Модель и алгоритмы оценки состояния линейных объектов водопроводных и тепловых сетей в условиях неопределенности тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Голубева, Александра Александровна

• Голубева, Александра Александровна
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Голубева, Александра Александровна

ОГЛАВЛЕНИЕ

ГЛАВА 1. ВОДОПРОВОДНЫЕ И ТЕПЛОВЫЕ СЕТИ, ПРОБЛЕМЫ ОЦЕНКИ ИХ СОСТОЯНИЯ И ПУТИ РЕШЕНИЯ

1.1 Обще представление водопроводных и тепловых сетей

1.1.1 Водопроводные и тепловые сети как подклассы инженерных сетей

1.1.2 Жизненный цикл водопроводной и тепловой сети

1.2 Задачи управления эксплуатацией. Методы оценки состояния линейных объектов водопроводных и тепловых сетей

1.3 Применение нечеткого моделирования для решения задач оценки состояния линейных объектов водопроводных и тепловых сетей

1.4 Методы параметрической инициализации и идентификации нечетких систем

1.4.1 Обзор методов идентификации нечетких систем

1.4.2 Методы параметрической идентификации нечетких моделей основанные на производных

1.4.3 Методы параметрической идентификации нечетких моделей основанные на метаивристиких методах

1.4.4 Алгоритмы инициализации параметров нечеткой системы

1.4.5 Анализ существующих методов инициализации и обучения нечетких систем. Структурная идентификации нечетких моделей

1.4.6 Гибридные алгоритмы

1.5 Постановка задачи, выбор и обоснование методов и алгоритмов для решения задачи оценки состояния линейных объектов водопроводных и тепловых сети на основе нечеткого моделирования

Выводы

ГЛАВА 2. МОДЕЛИРОВАНИЕ ОЦЕНКИ СОСТОЯНИЯ ЛИНЕЙНЫХ ОБЪЕКТОВ ВОДОПРОВОДНЫХ И ТЕПЛОВЫХ СЕТЕЙ НА ОСНОВЕ НЕЧЕТКОГО АППРОКСИМАТОРА

2.1 Математическая модель и методика решения задачи оценки состояния линейных объектов водопроводных и тепловых сетей на основе нечеткого аппроксиматора

2.2 Алгоритмическое обеспечение решения задачи оценки состояния линейных объектов водопроводных и тепловых сетей

2.2.1 Алгоритмы идентификации параметров нечеткой системы

2.2.2 Применение для инициализации нечеткой системы типа Такаги-Сугено алгоритма на основе линейной регрессии

2.2.3 Гибридный метод выбора нечеткой системы и идентификации параметров

2.2.4 Применение алгоритма на основе метода наименьших квадратов для идентификации консеквентов правил нечетких систем типа синглтон, Такаги-Сугено

2.2.5 Применение алгоритма градиентного спуска для идентификации консеквентов правил нечеткой системы типа Мамдани с применением интегральной дефаззификации

Выводы

ГЛАВА 3. ОПИСАНИЕ ПРОГРАММНОГО КОМПЛЕКСА АППРОКСИМАЦИИ ДАННЫХ

3.1 Функциональные возможности программного комплекса аппроксимации данных

3.1.1 Общая архитектура разработанного программного обеспечения

3.1.2 Концептуальное представление программного комплекса аппроксимации данных

3.2 Описание классов программного комплекса аппроксимации данных

3.2.1 Файлы программного комплекса

3.2.2 Классы программного компонента «Инициализация и обучение нечеткой системы

3.2.3 Классы программного компонента «Нечеткий вывод»

3.2.4 Классы программного компонента «Интерфейс»

3.2.5 Классы программного компонента «Загрузка данных»

3.3 Описание пользовательского интерфейса программного комплекса аппроксимации данных 110 Выводы

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННОГО ЧИСЛЕННОГО МЕТОДА ИДЕНТИФИКАЦИИ ПАРАМЕТРОВ НЕЧЕТКИХ СИСТЕМ И АЛГОРИТМА ИНИЦИАЛИЗАЦИИ

4.1 Тестовые источники экспериментальных исследований

4.2 Исследование численного метода параметрической идентификации нечеткой системы типа синглтон

4.3 Исследование численного метода параметрической идентификации нечеткой системы типа Мамдани

4.4 Исследование численного метода параметрической идентификации и алгоритма параметрической инициализации нечеткой системы типа Такаги-Сугено

4.5 Исследование численного метода параметрической идентификации нечетких систем типа синглтон, Мамдани, Такаги-Сугено для решения задачи оценки состояния линейных объектов водопроводных и тепловых сетей для определения приоритетности проведения капитальных ремонтов участков трубопроводов тепловых сетей

Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Приложение А

Приложение Б

Приложение В

Приложение Г

Приложение Д

Приложение Е

Приложение Ж

Приложение И

Приложение К

Приложение Л

Приложение М

Введение диссертации (часть автореферата) на тему «Модель и алгоритмы оценки состояния линейных объектов водопроводных и тепловых сетей в условиях неопределенности»

ВВЕДЕНИЕ

Актуальность работы

Современное функционирование промышленности и жизнеобеспечивающей инфраструктуры тесно связано с развитием инженерных сетей. Объекты инженерных сетей играют важную роль в поддержании как основных, так и вспомогательных производств в промышленности, а также являются необходимой составляющей для надежной работы систем обеспечения жизнедеятельности населения, коммунально-бытовых служб, организаций социального назначения, средних и малых предприятий бизнеса и крупных промышленных предприятий. Такие разновидности инженерных сетей как водопроводные и тепловые сети наиболее подвержены старению и износу. Процесс поддержания водопроводных и тепловых сетей в работоспособном и надежном состоянии требует большого профессионального опыта и значительных материальных ресурсов. Из всего перечня объектов, составляющих трубопроводные сети, выделяются линейные объекты, которые требуют для поддержания в работоспособном и надежном состоянии наибольших материальных затрат. Поэтому важно выделить в жизненном цикле эксплуатации водопроводных и тепловых сетей этап оценки состояния линейных объектов сети. Решение задачи оценки состояния линейных объектов водопроводных и тепловых сетей позволит своевременно проводить работы по локализации аварийных ситуаций и предотвращать дальнейшее их развитие.

Огромный вклад в область исследования процессов функционирования водопроводный и тепловых сетей внесли ученые: М.М. Андрияшев [1], В.Н. Богословский [2], А.Г. Евдокимов [3], С.Ф. Копьев [4], A.A. Николаев [5], П.П. Пархоменко [6], И.Г. Староверов [7], Е.Я. Соколов [8], Е.П. Шубин [9], В.Я. Хасилев [10].

Постоянные исследования в области оценки состояния водопроводных и тепловых сетей ведут мировые компании: Диаконт, Электродиагностика, AMT, Stella, Schneider Electric, PUPE technologies, Stimcon, Inspecta, Pipelines international и т.д.

Так же проблемами оценки состояния трубопроводных сетей активно занимаются ученые ведущих вузов мировых держав, таких как: Россия, США, Китай и стран Европы.

В настоящее время мало уделяется внимания разработке и внедрению достаточно эффективных методов комплексной оценки состояния водопроводов и теплопроводов без вскрытия водо- и тепло- канала. Применение диагностических моделей и методов, определяющих состояние трубопровода водопроводной и тепловой сети, должно способствовать выявлению потенциально опасных участков.

Среди существующих способов определения состояния тепловых сетей, следует выделить два основных направления и подхода к данной проблеме:

1. Проведение оценки состояния участков водопроводных и тепловых сетей полевыми методами.

2. Прогнозирование повреждаемости и оценка надежности тепловых сетей на основе камееральных статистических методов.

Статистические методы расчета надежности тепловых сетей основаны на сборе сведений о повреждениях за предыдущие периоды эксплуатации.

На сегодняшний день насчитывается ряд моделей, позволяющих оценить состояние трубопроводных сетей: модель оценки вероятности безотказной работы сети водоснабжения; модель диагностика технического состояния трубопроводов водопроводных и тепловых сетей, базирующиеся на полевых методах диагностики; физико-математическая модель параметра потока отказов; модель прогнозирования повреждаемости и планирование ремонтно-восстанови-тельных работ; модель экспертной оценки относительного риска эксплуатации отдельных участков трубопроводных сетей.

Все существующие модели основаны на применении математических аппаратов, которые работают с полным набором статистических данных об исследуемых объектах водопроводных и тепловых сетей. И в большинстве своем, применяют в основном полевые методы оценки состояния.

Однако одной из проблем оценки состояния линейных объектов водопроводных и тепловых сетей является наличие в информации, характеризующей объекты исследования, неопределенности. Это связано с невозможностью получения от первоисточников необходимой информации об их состоянии, свойствах, характеристиках и т.п. Но, несмотря на это, при решении задач оценки состояния линейных объектов водопроводных и тепловых сетей учет данной информации необходим, он позволяет принимать более точные решения в процессе эксплуатации водопроводных и тепловых сетей.

Существует ряд наиболее часто используемых методов оценки состояния линейных объектов водопроводных и тепловых сетей: метод проведения испытательных работ с целью проверки на прочность; акустические методы с применением ударных волн, виброакустических датчиков; методы, основанные на работе внутритрубных дефектоскопов; методы, основанные на проведении шурфовок грунта, и т.д. Вместе с тем все эти средства являются достаточно трудоемкими, ресурсозатратными. Вышеописанные средства не всегда позволяют решать проблему, связанную с недостатком информации об объекте исследования.

Данная работа посвящена решению важной прикладной задачи оценки состояния линейных объектов водопроводных и тепловых сетей с применением камеральных методов исследования на основе нечеткого моделирования. Теория нечеткого моделирования может быть приме-

нима при недостаточности экспериментальных данных и/или при сложности построения и использования аналитической модели изучаемого объекта.

Исследования в изучаемой области вели такие ученые, как А.Н. Аверкин [11], JI.C. Бер-штейн [12], С.М. Ковалев [13], Л.Г. Комарцова [14], Ю.И. Кудинов [15], Ф.Ф. Пащенко [16], В.Б. Тарасов [17], И.А. Ходашинский [18], А.В. Язенин [19], Н.Г. Ярушкина [20], P. Angelov [21], R. Babuska [22], A. Bastían [23], J.C. Bezdek [24], J. Casillas [25], J.L. Castro [26], O. Cordon [27], D. Dubois [28], J. González [29], S. Guillaume [30], F. Herrera [31], H. Ishibuchi [32], U. Kaymak [33], B. Kosko [34], R. Kruse [35], E.H. Mamdani [36], J. M. Mendel [37], W. Pedrycz [38], H. Prade [39], M. Sugeno [40], T. Takagi [41], H. Tanaka [42], I.B. Turksen [43], R.R. Yager [44], T. Yasukawa [45], L.-X. Wang [46], L. Zadeh [47].

Однако в большинстве случаев представленные в литературе результаты по нечеткому моделированию далеко не всегда могут быть использованы при решении практических задач. Существуют программные системы, способные проводить интеллектуальный анализ данных на основе нечеткого моделирования. К их числу можно отнести Fuzzy Logic Toolbox в составе MATLAB (MathWorks, США), fuzzyTECH (INFORM GmbH, Германия), CubiCalc (Hyper Logic, США). Среди отечественных разработок, сопоставимых с иностранными системами в области интеллектуального анализа данных, можно выделить программные продукты: NeuroShell 2, Ge-neHunter компании НейроПроект. Несмотря на все достоинства, названные программные продукты являются универсальными и ориентированы на использование высококвалифицированными экспертами в области нечеткого моделирования. Универсальные системы не всегда применимы для инженерно-технических специалистов на предприятиях, эксплуатирующих трубопроводные сети, в связи с их математической сложностью и отсутствием настройки на предметную область.

Одним из основных результатов диссертационной работы является программный комплекс аппроксимации данных, который является составной частью системы анализа данных электронного генерального плана предприятия, эксплуатирующего водопроводные и тепловые сети. Программный комплекс реализует методику оценки состояния линейных объектов водопроводных и тепловых сетей с использованием нечеткого моделирования, на основе которой эксперты могут принимать решения по оценки состояния линейных объектов без проведения вскрышных работ. В основе предлагаемой методики лежит разработанный оригинальный гибридный численный метод выбора нечеткой системы и идентификации параметров.

Для реализации численного метода применяется метаэвристический алгоритм роящихся частиц в качестве первичной (грубой) настройки данных, а алгоритмы, основанные на методе наименьших квадратов и методе градиентного спуска, используются в качестве последующей (тон-

кой) настройки. Такой подход позволяет создать адаптивные модели высокой точности, обеспечивающие проведение оценки состояния сложных водопроводных и тепловых систем.

Целью диссертационной работы является разработка модели с использованием оригинального численного метода и алгоритмов для оценки состояния линейных объектов водопроводных и тепловых сетей в условиях неполноты информации об объекте исследования.

Для достижения поставленной цели в работе были решены следующие задачи:

1) Обзор существующих методов оценки состояния параметров линейных объектов водопроводных и тепловых сетей.

2) Систематизация и описание параметров линейных объектов водопроводных и тепловых сетей, определение роли и места в задачах оценки состояния в общем жизненном цикле.

3) Разработка математической модели оценки состояния линейных объектов водопроводных и тепловых сетей на основе нечеткого аппроксиматора.

4) Разработка гибридного численного метода выбора нечеткой системы и идентификации параметров, с использованием алгоритмов на основе методов роящихся частиц, градиентного спуска и наименьших квадратов.

5) Разработка методики оценки состояния параметров линейных объектов водопроводных и тепловых сетей, позволяющей принимать решения о выводе на капитальный ремонт линейных объектов водопроводных и тепловых сетей, без проведения вскрышных работ.

6) Разработка программного комплекса аппроксимации данных, реализующего предложенную методику и гибридный численный метод, позволяющего оценить состояние параметров линейных объектов водопроводных и тепловых сетей.

7) Проведение экспериментальных исследований разработанных алгоритмов для инициализации и идентификации нечетких систем.

8) Проведение апробации и внедрение методики и программного комплекса оценки состояния линейных объектов водопроводных и тепловых сетей.

Объектом исследований являются линейные участки водопроводных и тепловых сетей.

Предметом исследований являются математическая модель оценки состояния линейных объектов водопроводных и тепловых сетей на основе нечеткого аппроксиматора, численный метод выбора нечеткой системы и идентификации параметров, методика оценки состояния параметров линейных объектов водопроводных и тепловых сетей.

Методология и методы исследования

Базой для исследований служили труды отечественных и зарубежных ученых в области оценки состояния объектов инженерных сетей, нечеткой логики, нечеткого моделирования.

Для решения задач в рамках диссертационного исследования использовались: системный анализ, проектирование с использованием методологии иМЬ, методы искусственного ин-

теллекта, теория нечетких множеств, теория вероятности и математическая статистика, линейная алгебра, структурное и объектно-ориентированное программирование.

Научная новизна

К научной новизне следует отнести следующие результаты диссертационной работы:

1. Разработана оригинальная математическая модель оценки состояния линейных объектов водопроводных и тепловых сетей на основе нечеткого аппроксиматора.

2. Разработан оригинальный алгоритм для решения задач параметрической инициализации консеквентов правил нечеткой системы типа Такаги-Сугено на основе линейной регрессии.

3. Разработан оригинальный гибридный численный метод выбора нечеткой системы и идентификации параметров, с использованием алгоритмов на основе методов роящихся частиц, градиентного спуска и наименьших квадратов.

4. Разработана новая методика оценки состояния линейных объектов водопроводных и тепловых сетей, отличающаяся от известных тем, что позволяет экспертам принимать решения о выводе на капитальный ремонт линейных объектов водопроводных и тепловых сетей, без проведения вскрышных работ.

Теоретическая значимость

Теоретическая значимость диссертационного проекта заключается в развитии методик оценки состояния линейных объектов водопроводных и тепловых сетей и построения нечетких моделей. Предложенная модель, численный метод и алгоритмы могут быть применены для решения задач аппроксимации данных в различных предметных областях.

Теоретическая значимость

Теоретическая значимость диссертационного проекта заключается в развитии методик оценки состояния линейных объектов водопроводных и тепловых сетей и построения нечетких моделей. Предложенная модель, численный метод и алгоритмы могут быть применены для решения задач аппроксимации данных в различных предметных областях.

Практическая значимость работы

Практическая значимость диссертационной работы заключается в подготовке данных для принятия решений при проведении оценки состояния линейных объектов водопроводных и тепловых сетей для вывода в капительный ремонт. Разработанная методика оценки состояния линейных объектов водопроводных и тепловых сетей позволяет принимать решения по оценки состояния линейных объектов без проведения вскрышных работ и может быть применена в технологическом процессе эксплуатации водопроводных и тепловых сетей в условиях неполноты информации.

Практическая значимость работы подтверждается актами внедрения результатов диссертационного исследования в такие предприятия, как Томский филиал ОАО «ТГК-11», ООО «Томскводоканал», ОАО «Северский водоканал». В учебный процесс по дисциплине «Системы искусственного интеллекта, экспертные системы» и в научную деятельность.

Результаты исследований так же использовались в следующих научных проектах:

1) ГК № 07.524.11.4013 на ОКР по теме «Разработка \МеЬ-ориентированных геоинформационных технологий формирования и мониторинга электронного генерального плана инженерной инфраструктуры» (2011-2013 гг.);

2) «Разработка приложения диагностики объектов инженерных сетей» - победитель программы «Участник молодежного научно-инновационного конкурса» (У.М.Н.И.К.);

3) НИР «Модели и алгоритмы поддержки принятия решений в производственно-экономических и социальных системах» - задание № 2014/225 на выполнение государственных работ в сфере научной деятельности в рамках базовой части государственного задания Минобр-науки России.

Основные защищаемые положения, выносимые на защиту

1. Математическая модель оценки состояния линейных объектов водопроводных и тепловых сетей на основе нечеткого аппроксиматора, позволяющая оценивать состояния линейных объектов водопроводных и тепловых сетей в условиях неполноты информации об исследуемых объектах и повысить точность оценки в 1,6 раза по сравнению с оценкой экспертов.

Соответствует пункту 1 паспорта специальности: Разработка новых математических методов моделирования объектов и явлений.

2. Оригинальный алгоритм параметрической инициализации консеквентов правил нечеткой системы типа Такаги-Сугено на основе линейной регрессии, отличающийся устойчивостью к случаям не попадания точки из таблицы наблюдений в область покрытия функции принадлежности правила и попадания одной точки в область покрытия функции, сравнимый по точности с аналогами. Алгоритм позволяет повысить точность вывода нечетких системы не менее чем в 1,5 раза по сравнению с аналогами.

Соответствует пункту 3 паспорта специальности: Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий.

3. Гибридный численный метод выбора нечеткой системы и идентификации параметров, использующий три типа нечетких систем: синглтон, Мамдани, Такаги-Сугено. Настройка нечеткой системы типа Мамдани осуществляется с использованием алгоритма роящихся частиц, с последующей донастройкой алгоритмом градиентного спуска. Настройка нечетких систем типа Такага-Сугено и синглтон осуществляется алгоритмом роящихся частиц, с последующей дона-

стройкой алгоритмом на основе метода наименьших квадратов. Численный метод идентификации параметров типов нечетких систем позволяет повысить точность вывода нечетких системы не менее чем в 2,5 раза по сравнению с использованием алгоритмов по отдельности и дает меньшую ошибку, не менее чем в 1,5 раз на некоторых контрольных наборах данных, по сравнению с численными методами, применяемыми другими исследователями при решении аналогичных задач.

Соответствует пункту 3 паспорта специальности: Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий.

4.Методика оценки состояния линейных объектов водопроводных и тепловых сетей, позволяющая снизить затраты на 4,2 % при принятие решений по оценки состояния линейных объектов без проведения вскрышных работ.

Соответствует пункту 1 паспорта специальности: Разработка новых математических методов моделирования объектов и явлений.

5.Оригинальный программный комплекс аппроксимации данных, реализующий предложенную методику оценки состояния линейных объектов, гибридный численный метод идентификации параметров нечетких систем и позволяющий решать задачи оценки состояния линейных объектов водопроводных и тепловых сетей.

Соответствует пункту 4 паспорта специальности: Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента.

Степень разработки

По теме диссертационного исследования проведен обзор литературных источников, выявлены основные подходы к решению поставленной задачи оценки состояния линейных объектов водопроводных и тепловых сетей. Проведена сравнительная оценка используемых технологий, выявлены достоинства и недостатки существующих методов оценки состояния линейных объектов водопроводных и тепловых сетей. Предложен подход, основанный на теории нечеткой логики, нечеткого моделирования. Подход позволяет избежать существенных недостатков существующих методов, связанных с неполнотой информации.

Апробация работы

Основные положения и выводы диссертационного исследования обсуждались на заседаниях кафедры автоматизации обработки информации и кафедры комплексной информационной безопасности электронно-вычислительных систем Томского государственного университета систем управления и радиоэлектроники; на научных и научно-практических конференциях: «Современные проблемы информатизации» в 2011 г., «Моделирование развития совре-

менного российского общества» в 2012 г., 50-й юбилейной Международной научной студенческой конференции «Студент и научно-технический прогресс» в 2012 г., XI Международной научно-практической конференции «Перспективы развития информационных технологий» в 2013 г., Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых «Научная сессия ТУ СУР—2013», Всероссийской научной интернет-конференции с международным участием «Современные системы искусственного интеллекта и их приложение в науке» в 2013 г., IX Научно-практической конференции «Электронные средства и системы управления» в 2014 г, Всероссийской научно-технической конференция студентов, аспирантов и молодых ученых «Научная сессия ТУ СУР - 2014».

Основные положения работы обсуждались на совещаниях в производственных коллективах Томского филиала ОАО «ТГК-11», ООО «Томскводоканал», ОАО «Северский водоканал».

Публикации по теме работы

Всего по теме диссертации опубликовано 14 статей. Из них 5 - в журналах перечня ВАК, 5 публикаций - в сборнике (трудах) Всероссийской конференции, 4 публикации - в сборнике (трудах) международных конференций. Также было получено 2 свидетельства о государственной регистрации программ для ЭВМ: № 2012621163, № 2013613956.

Личный вклад автора

Основные научные результаты, изложенные в диссертационной работе, получены автором. Постановка задачи и корректировка материалов велась совместно с научным руководителем.

Структура и объем диссертационной работы

Объем диссертационной работы составляет 158 страниц, в том числе 36 рисунков и 10 таблиц. Список источников состоит из 179 наименований и 11 приложений.

Диссертационная работа разбита на введение, четыре главы и заключение.

Первая глава посвящена обзору информационных источников и описанию проблемы исследования. Приведена классификация трубопроводных сетей как подкласса инженерных сетей, в рамках которого выделены водопроводные и тепловые сети, проведен обзор существующих методов оценки состояния линейных объектов водопроводных и тепловых сетей, выявлены их достоинства и недостатки. Определена проблема недостаточной эффективности использования существующих методов оценки состояния линейных объектов водопроводных и тепловых сетей и пути ее решения. Раскрываются понятия нечеткого моделирования, систем нечеткого вывода, описываются задачи структурной и параметрической идентификации систем, осуществляется обзор методов инициализации и обучения нечетких систем.

Во второй главе приведена разработанная математическая модель оценки состояния линейных объектов водопроводных и тепловых сетей на основе нечеткого аппроксиматора; методика оценки состояния линейных объектов водопроводных и тепловых сетей, позволяющая принимать решений по оценки состояния линейных объектов без проведения вскрышных работ; численный метод идентификации параметров нечетких систем; алгоритм параметрической инициализации консеквентов правил нечеткой системы типа Такаги-Сугено на основе линейной регрессии.

В третьей главе освещены вопросы проектирования и реализации программного комплекса аппроксимации данных, который был разработан для решения задач оценки состояния линейных объектов водопроводных и тепловых сетей. Выявлены основные функциональные возможности и сервисы комплекса программ. Определена технология реализации.

В четвертой главе представлено описание и результаты проведенных исследований разработанного численного метода выбора нечеткой системы и идентификации параметров и алгоритма параметрической инициализации на различных задачах аппроксимации данных с целью сопоставления разработанного и реализованного метода с мировыми аналогами. Приведена оценка адекватности модели, разработанного численного метода и алгоритма параметрической инициализации консеквентов правил нечеткой системы типа Такаги-Сугено. В главе содержится описание и результаты экспериментальных исследований, проведенных для Томского филиала ТГК-11. Решалась задача оценки состояния линейных объектов водопроводных и тепловых сетей для определения приоритетности проведения капитальных ремонтов участков трубопроводов тепловых сетей.

Диссертант выражает искреннюю благодарность за поддержку и помощь научному руководителю к.т.н., доценту Гриценко Ю.Б., д.т.н., профессору Ехлакову Ю.П., д.т.н., профессору Ходашинскому И.А., д.т.н., профессору Шелупанову A.A., к.т.н., доценту Салминой Н.Ю., к.т.н., доценту Жуковскому О.И., к.т.н., доценту Сенченко П.В., к.т.н., доценту Сидорову A.A., аспиранту каф. КИБЭВС Горбунову И.В., выпускнику каф. АОИ Пудулю И.Ю.

ГЛАВА 1. ВОДОПРОВОДНЫЕ И ТЕПЛОВЫЕ СЕТИ, ПРОБЛЕМЫ ОЦЕНКИ ИХ

СОСТОЯНИЯ И ПУТИ РЕШЕНИЯ

1.1 Обще представление водопроводных и тепловых сетей 1.1.1 Водопроводные и тепловые сети как подклассы инженерных сетей

Современные инженерные сети характеризуются огромным числом компонент, формирующих систему. Одними из важнейших компонент являются линейные участки инженерных сетей, которые на сегодняшний день занимают важное место в экономической, социальной, а также в промышленной инфраструктуре. Предназначение инженерных сетей сетей - снабжение территориально рассредоточенных потребителей теплом, водой и другими транспортируемыми продуктами [48-50].

Инженерные сети классифицируются по иерархическому признаку [51, 52], по виду транспортируемого продукта [52], по топологическим признакам [53]. На рисунке 1.1 представлена классификация инженерных сетей по различным признакам [53].

Как уже отмечалось во введении, водопроводные и тепловые сети относятся к разновидности инженерных сетей наиболее подверженых старению и износу. Они относятся к классу трубопроводных сетей по виду транспортируемого продукта. Данные сети предназначены для траспортировки воды. Помимо их к классу трубопрорводных сетей относятся сети по транспортировки углеводородов, химических веществ и вентиляционные сети. Особенностями систем водо-и теплоснабжения являются: большое количество разветвленных линейных участков трубопроводов, имеющих большие сроки эксплуатации. В процессе непрерывной эксплуатации объектов жизнеобеспечения очень сильно изменяется состояние трубопроводных сетей, вследствие чего повышается риск возникновения неисправностей.

Трубопроводные сети горячего водоснабжения (водопроводные сети)

Горячая вода как продукт транспортировки в сетях горячего водоснабжения используется в различных целях, таких как технологические и санитарно-бытовые нужды [54, 55].

Трубопроводные сети горячего водоснабжения подразделяются следующим образом:

- по принципу сосредоточения управления - на децентрализованные и централизованные системы [56];

- по циклу приготовления горячей воды - одноконтурный (прямой) и многоконтурный (с промежуточным теплоносителем);

- по применению циркуляции - система горячего водоснабжения без циркуляционного трубопровода и с циркуляционным трубопроводом;

- по иерархическому признаку - магистральные сети горячего водоснабжения; муниципальные; внутриквартальные сети и внутризаводские; внутренние сети зданий и сооружений [51, 52, 57-59].

Список литературы диссертационного исследования кандидат наук Голубева, Александра Александровна, 2014 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Андреяшев М.М. Гидравлические расчеты оборудования водоводов / М.М. Андрея-шев. - М.: Стройиздат, 1979. - [1]. - 104 с.

2. Каменев П.Н. Отопление и вентиляция. 4.1. Отопление. / П.Н. Каменев, А.Н. Сканави, В.Н. Богословский и др. - Изд. 3-е. - М.: Стройиздат, 1975. - 254 с.

3. Евдокимов А.Г. Оптимальные задачи на инженерных сетях / А.Г. Евдокимов. -Харьков : Вища школа, 1976. 153 с.

4. Копьев С.Ф. Теплоснабжение / С.Ф. Копьев. - Гос. Изд-во литературы по строительству и архитектуре, 1953. - 495 с.

5. Справочник проектировщика. Проектирование тепловых сетей. / Под ред. Николаева А.А. - М.: Изд-во литературы по строительству, 1965. - 360 с.

6. Карибский В.В. Основы технической диагностики / В.В. Карибский, П.П. Пархоменко, Е.С. Согомонян, В.Ф. Халчев. - Кн.1. - М.: Энергия, 1976. - 463 с.

7. Староверов И.Г. Справочник проектировщика. Отопление, водопровод, вентиляция / Ю.И. Шиллер. - М.: «Стройиздат», 1990. - 292 с.

8. Соколов Е.Я. Теплофикация и тепловые сети / Е.Я. Соколов. - Изд. 5-е. - М. : Энергоиздат, 1982. - 277 с.

9. Шубин Е.П. Основные вопросы проектирования систем теплоснабжения городов / Е.П. Шубин. - М.: Энергия, 1979. - 225 с.

10. Хасилев В.Я. О применении математических методов при проектировании и эксплуатации трубопроводных систем / В.Я. Хасилев // Изв. АН СССР. Энергетика и транспорт. - 1971. -№ 2. - С. 18-27.

11. Averkin A.N. System of decision making support based on fuzzy models / A.N. Averkin, T.V. Agrafonova, N.V. Titova // Journal of Computer and Systems Sciences International. - 2009. -№48(1).-P. 84-94.

12. Bernshtein L.S. Models of representation of fuzzy temporal knowledge in databases of temporal series /L.S. Bernshtein, S.M. Kovalev, A.V. Muravskii // Journal of Computer and Systems Sciences International. - 2009. - №48(4). - C. 625-636.

13. Kovalev S.M. Optical fuzzy logic systems in problems of adaptive simulation of weakly formalized processes / S.M. Kovalev, V.V. Kureichik, V.M. Kureichik, S.V. Sokolov // Journal of Computer and Systems Sciences International. June 2011. - Volume 50. - Issue 3. - P. 462-471.

14. Komartsova L.G. Neural-network model for determining the equilibrium compositions of multicomponent systems / L.G. Komartsova, S.S. Strelchenko,Y.N. Lavrenkov // Optical Memory and Neural Networks. June 2010. - Volume 19. - Issue 2. - P. 149-153.

15. Кудинов Ю.И. Нечеткие модели динамичских процессов / Ю.И. Кудинов, С.А Суслова // М.: Научная книга, 2007. - 184 с.

16. Pashchenko A.F. Imitation Models in Decisio—Making Systems / A.F. Pashchenko, F.F. Pashchenko // IEEE Conference on Industrial Electronics and Applications (ICIEA). - Piscataway. -2012.-P. 478-482.

17. Tarassov V.B. Merging Neural Network, Fuzzy and Agent Oriented Technologies: Towards Synergetic Artificial Intelligence // V.B. Tarassov, G.N. Metan / Proceedings of the Second International Conference on Soft Computing and Computing with Words in System Analysis, Decision and Control (ICSCCW'2003, Antalya, Turkey, September 9-11, 2003) / Ed. by M. Jamshidi et al. -Kaufering: b - Quagrat Verlag. - 2003.

18. Hodashinsky I.A. The models of analogies, predicate-grammar and regression model forecasting, of the influence of organic connections for the change of mechanical properties of materials of high-pressure piping are developed. The system of coding of chemical connections is described. // Science and Technology, 2004. KORUS 2004. The 8-th Russian-Korean International

ч

Symposium, 26 July 2004. - Vol.1. - P. 58-61.

19. Yazenin A.V. Method of possibilistie optimization with applications / A.V. Yazenin // BISCSE 2005 FORGING NEW Frontiers 40 th of fuzzy Pioneers (1965-2005) University of California, Berkeley, USA. - 2005. - P. 169.

20. Perfilieva I.G. Internet service for the analysis of enterprise economics using time series fuzzy modeling / I.G. Perfilieva, N.G. Yarushkina, T.V. Afanasieva, A.A. Romanov // IFSA World Congress and NAFIPS Annual Meeting (IFSA/NAFIPS). - 2013 Joint. - P. 1113-1118.

21. Dutta Baruah R. Online learning and prediction of data streams using dynamically evolving fuzzy approach / R. Dutta Baruah, P. Angelov // Fuzzy Systems. - 2013. - P. 1-8.

22. Cong Z. Ant Colony Routing algorithm for freeway networks / Z. Cong, B.De. Schutter, R. Babuska // Transportation Research Part С Emerging Technologies. - 2013. - P. 1-19.

23. Bastian A. Identifying fuzzy models utilizing genetic programming / A. Bastian. -Fuzzy Sets Syst., 113 (3) (2000). - P. 333-350.

24. Kumar D. A mixed visual / numerical clustering algorithm for big data / D. Kumar, M. Palaniswami, S. Rajasegarar, C. Leckie, J.C. Bezdek, T.C. Havens // IEEE. - 2013. - P. 112-117.

25. Kammoun H.M. Adapt-Traf: An adaptive multiagent road traffic management system based on hybrid ant-hierarchical fuzzy model / H.M. Kammoun, I. Kallel, J. Casillas, A. Abraham, A.M. Alimi // Transportation Research Part С Emerging Technologies. - 2014. - P. 147-167.

26. JL Aznarte M. Smooth transition autoregressive models and fuzzy rule-based systems: Functional equivalence and consequences / JL Aznarte M., J Manuel Benitez, J Luis Castro Fuzzy sets and systems 158 (24). - P. 2734-2745.

27. Garcia-Torresa J.M. A case study of innovative population-based algorithms in 3D modeling: Artificial bee colony, biogeography-based optimization, harmony search / J.M. GarciaTorresa, S. Damasb, O. Cordona, J. Santamariad // Expert Systems with Applications. - V. 41. - Issue 4.-Part 2.-March 2014.-P. 1750-1762.

28. Duboisa D. He logical encoding of Sugeno integrals / D. Duboisa, H. Pradea, A. Ricob // Fuzzy Sets and Systems. - V.241. - 16 April 2014. - P. 61-75.

29. Ghafoor K.Z. A fuzzy logic approach to beaconing for vehicular ad hoc networks / K.Z. Ghafoor, K.A. Bakar, M. van Eenennaam, R.H. Khokhar, A.J. Gonzalez // Telecommunication Systems January 2013.- Volume 52. - Issue 1. - P. 139-149.

30. Belohlavek R. Boolean factors as a means of clustering of interestingness measures of association rules / R. Belohlavek, D. Grissa, S. Guillaume, E.M. Nguifo, J. Outrata // Annals of Mathematics and Artificial Intelligence. February 2014. - V.70. - Issue 1-2. - P. 151-184.

31. On the characterization of noise filters for self-training semi-supervised in nearest neighbor classification / I. Trigueroa, J.A. Saeza, J. Luengob, S. Garciac, F. Herrera // Neurocomputing. -V.132. -20May 2014.-P. 30^1.

32. Ishibuchi H. Learning from multiple data sets with different missing attributes and privacy policies: Parallel distributed fuzzy genetics-based machine learning approach / H. Ishibuchi, M. Yamane, Y. Nojima // IEEE. P. 63-70.

33. Kaymak U. Estimation of flexible fuzzy GARCH models for conditional density estimation / R.J. Almeidaa, N. Ba§turkb, U. Kaymaka, M.C. Sousac // Information Sciences. - V. 267. - 20 May 2014. - P. 252-266.

34. Kosko B. Noise-enhanced clustering and competitive learning algorithms / O. Osoba, B. Kosko // Neural Networks. - V.37. - January 2013. - P. 132-140.

35. Delia Riccia G, Kruse und R. Viertl (Hrsg.). Mathematical and Statistical Methods in AI. Springer Verlag, Heidelberg, 1996. - 189 c.

36. Mamdani E.H. An experiment in linguistic synthesis with a fuzzy logic controller / E.H. Mamdani, S. Assilian // International Journal of Man Machine Studies Volume 7. - Issue 1. - January 1975.-P. 1-13.

37. Minshen H. Linguistic Weighted Standard Deviation / H. Minshen, J.M. Mendel // IFSA World Congress and NAFIPS Annual Meeting (IFSA/NAFIPS). - 2013 Joint. - P. 108-113.

38. Pedrycz W. From fuzzy data analysis and fuzzy regression to granular fuzzy data analysis / W. Pedrycz. - Fuzzy Sets and Systems, 2014. - [Электронный ресурс] - Режим доступа:

http://www.researchgate.net/publication/261916990_From_fuzzy_data_analysis_and_fuzzy_regressio n_to_granular_fuzzy_data_analysis.

39. Duboisa D. The logical encoding of Sugeno integrals / D. Duboisa, H. Pradea, A. Ricob // Fuzzy Sets and Systems. - V.241. - 16 April 2014. - P. 61-75.

40. Taniguchi T. Robust Stabilization of Nonlinear Systems Modeled with Piecewise Bilinear Systems Based on Feedback Linearization / T. Taniguchi, M. Sugeno // Communications in Computer and Information Science. - V.297. - 2012. - P. 111-120.

41. Izawa Ryo. Recurrent Confabulation Model for Annotated Image Retrieval / Ryo Izawa, Naoki Motohashi and Tomohiro Takagi // International Journal of Intelligent Systems. - Vol. 28. - 1. -2013.-P. 37-51.

42. Miyazaki A. Fuzzy regression analysis by fuzzy neural networks ond its application / A. Miyazaki, K. Kwon, H. Ishibuchi, H. Tanaka // FUZZY-IEEE 94. - Orlando, Florida. - June 26 - 29.-1994.-P. 52-57.

43. Zarinbala M. Relative entropy fuzzy c-means clustering / M. Zarinbala, M.H. Fazel Zarandia, I.B. Turksenb // Information Sciences. - V.260. - 1 March 2014. - P. 4-97.

44. Bazi Y. Differential Evolution Extreme Learning Machine for the Classification of Hyperspectral Images / Y. Bazi, N. Alajlan, F. Melgani, H. AlHichri, S. Malek, R.R. Yager // Geoscience and Remote Sensing Letters. - V.l 1. - P. 1066-1070.

45. Sugeno M. A fuzzy-logic-based approach to qualitative modeling / M. Sugeno, T. Yasukawa // IEEE Trans. Fuzzy Systems. - 1 (1993). - P. 7-31.

46. Wang L. Fuzzy basis functions, universal approximation, and orthogonal least-squares learning / L. Wang and J. Mendel // IEEE Transactions on Neural Networks. - vol. 3. - n. 5. - 1992. -P. 807-814.

47. Singh H. Real-Life Applications of Fuzzy Logic / H. Singh, M.M. Gupta, T. Meitzler, Z-G.Hou, K.K. Garg, Ashu M. G. Solo, A. Zadeh // Advances in Fuzzy Systems. - 2013. - 3 c.

48. Евдокимов А.Г. Оперативное управление потокораспределением в инженерных сетях / А.Г. Евдокимов, А.Д. Тевяшев. - Харьков : Вища школа, 1980. - 144 с.

49. Евдокимов А.Г. Моделирование и оптимизация потокораспределения в инже-нерных сетях / А.Г. Евдокимов, А.Д. Тевяшев, В.В. Дубровский. - М.: Стройиздат, 1990 - 368 с.

50. Мелентьев Л.А. Теплофикация / Л.А. Мелентьев. - М.Л. : АН СССР. - Ч. 1, 1944. -248 с.;ч. 2, 1948.-276 с.

51. ГИС и инженерные сети — краткий курс введения в начала основ // [Электронный ресурс]. - Режим доступа: http://www.citycom.ru/publications/mar-1997.php.

52. Жуковский О.И. Типология инженерных сетей и классификация задач их эксплуатации / О.И. Жуковский, Ю.Б. Гриценко // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2011 - №2 (24). - С. 176-180.

53. Сарычев Д.С. Разработка информационно-рассчетных комплексов для управления инженерными сетями и дорогами с использованием геоинформационных систем: дис...канд. тех. наук: 05.13.18 / Сарычев Дмитрий Сергеевич. - М., 2003. - 181 с.

54. Ионин A.A. Теплоснабжение: учебник для вузов / A.A. Ионин, Б.М. Хлыбов, В.Н. Братенков, E.H. Терлецкая; под ред. A.A. Ионина. - М.: Стройиздат, 1982. - 336 с.

55. Шираке З.Э. Теплоснабжение / З.Э. Шираке / Пер. с латыш. - М.: Энергия, 1979. -

256 с.

56. Классификация систем горячего водоснабжения // [Электронный ресурс]. — Режим доступа: http://www.ing-seti.ru/?p=84.

57. Кязимов К.Г. Основы газового хозяйства / К.Г. Кязимов. - Изд. 2-е. - М.: Высш. школа, 1987.-335 с.

58. Городюхин А.И. Эксплуатация газовых сетей и установок / А.И. Городюхин. - Изд. 3-е. - М.: Стройиздат, 1971. - 303 с.

59. Вентиляция в словаре Ожегова // [Электронный ресурс]. - Режим доступа: http://ozhegov-online.ru/slovar-ozhegova/ventilyaciya/2896.

60. Манюк В.И. Наладка и эксплуатация водяных тепловых сетей: Справочник / В.И. Манюк, Я.И. Каплинский, Э.Б. Хиж и др. - 3-е изд. - М.: Стройиздат, 1988. - 432 с. *

61. Перегудов Ф.И. Основы системного анализа/учеб. 2-е изд., доп. / Ф.И. Перегудов, Ф.П. Тарасенко. - Томск: Изд-во НТЛ, 1997. - 396 с.

62. Повышение эфективности диагностики технического состояния линейной части магистральных газопроводов // [Электронный ресурс]. - Режим доступа: http://earthpapers.net/povyshenie-effektivnosti-diagnostiki-tehnicheskogo-sostoyaniya-lineynoy-chasti-magistralnyh-gazoprovodov.

63. Положение о диагностике технического состояния внутренних трубопроводов жилых и общественных зданий // [Электронный ресурс]. - Режим доступа: http://www.gvozdik.ru/archive/1903.html.

64. Диагностика трубопроводов // [Электронный ресурс]. — Режим доступа: http://www.ekolink.ru/wavemaker-monitoring.

65. Современные методы диагностики трубопроводов // [Электронный ресурс]. — Режим доступа: http ://www.strategnk.ru/section/64.

66. Видеодиагностика и мониторинг трубопроводного транспорта в системах водоснабжения и водоотведения // [Электронный ресурс]. — Режим доступа:

http://taris.ru/pubs/articles/diagnostika_i_m nabzheniya_i_vodootvedeniya.

67. Жуковский О.И. Особенности создания системы информационной безопасности веб-ГИС ведения электронного генерального плана инженерной инфраструктуры / О.И. Жуковский, Ю.Б. Гриценко // Доклады Томского государственного университета систем управ-ления и радиоэлектроники - 2013 - №2 (28). - С. 101-106.

68. Кираковский В.В. Алгоритмы и системы нечеткого вывода в задачах диагностики городских инженерных коммуникаций : дис. ... канд.тех.наук: 05.13.01 / Кираковский Валерий Владимирович. - М., 2005. - 261 с.

69. АСУТП.кг - Диагностика инженерных сетей жилищно-коммунального хозяйства // [Электронный ресурс]. - Режим доступа: www.asutp.ru/?p=600420.

70. Контроль состояния инженерных сетей подземной канальной прокладки // [Электронный ресурс]. - Режим доступа: www.rosteplo.ru/Tech_stat/stat_shablon.php?id=2494.

71. Правила устройства и безопасной эксплуатации трубопроводов пара и горячей воды. ПБ 03-75-94. - М.: НЦ ЭНАС, 2002. - 107 с.

72. Гончаров A.M. Методы диагностики тепловых сетей, применяемые в реальных условиях эксплуатации действующих тепловых сетей ОАО «МТК» / A.M. Гончаров // Новости теплоснабжения. — 2007. - № 6. - [Электронный ресурс] - Режим доступа: http://www.roste-plo .ru/Tech_stat/stat_shablon.php?id=2459.

73. Р-техно. Контроль инженерных коммуникаций // [Электронный ресурс] - Режим доступа: http://rtechno.ru/products/raner/articles/story 1.

74. Самойлов Е.В. Диагностика как элемент коррозионного мониторинга трубопроводов тепловых сетей / Е.В. Самойлов // Новости теплоснабжения. - 2002. — № 4 (20). — С. 20-29.

75. Судницын A.C. Диагностика трубопроводов тепловых сетей методом магнитометрии с помощью внутритрубного дефектоскопа / A.C. Судницын, JI.M. Лившиц // Новости теплоснабжения. - 2006. - №11 (75). - [Электронный ресурс] - Режим доступа: http://www.rost-eplo.ru/Tech_stat/stat_shablon.php?id=2367.

76. Методические указания по проведению шурфовок в тепловых сетях. МУ34-70-149-86. СПО ОРГРЭС, 1967. - [Электронный ресурс] - Режим доступа: http://ntd.snouts.ru/120004-4698.

77. Синягин H.H. Система планово-предупредительного ремонта оборудования и сетей промышленной энергетики / H.H. Синягин, H.A. Афанасьев, С.А. Новиков. - М., 1978. - 408 с.

78. Рудаченко A.B. Эксплуатационная надежность трубопроводных систем / A.B. Ру-даченко, С.С. Байкин - Томск: Изд-во Томского политехнического университета, 2008. - 118 с.

79. Ремонт трубопроводов - система планово-предупредительного ремонта оборудования и сетей промышленной энергетики // [Электронный ресурс]. - Режим доступа: http://forca.ru/lmigi/arhivy/sistema-pte

promyshlennoy-energetiki-68.html.

80. Математическая теория — надежность - Большая энциклопедия Нефти и Газа // [Электронный ресурс] - Режим доступа: http://www.ngpedia.ru/id508057pl.html.

81. Надежность магистральных трубопроводов - Технический словарь Том I // [Электронный ресурс] - Режим доступа: http://www.ai08.org/index.php/term/Технический+слова-pb+ToM+I,7398-nadezhnost-magistral-nyij-truboprovod.xhtml.

82. Alcala R. Genetic learning of accurate and compact fuzzy rule based systems based on the 2-tuples linguistic representation / R. Alcala, J. Alcala - Fdez, F. Herrera, J. Otero // International Journal of Approximate Reasoning. - Volume 44. - Issue 1. - January 2007. - P. 45-64.

83. Голубева А.А. Интеллектуальный анализ пространственно-временных данных объектов инженерной инфраструктуры / Доклады Томского государственного университета систем управления и радиоэлектроники. - 2012. - №2 (26). - С. 216-219.

84. Галицкая JI.B. Идентификация параметров объектов электронного генерального плана металлургического предприятия / JI.B. Галицкая, А.А. Голубева, Ю.Б. Гриценко, О.И. Жу-ковский, И.Ю. Пудуль // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2013. - №1 (27). - С. 60-63.

85. Голубева А.А. Алгоритм параметрической идентификации на основе модифицированного метода наименьших квадратов для нечетких систем типа Такаги-Сугено / А.А. Голубева // Доклады Томского государственного университета систем управления и радиоэлектроники.-2014.-№1 (31).-С. 149-151.

86. Ожегов С.И. Толковый словарь [Электронный ресурс] / С.И. Ожегов - Режим доступа: http://enc-dic.com/ozhegov/Model-l5955.html.

87. Tron Е. Mathematical modeling of observed natural behavior: a fuzzy logic approach / E. Tron, M. Margaliot // Fuzzy Sets and Systems. - 2004. - Vol. - P. 437-450.

88. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде. - М: Мир, 1976. - 165 с.

89. Вахитов А.Р. Использование нечеткого логического вывода для интеллектуального анализа данных / А.Р. Вахитов, В.А. Силич // Известия Томского политехнического университета. - 2010. - Т. 317. - №5 - С. 171-174.

90. Ходашинский И.А. Методы искусственного интеллекта, базы знаний, экспертные системы: учебное пособие / И.А. Ходашинский. - Министерство образования Российской Феде-

рации, Томский государственный университет систем управления и радиоэлектроники, Кафедра автоматизации обработки информации. - Томск : ТУ СУР, 2002. - 140 с.

91. Ястребова H.H. Исследование и разработка нечеткой модели и комплекса программ экологической экспертизы горнодобывающего производства: дис. ...канд. тех. наук: 05.13.18 / Ястребова Наталья Николаевна. - М., 2008. - 180 с.

92. Заде J1.A. Основы нового подхода к анализу сложных систем и процессов принятия решений / JI.A. Заде. - М.: Знание, 1974. - 64 с.

93. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: учебное пособие / Н.Г. Ярушкина. - М.: Финансы и статистика, 2004. - 320 с.

94. Дудин П.А. Гибридные алгоритмы муравьиной колонии для идентификации параметров нечетких систем: дис. ...канд. тех. наук: 05.13.18 / Дудин Павел Анатольевич. - М., 2011.-180 с.

95. Основы построения нечетких систем [Электронный ресурс]. - Режим доступа: http://qai.narod.ru/TomskWorkshop/lecture_04_2010.pdf.

96. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику: Нечеткая кластеризация / С.Д. Штовба, 2002. [Электронный ресурс]. - Режим доступа: http://matlab.exponenta.ru/fuzzylogic/bookl/18.php.

97. Кузнецов С.Д. Неопределенная информация и трехзначная логика / С.Д. Кузнецов // СУБД. - 1997. - № 5. - С. 65-67.

98. Kosko В. Fuzzy systems as universal approximators // IEEE Trans. Comput. - 1994. - v.

43.

99. Espinosa J. Fuzzy logic, identification and predictive control / J. Espinosa, J. Vandewalle, V. Wertz. - London: Springer-Verlag, 2005. - 263 p.

ЮО.Леоненков, A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH / A.B. Леоненков. - СПб.: БХВ-Петербург. - 2003. - 736 с.

101.Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия - Телеком, 2006. - 452 с.

102.Ходашинский И.А. Основанные на производных и метаэвристические методы идентификации параметров нечетких моделей / И.А. Ходашинский, В.Ю. Гнездилова, П.А. Дудин, A.B. Лавыгина // Труды VIII международной конференции «Идентификация систем и задачи управления» SICPRO '08. Москва. М: Институт проблем управления им. В.А. Трапезникова РАН. - 2009. - С. 501-529.

103.Ходашинский И.А. Технология идентификации нечетких моделей типа синглтон и Мамдани / Труды VII международной конференции «Идентификация систем и задачи управления» SICPRO '08. Москва, 28-31 января 2008 г., Институт проблем управления им. В.А.

Трапезникова РАН. — М: Институт проблем управления им. В.А. Трапезникова РАН, 2008. - С. 137-163.

104.Zimmermann H.J. Quantifying vagueness in decision models. "European Journal of Operational Reseach" / H.J. Zimmermann, P. Zysno. -N 22. - 1985. - P. 148-158.

105.Gorzalczany M. Interval-Valued Decisional Rule in Signal Transmission Problems / M. Gorzalczany // Arhiwum automatyki i telemechaniki, t.XXX, N2. - 1985. - P. 159-168.

Юб.Кофман, А. Введение в теорию нечетких множеств / А. Кофман. - М: Радио и связь, 1982.-432 с.

107.3аде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А.Заде. - М: Мир, 1976. - 165 с.

108.Brownlee J. Clever Algorithms: Nature-Inspired Programming Recipes / J. Brownlee // Clever Algorithms: Nature-Inspired Programming Recipes. - Lulu. - 2011. - P. 29-86.

109.Самарский А.А. Математическое моделирование: Идеи. Методы. Примеры / А.А. Самарский, А.П. Михайлов. - М.: ФИЗМАТЛИТ, 2002. - 320 с.

1 Ю.Рыжов А.П. Элементы теории нечетких множеств и измерения нечеткости / А.П. Рыжов. - М.: Диалог - МГУ, 1998. - 81 с.

111.Mikut R. Analysis and stability of fuzzy systems / R. Mikut, G. Bretthauer // Control systems, robotics and automation - Vol.XVII. [Электронный ресурс] - Режим доступа:

http ://www. eolss.net/Sample-Chapters/С18/E6-43-23-03 .pdf.

112.Khan M. Handbook of Research on Industrial Informatics and Manufacturing Intelligence / M. Khan, A. Ansari -US: GI Global, 2012. - P. 661.

113.Babuska R. Fuzzy Systems, Modeling and Identification [Электронный ресурс] / R. Babuska. - Режим доступа: http://citeseerx.ist.psu.edu/viewdoc/summary?doi=l 0.1.1.29.9152.

114.Ротштейн А.П. Влияние методов дефаззификации на скорость настройки нечеткой модели / А.П. Ротштейн, С.Д. Штовба // Кибернетика и системный анализ. - 2002. - №5. - С. 169-176.

115.Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети / А.П. Ротштейн. - Винница: УНШЕРСУМ-Вшниця, 1999.-320 с.

Пб.Абрахин С.И. Аппроксимация функций с применением интеллектуальных технологий идентификации / С.И. Абрахин, О.С. Беликова // XVI Всероссийская научномето-дическая конференция «Телематика-2009». - Санкт-Петербург, 22-25 июня 2009. [Электронный ресурс] - Режим доступа: http://tm.ifmo.ru/tm2009/src/177ds.pdf.

117.Пантелеев А.В. Методы оптимизации в примерах и задачах / А.В. Пантелеев, Т.А. Летова. - М.: Высш. шк., 2005. - 544 с.

118.Корниенко И.С. Программно-инструментальный комплекс идентификации нечетких систем / И.С. Корниенко, О.А. Серебренникова, И.А. Ходашинский // Доклады ТУСУРа. - 2012 -№ 1 (25).-4.1.-С. 60-65.

119.Hongxia Y., Huang Z.H., Qi L. The Convergence of a Levenberg-Marquardt Method for Nonlinear Inequalities //Numerical Functional Analysis and Optimization. - 2008. - V. 29(5-6). P. 687-716.

120.Балакришнан А. Теория фильтрации Калмана: Пер. с англ. -М.: Мир, 1988.-168 с. 121.Simon D. Training Fuzzy systems with the Extended Kalman Filter / D. Simon // IEEE

Trans, on Fuzzy systems. - 2002. - V. 132. - P. 189-99.

122.Ходашинский И.А. Алгоритмы обучения нечетких систем на основе методов муравьиной колонии и роящихся частиц / И.А. Ходашинский, П.А. Дудин, Д.С. Синьков. [Электронный ресурс] - Режим доступа: http://math.nsc.ru/conference/zont09/reports/04Hodashinskiy.pdf.

123.Ходашинский И.А. Идентификация нечетких систем: методы и алгоритмы // Проблемы управления. - 2009. - № 4. - С. 15-23.

124.Ходашинский И.А. Идентификация нечетких систем на базе алгоритма имитации отжига и методов, основанных на производных // Информационные технологии. - 2012. - №3. -С. 14-20.

125.Dreo J. Metaheuristics for hard optimization. Methods and case studies / J. Dreo, A. Petrowski, P. Siarry, E. Taillard. - Berlin: Springer, 2006. - P. 369.

126.Yagiura M. Genetic and Local Search Algorithms as Robust and Simple Optimization Tools / M. Yagiura, T. Ibaraki // Meta-Heuristics: Theory and Applications, eds. I.H. Osman and J.P. Kelly. - Kluwer Academic Publishers, Boston. - 1996. - P. 63-82.

127.Cerradaa M. Dynamical membership functions: an approach for adaptivefuzzy modeling / M. Cerradaa, J. Aguilar, E. Colinac, A. Titli // Fuzzy Sets and Systems. - 2005. - No. 152. - P. 513533.

128.Gaweda A.E. Data-Driven Linguistic Modeling Using Relational Fuzzy Rules / A.E. Gaweda, J.M. Zurada // IEEE Transactions On Fuzzy Systems. - 2003. - V. 11, No. 1. - P. 121-134.

129.Goldberg D.E. Genetic algorithms in search, optimization and machine learning / D.E. Goldberg. - MA: Addison-Wesley. - 1989. - P. 412.

130.Лавыгина A.B. Алгоритмы и программные средства идентификации нечетких моделей на основе гибридных методов: дис. ...канд. тех. наук: 05.13.18 / Лавыгина Анна Владимировна. - М., 2010.-179 с.

131.Брандт 3. Анализ данных. Статистические и вычислительные методы для науч-ных работников и инженеров / 3. Брандт: пер. с англ. О. И. Волкова; ред. пер.: Е.В. Чепурин. - М.: Мир, 2003.-686 с.

132.Evsukoff A. Structure identification and parameter optimization for non-linear fuzzy modeling / Alexandre Evsukoff, Antonio C.S. Brancoa, Sylvie Galichet // Fuzzy Sets and Systems. -2002.-No. 132.-P. 173-188.

133.Sousa J.M. Fuzzy active noise modeling and control / J.M. Sousa, C.A. Silva, J.M.G. Sada Costa // International Journal of Approximate Reasoning. - 2003. - No. 33. - P. 51-70.

134.Yu W. Fuzzy Identification Using Fuzzy Neural Networks With Stable Learning Algorithms / W. Yu, X. Li // IEEE Transactions On Fuzzy Systems, 2004. - V. 1, No. 3. - P. 411-420.

135.Ходашинский И.А. Идентификация нечетких систем на базе алгоритма имитации отжига и методов, основанных на производных / И.А. Ходашинский // Проблемы управления. — №4.-2009.-С. 15-23.

136.Mucientes М., Casillas J. Quick Design of Fuzzy Controllers with Good Interpretability in Mobile Robotics // IEEE Transactions Fuzzy Systems. 2007. - Vol. 15, No. 4. - P. 636-651.

137.Fuzzy Modeling Library (FMLib) // [Электронный ресурс]. - Режим доступа: http://dec-sai.ugr.es/~casillas/fmlib/elel-2-495.html.

138.Bhatnagar R. Predicting the Early Stage Software Development Effort using Mamdani FIS / Roheet Bhatnagar, Mrinal Kanti Ghose, Vandana Bhattacharjee // International Journal of Computer Science and Information Technologies. - Vol. 2 (4). - 2011. - P. 1675-1678.

139.Джонс M.T. Программирование искусственного интеллекта в приложениях / М. Т. Джонс; пер. с англ. Осипов А.И. - М.: ДМК Пресс, 2004. - 312 с.

140.Juang C.-F., Lu С.-М. Ant Colony Optimization Incorporated With Fuzzy Q-Learning for Reinforcement Fuzzy Control // IEEE Transactions Systems, Man and Cybernetics. - PART A. 2009. - Vol. 39, No. 3. - P. 597-608.

141.Конев H.A. Сжатие графических данных на основе нечеткой логики / Н.А. Конев, Д.С. Синьков // Материалы Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых «Научная сессия ТУСУР-2009». Томск, 12-15 мая 2009 г. - Томск: «В-Спектр», - 2009. - 4.2. - С. 107-108.

142.Корниенко А.В. Интеллектуальные информационные системы в экономике / А.В. Корниенко. - Томск: Изд-во ТПУ, - 2008. — 177 с.

143.Кисляков А.В. Генетические алгоритмы: операторы скрещивания и мутации / А.В. Кисляков // Информационные технологии. - 2001. — №1. - С.29-34.

144.Подлазова А.В. Генетические алгоритмы на примерах решения задач раскроя / А.В. Подлазова // Проблемы управления. - 2007. - № 4. - С. 57-63.

145.Casillas J. Learning cooperative linguistic fuzzy rules using the best-worst ant system algorithm / J. Casillas, O. Cordon, I. Fernandez de Viana, F. Herrera // International Journal of Intelligent Systems. - 2005. - Vol. 20. - P. 433-^52.

Иб.Ходашинский И.А. Биоинспирированные методы параметрической идентификации нечетких моделей / И.А. Ходашинский, П.А. Дудин, А.В. Лавыгина // Доклады Томского государственного университета систем управления и радиоэлектроники. — 2007. - №2(16). - С. 81-92.

147.Alcala R. Genetic learning of accurate and compact fuzzy rule based systems based on the 2-tuples linguistic representation / R. Alcala, J. Alcala-Fdez, F. Herrera, J. Otero // Interaat. J. Approx. - Reason. 44. - 2007. - P. 45-64.

148.Wang L. Generating fuzzy rules by learning from examples / L. Wang, J. Mendel // IEEE Transactions on Systems, Man and Cybernetics. - 22 (6). - 1992. - P. 1414-1427.

149. Carmona P. Strategies to identify fuzzy rules directly from certainty degrees: a comparison and a proposal / P. Carmona, J. Castro, J. Zurita // IEEE Transactions on Fuzzy Systems. - 12 (5). - 2004. - P. 631-640.

150. Котов A.M. Кластеризация данных: Алгоритмы кластерного анализа / A.M. Ко-тов, Н.И. Красильников, 2006. - [Электронный ресурс] - Режим доступа: http://lo-gic.pdmi.ras.ru.

151. Tiyon R.C. Cluster Analysis / R.C. Tryon. - New York: McGraw-Hill, 1939.

152. Wang L. Data Mining with Computational Intelligence / L. Wang, X. Fu. — Berlin, Springer-Verlag, 2005. - P. 276.

153. Cordon O. A Three-Stage Evolutionary Process for Learning Descriptive and Approximate Fuzzy-Logic-Controller Knowledge Bases From Examples / O. Cordon, F. Herrera // International Journal of Approximate Reasoning. - 2007. - P. 369-407.

154. Abonyi J. Modified Gath-Geva Fuzzy Clustering forldentification of Takagi-Sugeno Fuzzy Models / J. Abonyi, R. Babuska, F. Szeifert // Cybernetics. - 2002. - Vol.32. - P. 612-621.

155. Gath I. Unsupervised optimal fuzzy clustering / I. Gath, A.B. Geva // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1989. - C. 773-781.

156. Лавыгина A.B. Генетический алгоритм и основанные на производной методы в оптимизации нечетких моделей / А.В. Лавыгина // Материалы докладов Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых. Томск, 5-8 мая 2008 г.: В пяти частях. - 4.2. —Томск. В-Спектр. - 2008. - С. 81-84.

157. Juang C.-F. Fuzzy systems design by clustering-aided ant colony optimization for plant control / C.-F. Juang, C. Lo // International Journal of General Systems. 2007. - Vol. 36. -No. 6.-P. 623-641.

158. Wang H. Multi-objective hierarchical genetic algorithm for interpretable fuzzy rule-based knowledge extraction / H. Wang, S. Kwong, Y. Jin, W. Wei, K.F. Man // Fuzzy Sets and Systems.-2005.-No. 149.-P. 149-186.

159. Warwick K. Genetic least squares for system identification / K. Warwick, Y.-H. Kang, R. J. Mitchell // Soft Computing Springer-Verlag. - 1999. - No. 3. - P. 200-205.

160. Cintra M.E. A study on techniques for the automatic generationof membership functions for pattern recognition / M.E. Cintra, H.A. Camargo, M.C. Monard // III Congresso da Academia Trinacional de Ciencias. — 2008. — [Электронный ресурс] - Режим доступа: http://www.labic.icmc.usp.br/pub/mcmonard/CintraC3N08.pdf.

161.Горбунов И.В. Оптимизация параметров нечетких систем на основе модифицированного алгоритма пчелиной колонии / И.В. Горбунов, И.А. Ходашинский // Мехатроника, автоматизация, управление. - 2012. - №10. - С. 15-20.

162.bin N.P. Fuzzy Correlation Rules Mining / N.P.Lin, HAO-EN Chueh // Proceedings of the 6-th WSEAS International Conference on Applied Computer Science. - Hangzhou. - China. - April 15-17.- 2007. -C. 13-18.

163.Siddaiah M. Identification of trash types and correlation between ams and swcgrl trash content in ginned cotton / M. Siddaiah, M. A. Lieberman, S. E. Hughs, N. R. Prasad // [Электронный ресурс] - Режим доступа: http://web.nmsu.edu/~msiddaia/PDF_Files/Beltwide2000.pdf.

164.Isokangas A. Fuzzy Modelling with Linguistic Equations / A. Isokangas, E. Juuso // [Электронный ресурс] - Режим доступа: http://www.oulu.fi/sites/default/files/content/ll.%20Isoka-ngas%20A%20%26%20Juuso%20E%20(2000)%20Fuzzy%20Modelling%20with%20Linguistic%20E quations.%20February%202000.pdf

165. Esfahani N. Application of Takagi-Sugeno inference system and nonlinear regression models for predicting Uniaxial Compressive Strength / N. Esfahani,R. Dadkhan, B. Heidari, B. Mehdikhani // [Электронный ресурс] - Режим доступа: http://www.academia.edu/3408803/Appli-cation_of_Takagi-Sugeno_fuzzy_inference_system_and_nonlinear_regression_models_for_pre-dicting_Uniaxial_Compressive_Strength.

166. Tabesh M. Fuzzy and neuro-fiizzy models for short-term water demand forecasting in Tehran / M . Tabesh, M. Dini // Iranian Journal of Science & Technology. - Vol. 33. - No. Bl. -P. 61-77.

167. Kadkhodaie-Ilkhchi A. Petrophysical data prediction from seismic attributes using committee fuzzy inference system / A. Kadkhodaie-Ilkhchi, M.Reza Rezaee, H. Rahimpour-Bonab, A.Chehrazi // Computers & Geosciences. - 2009. - Vol. 35 (12). - P. 2314-2330.

168. Malagavelli V. Modeling of Compressive Strength of Admixture-based Self Compacting Concrete using Fuzzy Logic and Artificial Neural Networks / V. Malagavelli, A. Manalel // [Электронный ресурс] - Режим доступа: http://scialert.net/fulltext/?doi=ajaps.20-14.536.551.

169. Atiaa Alaa M. A fuzzy logic approach to infer reservoir permeability from depth and porosity measurements for Mishrif limestone Formation at Nasyria Oil Field, south of Iraq / Alaa M. Atiaa, Amnah M. Handhel // J. of al-anbar university for pure science. - Vol. 3. - No.l. -2009. - [Электронный ресурс] - Режим доступа: http://www.iasj.net/iasj?func=fulltext&a-Id=15494.

170. Fuzzy reasoning // [Электронный ресурс] - Режим доступа: http://www.inf.uf-pr.br/aurora/disciplinas/topicosia2/livros/search/FR.pdf.

171. Zeng W. Correlation coefficient of intuitionistic fuzzy sets / W. Zeng, H. Li // Journal of Industrial Engineering International. - 2007. - Vol. 3. - No. 5. - P. 33-40.

172. Developing a fuzzy inference system by using genetic algorithms and expert knowledge // [Электронный ресурс] - Режим доступа: http://www.itc.nl/library/papers_2014/m-sc/gfm/zafari.pdf.

173. Tung S.W. An Evolving Type-2 Neural Fuzzy Inference System / S.W. Tung, C. Quek, C. Guan // Information Sciences. - 2013. - P. 124-148.

174. Takagi-Sugeno and Mamdani Fuzzy Control of a Resort Management System // [Электронный ресурс] - Режим доступа: http://www.bth.se/fou/cuppsats.nsf/all/46a32690afb24-623cl2579b3007cefc8/$file/bth2012tan.pdf.

175. KEEL: A software tool to assess evolutionary algorithms for Data Mining problems (regression, classification, clustering, patern miningand so on) // [Электронный ресурс]. - Режим доступа: http://sci2s.ugr.es/keel/dataset.php?cod=80.

176. Голубева А.А. Анализ процесса эвакуации людей нечеткими временными сетями Петри / А.А. Голубева, Ю.Б. Гриценко // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2011. - №2 (24). - Ч. 2. - С. 276-281.

177. Голубева А.А. Моделирование времени эвакуации людей из зданий и сооружений при возникновении пожаров с использованием нечётких временных сетей Петри / А.А. Голубева, Ю.Б. Гриценко, Н.Ю. Салмина // «Автоматизация и современные техно-логии». -2013.-№6.-С. 24-29.

178. Горбунов И.В. Методы вычислительного интеллекта в прогнозировании эффективности немедикаментозного лечения / И.В. Горбунов, А.А. Зайцев, И.А. Ходашинский,

П.А. Дудин, Д.С. Синьков // Материалы V Международной научной конференции (заочной) «Сис-темный анализ в медицине» (САМ 2011). - Благовещенск, 2011. - С. 25-28.

179. Горбунов И.В. Особенности использования нечеткого классификатора и алгоритмов машинного обучения для аутентификации по клавиатурному почерку / И.В. Горбунов // Сборник трудов Международной научно-практической конференции «Электронные средства и системы управления». - Ч. 2. - Томск, 2013. - С. 13-18.