Алгоритмы обработки информации для диагностирования инженерной сети нефтедобывающего предприятия с интеллектуальной поддержкой принятия решений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Вульфин, Алексей Михайлович

• Вульфин, Алексей Михайлович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Вульфин, Алексей Михайлович

Введение ^

Глава 1. Анализ проблемы обработки информации для диагностирования инженерной сети нефтедобывающего предприятия

1.1 Анализ типовых структур систем обработки диагностической информации участка инженерной сети

1.2 Анализ диагностических моделей на основе обработки технологи- ^ ческих временных рядов

1.3 Анализ существующих алгоритмов и методов поддержки принятия решений для диагностирования участка инженерной сети

1.4 Выбор и обоснование методологии анализа технологических вре- ^ менных рядов

1.5 Выводы по главе

Глава 2. Разработка диагностической модели распознавания ситуа- ^ ций, возникающих на участке инженерной сети нефтедобычи

2.1 Разработка структуры интеллектуальной системы технического ди- ^ агностирования и обработки информации

2.2 Разработка функциональной и логической модели системы техниче- ^ ского диагностирования и обработки информации

2.3 Разработка алгоритма распознавания ситуаций на основе анализа ^ технологических временных рядов

2.4 Построение диагностической модели распознавания ситуаций, воз- ^ никающих на участке инженерной сети нефтедобычи

2.5 Выводы по главе

Глава 3. Разработка алгоритма интеллектуальной поддержки принятия решений для диагностирования участка инженерной сети нефтедобычи

3.1 Разработка системы поддержки принятия решений на основе моде- ^ ли распознавания ситуаций

3.2 Разработка структуры нейросетевого блока принятия решений

3.3 Разработка интеллектуальной системы обработки информации для диагностирования состояния участка инженерной сети

3.4 Разработка алгоритма интеллектуальной поддержки принятия решений для диагностирования участка инженерной сети нефтедобычи

3.5 Выводы по главе

Глава 4. Оценка эффективности модуля интеллектуальной системы поддержки принятия решений в процессе диагностирования участка 109 инженерной сети нефтедобычи

4.1 Разработка программного комплекса, реализующего модуль интеллектуальной системы обработки диагностической информации

4.2 Анализ эффективности алгоритмов обработки диагностической информации с использованием натурных данных системы измерения и кон- 117 троля качества нефти

4.3 Внедрение результатов диссертационной работы

4.4 Выводы по главе

Введение диссертации (часть автореферата) на тему «Алгоритмы обработки информации для диагностирования инженерной сети нефтедобывающего предприятия с интеллектуальной поддержкой принятия решений»

Актуальность проблемы

Совершенствование технологий - непременное условие эволюционного развития предприятия, нацеленного на повышение производительности труда, обеспечение выпуска качественной продукции и снижение издержек производства. Создание интегрированных систем диагностики и управления производственными процессами позволило значительно упростить доступ к накапливаемым данным реального времени (РВ). Однако недостоверность и большой объем этих данных не позволяют непосредственно использовать их для контроля состояния и прогнозирования хода технологических процессов. В таких системах проблемой является анализ текущей ситуации, интерпретация и принятие тактических и стратегических решений на основе обработки поступающих данных и последующее исполнение принятых решений. Часть подобных решений на сегодняшний день принимается в автоматическом режиме, а совокупность поступающих данных РВ посредствам разнообразных 8САБА-пакетов представляется оператору в виде комплексированной системы индикации. Значительное психологическое давление на диспетчера системы управления оказывает высокая цена принятия ошибочного решения. Усугубляет ситуацию отсутствие, недостоверность или противоречивость поступающих данных, а так же недостаток резерва времени на принятие управляющего решения. Таким образом, в подобных системах обработки информации и управления существенную роль в принятии наиболее важных и ответственных решений играет человеческий фактор, что ужесточает требования к качеству выполнения операторских и диспетчерских функций контроля состояния и диагностирования.

Согласно отчету совместного заседания Совета безопасности и президиума Госсовета от 13 ноября 2003 г. «О мерах по обеспечению защищенности критически важных для национальной безопасности объектов инфраструктуры и населения страны от угроз техногенного, природного характера и террористических проявлений» [1, 93], «доля техногенных катастроф в сумме чрезвычайных ситуаций уже превышает 70 процентов». Ежегодно на ликвидацию последствий различного рода аварий и катастроф в РФ расходуется от 1,5 до 3,0 % ВВП. Наиболее высокий процент причин, связанных с человеческим фактором, отмечен в химической, нефтехимической и нефтеперерабатывающей промышленности (до 79 %), в угольной (более 70 %), в нефтегазодобывающей (64 %) промышленности, на магистральных трубопроводах (53 %) [93]. Следовательно, системы управления и обработки должны обладать функционалом, позволяющим выявлять и диагностировать нештатные и аварийные ситуации, что может быть достигнуто, в частности, с помощью методов искусственного интеллекта и создания систем поддержки принятия решений (СППР). Разработка систем обработки информации, включающих в себя элементы СППР, направлена на предоставление информационной поддержки в поиске оптимального решения задачи диагностирования, что позволяет снизить риски и повысить эффективность системы управления в целом [13, 64, 45, 80].

Необходимость совершенствования систем обработки информации имеет особое значение для такого стратегически важного компонента отечественного ТЭК, как нефтегазодобыча. Это привело к реализации ряда инновационных проектов в крупных вертикально интегрированных компаниях, росту бюджета и области исследований, направленных на внедрение инновационных технологий в нефтегазовой отрасли (НТО). Например, программа НТР ОАО «Лукойл» на 2009 год включала в себя более 800 тем по основным направлениям производственной деятельности компании. На финансирование их разработки было выделено около 3 млрд. руб. Объем финансирования НТР на 2010 - 2011 гг. составляет более 7 млрд. руб. [3]. Готовятся новые законодательные инициативы, призванные урегулировать механизмы правового сопровождения всех процессов нефтегазодобычи, а также существуют тенденции усиления законодательной и нормативной базы России Федерации в области налогообложения и недропользования, призванные упорядочить процессы разработки и внедрения новых технологических решений [54, 85, 87]:

- проект закона «О нефти» [66];

- проект закона «О единстве измерений»;

- введение новых стандартов предприятия Р 50.2.052-2006 информационного обеспечения работ по мониторингу АСУ ТП, организации внутреннего и внешнего аудита.

Согласно ГОСТ 20911-89, задачами технического диагностирования являются: контроль технического состояния, поиск места и определение причин отказа, прогнозирование технического состояния объекта. Особое значение для диагностирования технического объекта имеют технологические временные ряды (ТВР), представляющие собой один из основных источников информации, характеризующей его состояние. Совершенствование технологий интеллектуального анализа данных (ИАД) создает новые возможности извлечения знаний из ТВР в ходе комплексного исследования системных связей и закономерностей функционирования и развития объекта, при обнаружении типичных и аномальных событий и выявлении имевших место качественных изменений. Основными целями интеллектуального анализа ТВР являются, во-первых, анализ процессов, характеризующихся высокой степенью неопределенности, во-вторых, повышение уровня интеллектуальной поддержки оператора в процессе принятия диагностических решений, и, в-третьих, выявление скрытых закономерностей и извлечение новых знаний. Основные направления исследований в этой области связаны с развитием методов ИАД, использующих гибридные нейросетевые технологии, нечеткое моделирование и гранулярные вычисления.

В последнее время стали появляться программные продукты, реализующие алгоритмы интеллектуальной обработки информации и предназначенные для создания комплексных систем управления и диагностирования, в том числе, основанные на анализе ТВР. Тем не менее, применительно к процессу добычи нефти они не обеспечивают специалистов значимой поддержкой в принятии диагностических решений. Нерешенность даже части проблем усиливает риски предприятий (правовые, производственные, финансово-экономические).

Данная проблема исследуется в трудах отечественных и зарубежных ученых: Ю.И. Зозули, В.И. Васильева, J1.P. Черняховской, Н.Г. Ярушкиной, А.П. Веревкина, Р.Г. Комарцовой, Е.С. Согомоняна, И.А. Биргера, R. М. Rangayyan, S. Krishnan, S. Haykin, S. Osowski, G. Bodenstein.

Применение интеллектуальных технологий поддержки принятия решений и средств анализа ТВР в составе современных систем обработки информации позволит получить реальные конкурентные преимущества с учетом роста спроса на энергоресурсы.

Объект исследования - системы обработки информации для инженерных сетей нефтедобычи с интеллектуальной поддержкой принятия решений.

Предмет исследования - алгоритмы обработки информации для диагностирования участка инженерной сети нефтедобычи в рамках методологии интеллектуального анализа технологических временных рядов.

Цель работы - повышение эффективности алгоритмов обработки информации для диагностирования инженерной сети нефтедобычи на основе интеллектуальной поддержки принятия решений.

Для достижения этой цели в диссертации поставлены и решены следующие задачи:

1. Разработка диагностической модели распознавания ситуаций, возникающих на участках инженерной сети нефтедобычи.

2. Разработка алгоритма распознавания ситуаций на основе анализа технологических временных рядов.

3. Разработка алгоритма интеллектуальной поддержки принятия решений для диагностирования участка инженерной сети нефтедобычи.

4. Разработка программного комплекса в рамках методологии интеллектуального анализа данных, реализующего полученные модели и алгоритмы в виде модуля интеллектуальной системы обработки диагностической информации, и оценка их эффективности на основе накопленных натурных данных.

Методы исследования

При решении поставленных в диссертационной работе задач использовались теория случайных процессов, теории нейронных сетей, цифровой обработки сигналов, интеллектуального анализа данных. Для оценки эффективности предлагаемых решений использовались методы математического моделирования. Применялись следующие программные продукты: Matlab 7.11, Borland С++ Builder версия 6.0, Qt Creator 2.1.

Основные результаты, выносимые на защиту

1. Диагностическая модель распознавания ситуаций, возникающих на участке инженерной сети нефтедобычи, на основе обработки технологических временных рядов.

2. Алгоритм распознавания ситуаций на основе анализа технологических временных рядов.

3. Алгоритм интеллектуальной поддержки принятия решений для диагностирования участка инженерной сети нефтедобычи.

4. Программный комплекс, реализующий модуль интеллектуальной системы обработки диагностической информации, и результаты анализа эффективности разработанных алгоритмов с использованием натурных данных.

Научная новизна работы

Научная новизна заключается в следующем:

1. Разработана диагностическая модель распознавания технологических ситуаций, возникающих на объектах инженерной сети нефтедобычи, основанная на анализе технологических временных рядов в рамках методологии CRISP-DM, отличающаяся тем, что в нее включена гомогенная нейросетевая структура, использующая нелинейный фильтр на базе распределенной нейронной сети прямого распространения с задержкой по времени в качестве предиктора, что позволяет повысить эффективность диагностирования за счет повышения достоверности описания процесса функционирования диагностируемого объекта, автоматизировать операции классификации и упорядочивания образов и понятий.

2. Разработан алгоритм распознавания ситуаций на основе адаптивной сегментации технологических временных рядов, использующий нейросетевую нелинейную фильтрацию, отличающийся дополнительно введенными распределенной нейронной сетью прямого распространения с задержкой по времени в совокупности с расширенным методом оценки обобщенного отношения правдоподобия и модифицированным алгоритмом формирования групп классов, что позволяет повысить эффективность процесса поддержки принятия решений на основе увеличения достоверности описания объекта диагностирования.

3. Разработан алгоритм поддержки принятия решений при диагностировании участка инженерной сети нефтедобычи на основе нейросетевой базы знаний, отличающийся применением иерархической нейронной сети и процедуры нечеткого продукционного вывода, что наделяет интеллектуальный блок поддержки принятия решений свойствами модульности, открытости и модифицируемости, а также позволяет повысить вероятность принятия правильного и своевременного решения.

Практическая ценность работы

Практическая ценность полученных результатов применительно к диагностированию участка инженерной сети нефтедобычи заключается в повышении эффективности алгоритмов обработки информации, что выражается в:

1) увеличении количества классов выявляемых событий на 20-30 % путем введения субклассов, описывающих участки смены типа динамических параметров квазистационарных сегментов, а также увеличении на 10-12 % количества выявляемых технологических событий;

2) получении количественного описания и характеристик технологических событий на участке инженерной сети, таких как: временные границы приходящих событий и квазистационарных сегментов, тип и параметры динамики сегментов;

3) повышении вероятности принятия правильного и своевременного решения на 8-10 %;

4) разработке программного комплекса, реализующего модуль системы поддержки принятия решений в рамках интеллектуальной системы обработки диагностической информации, поступающей с участка инженерной сети нефтедобычи.

Практическая значимость результатов диссертационной работы подтверждается результатами их внедрения в производственную деятельность ОАО «Нефтеавтоматика» (г. Уфа).

Связь исследований с научными программами

Исследования проводились в рамках Гранта Президента Российской Федерации для государственной поддержки ведущих научных школ Российской Федерации № НШ-65497.2010.9 «Теоретические и методологические основы разработки информационных систем, а также их применения в промышленности и в социально-экономической среде с учетом тенденций развития информационных технологий» под руководством профессора М.Б. Гузаирова.

А также в рамках краткосрочного научного исследования на базе научно-образовательного центра «Нанотехнологии для нефтяной и газовой промышленности» РГУ нефти и газа имени И.М. Губкина согласно государственному контракту между РГУ нефти и газа имени И.М. Губкина и Министерством образования и науки Российской Федерации в рамках реализации в 2011 г. мероприятия 1.4 «Развитие внутрироссийской мобильности научных и научно-педагогических кадров путем выполнения научных исследований молодыми учеными и преподавателями в научно-образовательных центрах» федеральной целевой программы "Научные и научно-педагогические кадры инновационной России" на 2009-2013 годы. и

Апробация работы

Основные теоретические положения и практические результаты работы докладывались и обсуждались на научно-технических конференциях, в том числе на:

62-й научной конференции молодых ученых «Нефть и газ - 2008»

Москва, РГГУ им. Губкина (2008);

Х1-ХШ Всероссийских научно-технических конференциях «Нейроинформатика» - Москва, МИФИ (2009, 2010, 2011);

- IV-VI Всероссийских зимних школах-семинарах аспирантов и молодых ученых - Уфа, УГАТУ (2009, 2010, 2011);

Всероссийских молодежных научных конференциях «Мавлютовские чтения» - Уфа, УГАТУ (2009, 2010, 2011);

Всероссийской научно-практической конференции с международным участием - Йошкар-Ола, МГТУ (2010).

XII Международной конференции по компьютерным наукам и информационным технологиям (СБ1Т) - Волгоград, 2010.

Публикации

Результаты диссертационной работы отражены в 20 публикациях, в том числе в 17 статьях, из которых 4 в отечественных и зарубежных рецензируемых журналах из списка периодических изданий, рекомендованных ВАК РФ, 13 -статьи и материалы международных и российских конференций, а также 2 свидетельства об официальной регистрации программ для ЭВМ.

Структура и объем работы

Диссертационная работа состоит из введения, четырех глав, заключения, списка использованных источников и изложена на 154 страницах машинописного текста. Содержит 59 рисунков и 20 таблиц. Библиографический список включает в себя 168 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Вульфин, Алексей Михайлович

4.4 Выводы по главе 4

Разработан программный комплекс, реализующий модуль системы поддержки принятия решений в рамках интеллектуальной системы обработки диагностической информации, поступающей с узла инженерной сети нефтедобычи. В ходе моделирования с использованием реальной задачи распознавания ситуаций на узле СИКН получены результаты, которые подтверждают работоспособность данного комплекса. Показана эффективность ПК в составе интеллектуальных систем обработки диагностической информации по сравнению существующими решениями.

Применение разработанной модели позволило:

- увеличить количества классов выявляемых событий на 20-30% путем введения субклассов, описывающих участки смены типа динамических параметров квазистационарных сегментов;

- получить количественное описание и характеристики технологических событий, как-то: временные границы приходящих событий и квазистационарных сегментов, тип и параметры динамики таких сегментов;

- увеличить на 10-12% количества выявляемых технологических событий;

- повысить достоверности описания технологических ситуаций на 1216%;

- повысить вероятность принятия правильного и своевременного решения с 0.7 до 0.8 (на 10%).

ЗАКЛЮЧЕНИЕ

Актуальной проблемой на сегодняшний день является разработка интеллектуальных компонент в составе многоуровневых систем управления, которые позволяют не только решать традиционные задачи управления, но и обеспечивают ЛПР возможность более обоснованного выбора рационального варианта решения в той или иной ситуации.

Получены следующие результаты:

1. С целью снижения роли человеческого фактора в процессе диагностирования технического объекта и улучшения информационного обеспечения процесса поддержки принятия решений разработана диагностическая модель распознавания ситуаций, возникающих на объектах инженерной сети нефтедобычи, основанная на анализе ТВР. Использование разработанной нейросетевой модели позволяет избежать излишней сегментации и переключения сигнализирующей системы, расширить количество выделяемых классов событий на 2030 % путем обнаружения переходных состояний, сократить количество настраиваемых параметров, а также увеличить На 10-12 % количество выявляемых событий и тем самым повысить достоверность описания ситуаций.

2. Разработан алгоритм распознавания ситуаций на основе анализа технологических временных рядов с помощью нейросетевой адаптивной сегментации, позволяющий повысить эффективность процесса поддержки принятия решений на основе увеличения достоверности описания объекта диагностирования.

3. Разработан алгоритм поддержки принятия решений, функционирующий в составе системы обработки диагностической информации участка инженерной сети, на основе нейросетевой базы знаний, отличающиеся применением иерархической нейронной сети и процедуры нечеткого продукционного вывода, что наделяет интеллектуальную систему поддержки принятия решений свойствами модульности, открытости и модифицируемости, а также позволяет повысить вероятность принятия правильного и своевременного решения на 8— 10%.

4. Разработан программный комплекс, реализующий модуль интеллектуальной системы обработки диагностической информации на основе предложенных алгоритмов обработки ТВР и поддержки принятия решений. Работоспособность комплекса подтверждается на имеющихся натурных данных задачи распознавания ситуаций на участке инженерной сети и на ряде модельных задач. Показана эффективность применения программного комплекса в составе интеллектуальной системы обработки диагностической информации.

Список литературы диссертационного исследования кандидат технических наук Вульфин, Алексей Михайлович, 2012 год

1. Авербух В. Опасно для жизни. Главная угроза исходит от нас самих Электронный ресурс. URL: http://www.rg.ru/2004/01/13/kataklizmy.html.

2. Аиткулов Ф.Ф. и др. Тренажерный комплекс для обучения операторов НПС, диспетчеров РДП и ремонтного персонала // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2004. Т. 4. С. 13-16.

3. Алекперов В., Москаленко А. Инновации. Нефтяные горизонты // Компания деловой еженедельник. 2010. Т. 590. № 5. С. 14-15.

4. Андрейчиков A.B., Андрейчикова О.Н. Интеллектуальные информационные системы: учебник. Москва: Финансы и статистика, 2004. 424 с.

5. Балабанов A.A. Система поддержки принятия решений при автоматизированном оперативно-диспетчерском управлении объектами добычи и транспорта газа: автореф. дис. . канд. техн. наук / МАДИ. М.: МАДИ, 2008. - 16 с.

6. Бассвиль М., Вилски А., Банвенист А. Обнаружение изменения свойств сигналов и динамических систем. Москва: Мир, 1989. 412 с.

7. Баянова Р.Ф., Лобов К.Е., Зозуля Ю.И. Моделирование и обнаружение утечек в нефтепроводе на основе моделей осцилляторного типа // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2010. Т. 4. С. 82-84.

8. Бидюк П.И., Зворыгина Т.Ф. Структурный анализ методик построения регрессионных моделей по временным рядам наблюдений // Control Systems and Computers (УСиМ). 2003. T. 2. С. 12.

9. Братцев С.И. и др. Разработка программного модуля диагностики состояния инженерной сети нефтегазодобычи // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2003. Т. 11. С. 35-41.

10. Валеева Л.Г., Швинд Н.Г. Программный комплекс "МЕТРОЛОГИЯ" в метрологическом обеспечении строящихся систем измерения количества и показателей качества нефти // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2008. Т. 4. С. 19-21.

11. Веревкин А.П., Зозуля Ю.И. Основные направления развития автоматизации управления добычей и транспортом нефти // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2005. Т. 3. С. 6-13.

12. Воронцов К.В. Лекции по алгоритмам кластеризации и многомерного шкалирования//2007. С. 18.

13. Востров Н.Г., Полякова М.В., Любченко В.В. Фрактально-вейвлетные методы анализа существенно нестационарных временных рядов // Искуственный интеллект. 2002. Т. 2. С. 10.

14. Вульфин A.M., Гиниятуллин В.М. Моделирование алгебраических функций в нейросетевом базисе // Тезисы докладов 62-й научной конференции молодых ученых "Нефть и газ 2008" РГГУ им. Губкина. Москва: , 2008. С. 7.

15. Вульфин A.M., Гиниятуллин В.М. Гладкая кусочно-квадратичная аппроксимация в комплекснозначном нейросетевом базисе // Вестник УГАТУ. 2009с. Т. 12. № 1. С. 139-146.

16. Вульфин A.M. и др. Аппроксимация моделей технологического комплекса приема-сдачи нефти в нейросетевом базисе. Итоговый отчет. Уфа: , 2009. — 57 с.

17. Вульфин A.M., Фрид А.И. Нейросетевая модель анализа технологических временных рядов в рамках методологии Data Mining // Информационно-управляющие системы. 2011. Т. 5. С. 31-38.

18. Вульфин A.M., Фрид А.И. Интеллектуальная автоматизированная система узла инженерной сети // Мавлютовские чтения: Всероссийская молодежная научная конференция: сб. тр. В 5 т. Том 3. Уфимск. гос. авиац. техн. ун-т. Уфа: УГАТУ, 2011. С. 27-28.

19. Вульфин A.M., Фрид А.И. Интеллектуальная автоматизированная система поддержки принятия решений для технологического комплекса приема-сдачи нефти // Мехатроника, автоматизация, управление. 2011. Т. 5. С. 29-34.

20. Вульфин A.M., Фрид А.И. Интеллектуальная автоматизированная система технологического комплекса приема-сдачи нефти // Сборник трудов кафедры ВТИЗИ. 2011.

21. Галушкин А.И. Теория нейронных сетей. Кн. 1. Москва: ИПРЖР, 2000. -416 с.

22. Геловани В.А. и др. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды / под ред. Э. УРСС. Москва: 2001. 23 с.

23. Геппенер В.В., Тристанов А.Б., Фирстов П.П. Применение методов Data Mining в обработке сигнальной информации (в геофизических исследованиях) //2004. С. 178-184.

24. Геппенер В.В., Тристанов А.Б., Фирстов П.П. Применение методов сегментации к обработке геофизических данных // Комплексные сейсмологические и геофизические исследования Камчатки КСиГИК-2006, 2006. С. 183-187.

25. Глушков Э.И., Аскаров Р.В. Системы обнаружения утечек нефти в трубопроводах новая продукция ОАО "Нефтеавтоматика" // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2009b. Т. 4. С. 19-20.

26. Глушков Э.И. и др. Опыт ОАО "Нефтеавтоматика" в разработке и внедрении систем обнаружения утечек в трубопроводах // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2011. Т. 4. С. 13-16.

27. Головченко Т.А. Адаптивная сегментация и шумоподавление в задаче обработки сейсмоакустических сигналов // Перспективные информационные технологии и интеллектуальные системы. 2006. Т. 1. С. 58-60.

28. Горбань А.Н. Нейроинформатика. Красноярск: СО РАН, 1999. 296 с.

29. Деев В.Г. Развитие информационных технологий в топливно-энергетическом комплексе // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2003. Т. 11. С. 4-5.

30. Жильцов A.A., Зозуля Ю.И. Адаптивная балансная модель инженерной сети нефтегазодобычи // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2006. Т. 3. С. 36-39.

31. Жильцов A.A. и др. Опыт внедрения программных комплексов для мониторинга состояния объектов инженерных сетей нефтегазодобычи в ОАО "ТАТНЕФТЬ" // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2005. Т. 3. С. 17-19.

32. Загоруйко Н.Г. Гипотезы компактности и ^-компактности в методах анализа данных // Сибирский журнал индустриальной математики. 1998. Т. 1. № 1. С.114-126.

33. Загорулько Ю.А. и др. Разработка системы поддержки принятия решений для нефтегазодобывающего предприятия. Москва: 2010. — 15 с.

34. Зайцев П.Н. Нечеткая сегментация временных рядов // Вестник ВГУ, Серия: Системный анализ и информационные технологии. 2009. Т. 1. С. 60-67.

35. Зозуля В.Ю., Зозуля Ю.И. Логико-семантический анализ образов технологических ситуаций в нейросетевом базисе // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2010. Т. 4. С. 88-91.

36. Зозуля Ю.И. Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации (применительно к инженерным сетям нефтегазодобычи) // 2009. С. 352.

37. Зозуля Ю.И. и др. Информационные технологии анализа баланса материальных и энергетических потоков в инженерных сетях: построение и стандартизация // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2007а. Т. 4. С. 21-26.

38. Зозуля Ю.И., Кизина И.Д., Муравский А.К. Поддержка принятия и реализации оперативных решений специалистами по нефтедобыче на основе данных реального времени // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2005. Т. 3. С. 20-25.

39. Зозуля Ю.И. и др. Нейросетевые технологии в решении задач анализа и диагностики состояния инженерных сетей // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2007. Т. 4. С. 25-31.

40. Каримов Р.Р. Модели и алгоритмы диагностики инженерных сетей: авто-реф. дис. . канд. техн. наук / УГАТУ. Уфа.: УГАТУ, 2000. - 16 с.

41. Кизина И.Д. Математическое моделирование и прикладные информационные технологии для MES-уровня управления // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2008. Т. 4. С. 38-45.

42. Кизина И.Д. Автоматизированная система учета нефти по лицензионным участкам. Требования и вариант программно-информационных решений // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2010. Т. 4. С. 37-45.

43. Кизина И.Д., Бурангулова С.Б. Программный комплекс для автоматизации деятельности службы главного механика нефтегазодобывающих и сервисных организаций // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2006. Т. 3. С. 27-30.

44. Кизина И.Д. и др. Подсистема "Оперативный анализ баланса материальных и энергетических потоков" в составе КИС "АРМИТС" в ОАО "Татнефть" // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2010. Т. 4. С. 46-53.

45. Комарцова Л.Г. Исследование нейросетевых и гибридных методов и технологий в интеллектуальных системах поддержки принятия решений: автореф. дис. . док. техн. наук / МГТУ. Калуга.: МГТУ, 2003. - 32 с.

46. Коровин Я.С. Методы и средства оперативной диагностики состояния электроцентробежных насосов нефтедобывающих скважин на основе нейронных сетей // 2009. С. 20.

47. Ларичев О.И., Петровский А.Б. Системы поддержки принятия решений. Современное состояние и перспективы развития // Итоги науки. Техническая кибернетика. 1987. Т. 21. С. 131-164.

48. Маматов Е.М. Об автоматической классификации объектов и распознавании образов с использованием весов признаков и репрезентативностей классов // Научные ведомости. 2008. С. 1-11.

49. Мандель И.Д. Кластерный анализ. Москва: Финансы и статистика, 1989. -С. 15-28.

50. Медведев Д.А. Послание Президента РФ Федеральному Собранию РФ от 30 ноября 2010 г. Электронный ресурс. URL: http://www.garant.rU/files/8/2/288928/288928.rtf.

51. Михайлов С.М., Глушков Э.И., Левин Л.Е. Системы коммерческого учета нефти и нефтепродуктов ОАО "Нефтеавтоматика": новые технические решения и комплексный подход // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2005. Т. 3. С. 4-5.

52. Мыльников Л.А. Автоматизация интеллектуальной поддержки процессов оперативного управления электроснабжением промышленного предприятия // 2003. С. 147.

53. Никитин Н. Закон о нефти: объективная необходимость или разменная карта? //Нефтегазовая вертикаль. 2009. Т. 17. С. 26-32.

54. Николис Д. Динамика иерархических систем: Эволюционное представление: Пер. с англ./Предисл. Б.Б. Кадомцева. Москва: Мир, 1989. С. 12-147.

55. Орлов Ю.В. Разработка и исследование алгоритмов построения иерархических нейросетевых комплексов для классификации данных физических измерений: автореф. дис. . канд. физ. мат. наук/МГТУ. Москва.: МГУ, 2003. - 23 с.

56. Осовский С. Нейронные сети для обработки информации. Москва: Финансы и статистика, 2002. 344 с.

57. Попов Э.В. и др. Статистические и динамические экспертные системы: Учеб. Пособие. Москва: Финансы и статистика, 1996. С. 14-87.

58. Райфа Г. Анализ решений. Введение в проблему выбора в условиях неопределенности: Пер. с англ./Райфа Г. Москва: Наука, 1977. С. 17-201.

59. Рангайян Р.М. Анализ биомедицинских сигналов. Практический подход. Москва: ФИЗМАТЛИТ, 2007. С. 10-478.

60. Рыжков В.А. Совершенствование самоорганизующихся нейронных сетей Кохонена для систем поддержки принятия решений: автореф. дис. . канд. техн. наук / МГТУ. М.: МГТУ, 1010. - 25 с.

61. Саати Т. Принятие решений. Введение в проблему выбора в условиях неопределенности. Москва: Радио и связь, 1993. С. 5-45.

62. Сабитов Н.Г. и др. Анализ баланса энергетических потоков в инженерных сетях нефтегазовой отрасли // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2004. Т. 4. С. 23-27.

63. Самойлов В.В. и др. Оперативный анализ баланса потоков жидкости в инженерных сетях нефтегазовой отрасли // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2004. Т. 4. С. 17-21.

64. Сараева А.Д., Щербина О.А. Системный анализ и современные информационные технологии. Симферополь: СОНАТ, 2006. С. 44-127.

65. Слипченко Е.В. и др. Модифицированная рекуррентная нейронная сеть Элмана в задаче краткосрочного прогнозирования потребления электроэнергии // Харьковский национальный университет радиоэлектроники. 2009. Т. 2. С. 7987.

66. Тарасенко Р.В. Программный комплекс «Система поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети» // Искуственный интеллект. 2008. Т. 4. С. 624-629.

67. Ткачеико М.Г., Коровин Я.С. Применение нейросетевого анализа данных в нефтегазодобывающей промышленности // Известия ЮФУ. Технические науки. 2010. Т. 12. С. 172-178.

68. Токарев Д.В., Зозуля Ю.И., Зиятдинова Н.М. Мониторинг отказов технологического оборудования резервуарных парков на основе нейросетевых технологий // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2008. Т. 4. С. 29-32.

69. Тютерев В.В. Методы эволюционного накопления признаков для автоматического построения нейронных сетей // Вычислительные методы и программирование. 2001. Т. 2. С. 88-108.

70. Хисамутдинов С.И. и др. Представление инженерной сети нефтегазодобычи в виде набора цепных графов // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2006. Т. 3. С. 44-48.

71. Хуснутдинов A.A. и др. Новая подсистема "Оперативный анализ баланса материальных и энергетических потоков " в КИС "АРМИТС" ОАО "Татнефть" // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2008. Т. 4. С. 26-28.

72. Чарный И.А. Неустановившееся движение реальной жидкости в трубах. Ленинград: Государственное издательство технико-теоретической литературы, 1957.

73. Чубукова И. A. Data Mining Электронный ресурс. URL: http ://www. intuit.ru/department/database/datamining/ (дата обращения: 12.09.2011).

74. Юрченко А.Ю. Разработка системы поддержки принятия решений на основе нейросетевого моделирования // Модели управления в рыночной экономике Сборник научных статей. 2003. Т. 12. С. 248-256.

75. Юрьев A.M. Унификация систем управления информационным обменом на MES-уровне управления производством // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2011. Т. 4. С. 17-20.

76. Обращение В. В. Путина к Федеральному Собранию Электронный ресурс. URL: http://www.astera.ru/.

77. Фазлиахметов Т.И. Алгоритм обеспечения целостности метрологических данных в оперативных информационных системах нефтегазового комплекса // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2011. Т.4. С. 21-23.

78. Vulfin A.M., Frid A.I. Heterogeneous neural network model for analysis of nonstationary time series within the scope of Data Mining strategy // CSIT'2010., 2010. P. 34-51.

79. Vulfin A.M., Giniyatullin V.M., Frid A.I. Neuralbase Model for Detection and Recognition of Technological Situations within the Scope of Data Mining Strategy // Optical Memory and Neural Networks (Information Optics). 2010. V. 19. № 3. P. 207-212.

80. Abonyi J. и др. Modified Gath-Geva clustering for fuzzy segmentation of multivariate time-series // Fuzzy Sets and Systems. 2005. V. 149. № 1. P. 39-56.

81. Acierno A., Palma S., Ripullone W. FIR NNs and Time Series Prediction: Applications to Stock Market Forecasting // Time. 1998. P. 6.

82. Angelini C., Vidakovic B. G-minimax wavelet shrinkage: a robust incorporation of information about energy of a signal in denoising applications // Statistica Sinica. 2004. V. 14. № 1. P. 103-126.

83. Appel U., Brandt A.V. Adaptive sequential segmentation of piecewise stationary time series // Information Sciences. 1983. V. 29. № 1. P. 27-56.

84. Arnold M. и др. Adaptive AR modeling of nonstationary time series by means of Kalman filtering. // IEEE transactions on bio-medical engineering. 1998. T. 45. №5. P. 553-62.

85. Azevedo A. KDD, SEMMA and CRISP-DM: a parallel overview // Proceedings ofthe IADIS European conf. data., 2008. P. 182-185.

86. Baillard C., Barillot C., Bouthemy P. Robust adaptive segmentation of 3D medical images with level sets // Rapport de Recherche-Institut National de Recherche en Informatique et en Automatique. 2000. V. 1369. P. 26.

87. Basseville M., Benveniste A. Sequential segmentation of nonstationary digital signals using spectral analysis //Information Sciences. 1983. V. 29. № 1. P. 57-73.

88. Bobrow J.E., Murray W. An algorithm for RLS identification parameters that vary quickly with time // Automatic Control, IEEE Transactions on. 1993. V. 38. № 2. P. 351-354.

89. Bodenstein G., Schneider W., Malsburg C.Y. Computerized EEG pattern classification by adaptive segmentation and probability-density-function classification. Description of the method. // Computers in biology and medicine. 1985. V. 15. № 5. P. 297-313.

90. Bohlin T. Analysis of EEG signals with changing spectra using a short-word Kalman estimator // Mathematical Biosciences. 1977. V. 35. № 3-4. P. 221-259.

91. Borne R.L. Assessing Stability for Adaptive Filtering Algorithms in Signal Processing // Institute of Mathematics. 1998. V. 1. P. 1-18.

92. Bunch J.R., Borne R.C. Le, Proudler I.K. Tracking ill-conditioning for the RLS-lattice algorithms // IEE Proceedings Vision, Image, and Signal Processing. 1998. V. 145. № l.P. 1.

93. Chapman P. и др. CRISP-DM 1.0 Step-by-step data mining guide Электронный ресурс. URL: http://www.citeulike.org/group/1598/article/1025172 (дата обращения: 21.09.2011).

94. Correia J.H. и др. Conceptual knowledge discovery a human-centered approach // Applied Artificial Intelligence. 2003. V. 17. № 3. P. 281-302.

95. Day S.P., Davenport M.R. Continuous-time temporal back-propagation with adaptable time delays // IEEE transactions on neural networks / a publication of the IEEE Neural Networks Council. 1993. V. 4. № 2. P. 348-54.

96. Diaconescu E. The use of NARX neural networks to predict chaotic time series // WSEAS Transactions on Computer Research. 2008. V. 3. № 3. P. 182-191.

97. Diniz P.S.R. Adaptive Filtering / под ред. Springer. Boston, MA: Springer US, 2008. V. 3. P. 14-78

98. Dolenko S. и др. Time Series Analysis Using Unsupervised Construction of Hierarchical Classifiers // FLAIRS Conference. ,2001. P. 475-479.

99. El-Gizawy M., Noureldin A., El-Sheimy N. Integrated recursive least square lattice and neuro-fuzzy modules for mobile multi-sensor data fusion // 2005 12th IEEE International Conference on Electronics, Circuits and Systems.: IEEE, 2005. P. 1-4.

100. Eriksson J., Gulliksson M. arten. Regularization tools for training large-scale neural networks., 1996. P. 14-47

101. Feil B. Fuzzy clustering in process data mining // 2006. P. 157.

102. Gabrea M. Robust Adaptive Kalman filter for Speech Signal Recovery in Colored noise // International Workshop on Acoustic Echo and Noise Control (IWAENC 2005)., 2005. P. 61-64.

103. Guarino N. Formal ontology in information systems // Formal Ontology in Information Systems. Proceedings of FOIS'98, Trento, Italy, 6-8 June 1998. Amsterdam: IOS Press, 1998. P. 3-15.

104. Han J., Dong G. Efficient mining of partial periodic patterns in time series database//Data Engineering, 1999. Proceedings.,. : IEEE, 1999. P. 106-115.

105. Hayes M.H. Statistical digital signal processing and modeling. Singapore: Wiley-India, 2009. P. 47-87

106. Haykin S. Feedforward Neural Networks: An Introduction // IEEE Signal Processing Magazine. 1996. V. 13. № 2. P. 24-49.

107. Haykin S. Kalman filtering and neural networks. New York: John Wiley, 2001. P. 14-241.

108. Haykin S. Adaptive filter theory. New York: Prentice Hall New York, 2003. V. 3. P. 54-73.

109. Hornik K., Stinchcombe M. Universal approximation of an unknown mapping and its derivatives using multilayer feedforward networks // Neural networks. 1990. V. 3.P. 551-560.

110. Hu Y.H., Hwang J.N., Perry S.W. Handbook of neural network signal processing. Boca Raton: CRC Press, 2002. P. 10-21

111. Kehagias A. Time-series segmentation using predictive modular neural networks //Neural Computation. 1997. V. 9. P. 17.

112. Keogh E. h .zjp. An online algorithm for segmenting time series // Data Mining, 2001. ICDM 2001, Proceedings IEEE International Conference on. : IEEE, 2001a. P. 289-296.

113. Koskela T. h flp. Time series prediction with multilayer perceptron, FIR and Elman neural networks // Proceedings of the World Congress on Neural Networks. , 1996. P. 491-496.

114. Kosko B. Neural networks and fuzzy system. New Jersey: Englewood Cliffs, 1992. P. 47-58.

115. Krishnan S. Adaptive signal processing techniques for analysis of knee joint vibroarthrographic signals // 1999. P. 262.

116. Krishnan S. h £p. Recursive least-squares lattice-based adaptive segmentation and autoregressive modeling of knee joint vibroarthrographic signals // Electrical and Computer Engineering, 1996. Canadian Conference on. : IEEE, 1996. P. 339-342.

117. Lange F. Fast and accurate training of multilayer perceptrons using an extended Kalman filter (EKFNet). : Citeseer, 1995. P. 12-47

118. Last M., Klein Y., Kandel A. Knowledge discovery in time series databases // Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on. 2001. V. 31. № l.P. 160-169.

119. Logeswaran R. Fault Tolerant Neural Predictors for Compression of Sensor Telemetry Data // J. Universal Comp. Sci. 2006. V. 12. № 10. P. 1439-1454.

120. Mandic D.P., Chambers J.A. Recurrent neural networks for prediction: Learning algorithms, architectures and stability. New York: Wiley, 2001. P.13-58.

121. Maussavi Z.M.K., Rangayyan R.M. Screening of vibroarthrographic signals via adaptive segmentation and linear prediction modeling // IEEE transactions on biomedical engineering. 1996. V. 43. P. 15-23.

122. Medsker L.R., Jain L.C. Recurrent neural networks: design and applications. New York: CRC Press, 2000. P. 59-122.

123. Milley A.H., Seabolt J.D., Williams J.S. Data Mining and the Case for Sampling A SAS Institute Best Practices Paper Solving Business Problems Using SAS Enterprise Miner Software., 1998. P. 134-147

124. Moody J.E., Hanson S.J., Lippmann R.P. The Effective Number of Parameters: An Analysis of Generalization and Regularization in Nonlinear Learning Systems // Advances in Neural Information Processing Systems. 1992. V. 4. P. 847-854.

125. Muller R., Heister F. An approach for the identification of nonlinear, dynamic processes with Kalman-Filter-trained recurrent neural structures. : Citeseer, 1999. P.10-11.

126. Niemenlehto P.H. Detection of Physiological Events from Biomedical Signals Originating from Facial Landmarks // 2009. P. 76.

127. OSIsoft. Sigmafine Datasheet. P. 1-4

128. Pawelzik K., Kohlmorgen J., MY'uller K.R. Annealed competition of experts for a segmentation and classification of switching dynamics // Neural Computation. 1996. V. 8. № 2. P. 340-356.

129. Petridis V., Kehagias A. Unsupervised Time Series Segmentation by Predictive Modular Neural Networks // 8th International Conference on Artificial Neural Networks. , 1998a. P. 1-6.

130. Prechelt L. Probenl: A set of neural network benchmark problems and benchmarking rules // Fakultur Informatik, Univ. Karlsruhe, Karlsruhe, Germany, Tech. Rep. 1994. V.21.P. 94.

131. Rosen-Zvi M., Kanter I., Kinzel W. Time series prediction by feedforward neural networks is it difficult? // Journal of Physics A: Mathematical and General. 2003. V. 36. №16. P. 4543-4550.

132. SIMSCI. DATACON 3.1 User's Guide., 1999. P. 1-4.

133. Sarle W. Neural Networks and Statistical models // 19-th Annual SAS users group Intrenational Conferense., 1994. P. 1-10.

134. Shen C.-P. и др. A Data-Mining Framework for Transnational Healthcare System. Электронный ресурс. URL: http://www.ncbi.nlm.nih.gov/pubmed/21586386.

135. Turban E. Decision support and expert systems: management support systems / под ред. E. Cliffs. New Jersey: Prentice Hall PTR Upper Saddle River, NJ, USA, 1993. V. Prentice H. P.10-12.

136. Vasko K.T., Toivonen H.T.T. Estimating the number of segments in time series data using permutation tests // 2002 IEEE International Conference on Data Mining, 2002. Proceedings.: IEEE Comput. Soc, 2002. P. 466-473.

137. Wan E.A. Time series prediction by using a connectionist network with internal delay lines // Santa Fe Institute Studies In The Sciences Of Complexity-Proceedings Volume. : Citeseer, 1993a. P. 195-195.

138. Watanabe E. Time series prediction by a modular structured neural network // Neural Networks Proceedings, 1998. IEEE World Congress on Computational Intelligence. The 1998 IEEE International Joint Conference on. : IEEE, 2004. P. 25012506.

139. Werbos P.J. Backpropagation through time: what it does and how to do it // Proceedings of the IEEE. 1990. V. 78. № 10. P. 1550-1560.

140. Whitley D., Starkweather V., Bogart P. Genetic algorithms and neural networks: optimizing connections and connectivity // Parallel Computing. 1990. V. 14. P. 347-361.

141. Williams R. J. Training recurrent networks using the extended Kalman filter // Neural Networks, 1992. IJCNN., International Joint Conference on. : IEEE, 1992. P. 241-246.

142. Willsky A., Jones H. A generalized likelihood ratio approach to the detection and estimation of jumps in linear systems // IEEE Transactions on Automatic Control. 1976. V. 21. № 1. P. 108-112.

143. Yang Y.X. Le. Development of A New Recurrent Neural Network Toolbox (RNN-Tool)., 2006. P. 1-21.

144. Yin J. Extended Kalman Filtering Method in Dynamic Neural Networks. , 1999. P.23-56.

145. Zgheib R.F., Fleury G., Lahalle E. Lattice Algorithm for Adaptive Stable Identification and Robust Reconstruction of Nonstationary AR Processes With Missing Observations // Signal Processing, IEEE Transactions on. 2008. V. 56. № 7. P. 27462754.

146. Zhang Z.Y., Horimoto K., Liu Z. Time Series Segmentation for Gene Regulatory Process with Time-Window-Extension // Systems Biology. 2008. P. 198-203.

147. Zheng Z. A benchmark for classifier learning. : Citeseer, 1993. P. 14-871. ПРИНЯТЫЕ СОКРАЩЕНИЯ

148. CRISP-DM The Cross Industries Standard Process for Data Mining, Стандартный межотраслевой процесс Data Mining BPTT Backpropagation Through Time, алгоритм обратного распространения ошибки во времени Data Mining Интеллектуальный анализ данных

149. DEKF Decoupled Extended Kalman Filter (несвязный расширенныйфильтр Калмана) DFD Data Flow Diagrams, диаграммы потоков данных

150. UML Unified Modeling Language, унифицированный язык моделирования

151. АКФ Автокорреляционная функция

152. АР Авторегрессионная модель

153. АРМ Автоматизированное рабочее место1. АС Аварийная ситуация

154. АСУ ТП Автоматизированная система управления технологическим процессом

155. АФГК Алгоритм формирования групп классов1. БД База данных1. BP Временной ряд

156. ИАД Интеллектуальный анализ данных1. ИЗ Инженер по знаниям

157. ИК Информационная карточка

158. ИНК Иерархический нейросетевой классификатор

159. ИНС Искусственная нейронная сеть

160. ИСППР Интеллектуальная система поддержки принятия решений

161. КИС Корпоративная информационная система

162. ДПР Лицо, принимающее решение

163. МНК (LMS) Адаптивный фильтр, построенный по методу наименьших квадратов (Least Mean Squares) МРС Минимальный размер сегмента

164. МСО (SEM) Мера спектральной ошибки (Spectral Error Measure) МСП Многослойный персептрон

165. НГДП Нефтегазодобывающее предприятие1. НТО Нефтегазовая отрасль

166. НСБЗ Нейросетевая база знаний

167. НТР Научно технические работы

168. ОКО Общая квадратическая ошибка

169. ООП (GLR) Обобщенное отношение правдоподобия (Generalized Likelihood Ratio)1. ПК Программный комплекс

170. ПО Программное обеспечение

171. ППР Поддержка принятия решений1. РВ Реальное время

172. РНК (RLS) Адаптивный фильтр, построенный по рекурсивному методунаименьших квадратов (Recursive Least Squares)

173. РРНК Адаптивный фильтр, использующий алгоритма решетчатого ре

174. RLSE) курсивного метода наименьших квадратов с задержками

175. Recursive Least-Squares Lattice)

176. СОЗ Система, основанная на знаниях

177. СОИ Система обработки информации

178. СППР Система поддержки принятия решений

179. ТВР Технологический временной ряд1. ТО Технологический объект

180. ТС Технологическая ситуация

181. ТЭК Топливно-энергетический комплекс1. ЭТ Эксперт технолог