжений, приводит к затратам ресурсов. Эти затраты также возникают от процессов управления и цифровой трансформации. Гибкие изменения внутренней структуры промышленного предприятия позволяют производить изменения ассортимента. Устойчивость предприятия повышается, когда своевременно происходит выявление дестабилизирующих тенденций. Для своевременного выявления обычно используются современные диагностические системы. Прогнозирование изменений промышленного предприятия на основе анализа результатов его текущей деятельности обеспечивает функционирование предприятия в условиях неопределенности и неустойчивой внешней среды.

Поддержка принятия решений на промышленных предприятиях осуществляется с применением основанных на знаниях информационных автоматизированных системах [4]. Базой этих автоматизированных систем является модели информационных систем промышленного предприятия. Модели отражают предметную область структурированно с внешней и с внутренней стороны. Внутренняя структура объектов промышленного предприятия в таких моделях часто опускается, но детально описываются взаимоотношения между этими моделями. Такие взаимоотношения бывают логическими и функциональными. Параметрическое моделирование описывает взаимодействие ресурсов в рамках производственных процессов промышленного предприятия. Синтез этих моделей систем ложится в основу контроля состояния процессов промышленного предприятия. Управление производством на основе модельного планирования затруднено и ограничено сложностью применения существующих математических подходов для обеспечения функциональной полноты моделей. Целостное описание взаимодействий внутренних структур промышленного предприятия с внешней средой на основе теоретико-множественного аппарата в информационных системах приводит к целенаправленному сокращению потребления технологических ресурсов в производственных и организационных мощностях.

Управление инфраструктурой современного предприятия целесообразно выполнять на основе адаптивных систем, принадлежащих локальному уровню [5]. Такие адаптивные системы являются программируемыми и реализуются с

129