Разработка моделей, алгоритмов и программ прогнозирования показателей качества питьевой воды в системе водоочистки тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Бубырь, Дмитрий Сергеевич

• Бубырь, Дмитрий Сергеевич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Бубырь, Дмитрий Сергеевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ИССЛЕДОВАНИЙ ПО ОБЕСПЕЧЕНИЮ ЭФФЕКТИВНОСТИ ФУНКЦИОНИРОВАНИЯ СИСТЕМЫ ВОДООЧИСТКИ НА ОСНОВЕ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА ВОДЫ

1.1. Устройство и работа системы водоочистки

1.1.1. Структурный анализ системы водоочистки

1.1.2. Технические средства системы управления

1.1.3. Функционирование системы управления водоочисткой

1.1.4. Описание работы системы водоочистки и факторы, обеспечивающие эффективность её функционирования

1.2. Статистические методы прогнозирования качества воды

1.2.1. Регрессионное моделирование

1.2.2. Метод главных компонент

1.2.3. Метод группового учёта аргументов

1.2.4. Экспоненциальное сглаживание временных рядов

1.2.5. Модель авторегрессии - проинтегрированного скользящего среднего

1.3. Моделирование процесса очистки воды с использованием нейронных сетей

1.4. Постановка задач исследования

ГЛАВА 2. РАЗРАБОТКА МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ И АЛГОРИТМОВ ДЛЯ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА ВОДЫ

2.1. Постановка задачи раннего предупреждения о нарушении качества очистки воды

2.2. Моделирование и прогнозирование состояния водоисточника

2.2.1 Представление модели векторной авторегрессии

2.2.2 Оценивание параметров модели

2.2.3 Алгоритм моделирования и прогнозирования состояния водоисточника

2.3. Моделирование и прогнозирование качества питьевой воды

2.3.1 Кусочно-линейная регрессия с разрывом по отклику

2.3.2 Использование авторегрессии

2.3.3 Кусочно-нелинейная регрессия для случая двух независимых переменных

2.3.4 Смешанная кусочная регрессия

2.3.5 Использование бинарных переменных

2.3.6. Прогнозирование с использованием кусочно-линейной регрессии

2.3.7 Оценивание параметров модели

2.3.8 Алгоритм прогнозирования качества питьевой воды

2.3.9 Численный метод поиска структуры модели

2.4. Совместное использование модели VAR и кусочно-линейной регрессии

2.5. Выводы по главе

ГЛАВА 3. КОМПЛЕКС ПРОГРАММ «СИСТЕМА РАННЕГО ПРЕДУПРЕЖДЕНИЯ О

НАРУШЕНИИ ПОКАЗАТЕЛЕЙ КАЧЕСТВА ПИТЬЕВОЙ ВОДЫ»

3.1. Назначение программного блока раннего предупреждения в системе управления водоочисткой

3.2. Проектирование комплекса программ

3.3. Структура комплекса программ

3.4. Программное обеспечение «Система прогнозирования состояния водоисточника»

3.4.1. Алгоритм работы

3.4.2. Структура программы

3.5. Программное обеспечение «Система прогнозирования качества питьевой воды»

3.5.1. Алгоритм работы

3.5.2. Структура программы

3.5.3. Входные и выходные данные

3.6. Выводы по главе

ГЛАВА 4. ЧИСЛЕННОЕ ИССЛЕДОВАНИЕ И ОЦЕНКА ЭФФЕКТИВНОСТИ СИСТЕМЫ ВОДООЧИСТКИ ПРИ ИСПОЛЬЗОВАНИИ РАЗРАБОТАННЫХ МОДЕЛЕЙ, АЛГОРИТМОВ И ПРОГРАММ

4.1. Исходные данные исследования

4.2. Численное исследование

4.3. Оценка эффективности функционирования системы при внедрении блока раннего предупреждения

4.4. Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1. АКТ О ВНЕДРЕНИИ

ПРИЛОЖЕНИЕ 2. СПРАВКА О ВНЕДРЕНИИ В УЧЕБНЫЙ ПРОЦЕСС

Введение диссертации (часть автореферата) на тему «Разработка моделей, алгоритмов и программ прогнозирования показателей качества питьевой воды в системе водоочистки»

ВВЕДЕНИЕ

Актуальность работы

Усложнившаяся экологическая ситуация, возникшая в результате воздействия на промышленном и бытовом уровне, привела к росту интереса к процедуре очистки воды. Загрязнение воды оказывает, в частности, существенное влияние на заболеваемость населения [42]. Для получения воды требуемого качества используется комплекс сооружений в виде современных водопроводных очистных станций, который реализует ряд специальных технологических процессов [33, 82].

Первоначально вода выкачивается из источника водоснабжения с помощью водозаборных сооружений для подачи в систему водоочистки. Перед началом очистки проводится измерение основных физико-химических параметров, характеризующих состояние полученной воды из водоисточника (температура, мутность, цветность, значение рН и другие). Важным этапом очистки является дозирование реагентов: обычно используют коагулянты и флокулянты, вызывающие образование хлопьев из загрязнений и выпадение осадка, который удаляется на станции. Дозы этих реагентов оказывают непосредственное влияние на качество очистки. После очистки измеряются показатели качества питьевой воды. К важным показателям относятся мутность, цветность, содержание остаточного хлора и другие. Полученные значения показателей проверяют на соблюдение допустимых граничных значений, установленных СанПин 2.1.4.1074-01 [73]. При выходе контролируемых показателей качества очищенной питьевой воды за допустимые границы (что является нештатной ситуацией) в систему водоотведения подаётся питьевая вода, хранящаяся в резервуарах, а сама система водоочистки временно останавливается для выяснения причин нарушения и, при необходимости, внесения корректировок. Таким образом, реагирование на возникающее нарушение осуществляется по факту его наступления.

Как следствие постоянно меняющейся экологической обстановки и роста уровня загрязнения водоёмов, станциям водоочистки становится всё сложнее поддерживать качество очищенной воды на требуемом уровне. Повышению эффективности системы водоочистки, то есть уменьшению времени на ликвидацию нештатных ситуаций, способствует своевременное реагирование на прогнозируемое нарушение качества очистки воды. Для раннего предупреждения о возможности нештатной ситуации необходим программный блок, обеспечивающий корректировку доз реагентов в случае прогноза возможного выхода параметров за коридор допустимых значений. Анализ исследований по прогнозированию качества воды показал, что, как правило, применяются стандартные методы, не учитывающие возможную взаимосвязь входных параметров; не всегда корректно исследуется влияние доз добавляемых реагентов на качество воды. Обеспечение необходимой точности прогнозирования выступает важным критерием в управлении дозированием реагентов, что в итоге даст возможность повысить эффективность функционирования системы водоочистки и обеспечит поддержание качества питьевой воды.

Всё это предопределило актуальность темы диссертационного исследования. Таким образом, является актуальной тема диссертации, связанная с повышением точности прогнозирования параметров очищенной воды и предупреждением о возможности выхода этих параметров за допустимые пределы.

Объектом исследования в диссертационной работе является система очистки воды.

Предмет исследования - математические модели, алгоритмы и соответствующие программы, обеспечивающие работу программного блока раннего предупреждения о возможном нарушении качества очистки питьевой воды.

Цель работы

- повышение эффективности системы водоочистки на основе

прогноза показателей качества питьевой воды.

Для достижения поставленной цели решаются задачи:

- анализ структуры и принципа работы системы водоочистки по обеспечению качества очистки воды;

- разработка математических моделей и алгоритмов прогнозирования физико-химических показателей качества воды, поступающей из водоисточника, а также показателей качества питьевой воды после процесса ее очистки;

- оценка влияния доз добавляемых реагентов на качество очистки воды;

- разработка программного блока для системы водоочистки, обеспечивающего раннее предупреждение о возможном нарушении качества очистки воды и корректировку значений доз реагентов;

- оценка эффективности системы водоочистки по обеспечению качества очищенной воды при применении разработанного программного блока; при этом в качестве критерия эффективности может использоваться среднее суммарное время простоя, необходимого для корректировки работы системы так, чтобы показатели качества питьевой воды лежали в допустимых пределах.

Методы исследования При решении поставленных задач использовались методы теории вероятности, математической статистики, анализа временных рядов, теории надёжности и численных методов. Разработка программного обеспечения осуществлялась с применением методов объектно-ориентированного программирования.

Научной новизной обладают:

- впервые предложенные математические модели и алгоритмы прогнозирования физико-химических показателей водоисточника на основе векторной авторегрессии;

- впервые предложенные модели прогноза показателей качества воды после очистки на базе кусочной регрессии с элементами авторегрессии;

- численный метод выбора математической модели, обеспечивающий минимум средней ошибки прогноза за счет изменения структуры модели и объема обучающей выборки;

- программный комплекс на базе этих методов и моделей, обеспечивающий работу блока раннего предупреждения о возможном нарушении показателей очистки воды с целью повышения эффективности функционирования системы водоочистки за счёт корректировки доз реагентов.

Достоверность. Достоверность положений диссертации обеспечивается корректным использованием математических методов и подтверждается результатами статистических испытаний, а также эффективностью функционирования алгоритмов и программного комплекса при внедрении.

Теоретическая значимость работы состоит в разработке новых алгоритмов моделирования и прогнозирования качества очистки воды, используемых в работе программного блока и обеспечивающих повышение эффективности системы водоочистки.

Практическая значимость работы заключается в том, что комплекс программ, разработанный на основе предложенных алгоритмов моделирования и прогнозирования, позволяет диспетчерам системы водоочистки на основе полученного прогноза качества воды корректировать параметры, влияющие на процесс водоочистки.

Основные научные положения, выносимые на защиту:

1) Разработанные математические модели и алгоритмы на основе совместного использования векторной авторегрессии (для физико-химических показателей водоисточника) и кусочной регрессии (для показателей качества после водоочистки) с учетом доз реагентов

позволяют повысить точность прогнозирования показателей качества питьевой воды.

2) Численный метод выбора математической модели, учитывающий совместное влияние структуры модели и размера обучающей выборки, обеспечивает повышение точности прогноза показателей качества по критерию минимума средней ошибки прогноза;

3) Комплекс программ, разработанный на основе предложенных моделей и алгоритмов, при его использовании в системе водоочистки обеспечивает предупреждение о возможном нарушении качества воды и корректировку доз реагентов;

4) Эффективность функционирования системы водоочистки с применением блока раннего предупреждения повышается за счет сокращения времени простоя, связанного с реагированием на нарушение качества очистки воды.

Реализация и внедрение результатов работы.

Диссертационная работа выполнялась при поддержке гранта по Федеральной целевой программе "Научные и научно-педагогические кадры инновационной России" (соглашение 14.B37.21.672) и грантов Российского фонда фундаментальных исследований по проектам №15-4802038 и №16-38-00211. По результатам работы получено звание лауреата конкурса научно-технического творчества молодежи Приволжского федерального округа (2015 г.) и медаль «За успехи в научно-техническом творчестве и научно-исследовательской работе», а также стипендия губернатора Ульяновской области «Имени Ефима Евграфовича Горина» за исследования по информационным технологиям.

Результаты исследования внедрены в ЗАО «Системы водоочистки» (г. Ульяновск) при разработке системы водоочистки на водоканале Санкт-Петербурга, источник водоснабжения - «Западный Кронштадт» (акт прилагается).

Результаты диссертационной работы также используются в учебном процессе Ульяновского государственного технического университета в дисциплинах «Теория надежности», «Статистический контроль и управление процессами», «Статистическое моделирование», читаемых студентам, обучающимся в бакалавриате и магистратуре по направлению «Прикладная математика», а также «Статистические методы в управлении качеством» по направлению «Управление качеством» (справка прилагается).

Апробация работы. Теоретические положения и практические результаты работы докладывались на ежегодных научно-технических конференциях Ульяновского государственного технического университета в 2014 - 2016 г.г., на XII Всероссийском совещании по проблемам управления в Институте проблем управления им. В.А. Трапезникова Российской академии наук (Москва, 2014 г.), международной научно-практической конференции «Технологии очистки воды Техновод-2014» (Сочи, Красная Поляна), научно-практической ^ете^конференции «Междисциплинарные исследования в области математического моделирования и информатики» (Тольятти, 2014 г.), международной научно-практической конференции «Молодёжный форум: технические и математические науки» (Воронеж, 2015 г.), Российской научно-технической конференции аспирантов, студентов и молодых ученых «Информатика и вычислительная техника» (Ульяновск, 2015 г.), Всероссийской научно-практической конференции «Современные проблемы проектирования, производства и эксплуатации радиотехнических систем» (с участием стран СНГ) (Ульяновск, 2013 и 2015 г.), Всероссийской школе-семинаре аспирантов, студентов и молодых ученых «Информатика, моделирование, автоматизация проектирования» (Ульяновск, 2015 г.) и других.

Публикация результатов работы. Результаты исследований по теме диссертации изложены в 24 научных работах (из них 9 статей без

соавторов), в том числе в семи статьях в журналах по перечню ВАК. Получены два свидетельства о государственной регистрации программ для ЭВМ.

Личный вклад автора. Постановка задач исследования осуществлялась совместно с научным руководителем. Все основные теоретические и практические исследования проведены автором диссертационной работы самостоятельно.

ГЛАВА 1. ОБЗОР ИССЛЕДОВАНИЙ ПО ОБЕСПЕЧЕНИЮ ЭФФЕКТИВНОСТИ ФУНКЦИОНИРОВАНИЯ СИСТЕМЫ ВОДООЧИСТКИ НА ОСНОВЕ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА ВОДЫ

1.1. Устройство и работа системы водоочистки

1.1.1. Структурный анализ системы водоочистки

Современные системы очистки воды представляют собой совокупность сложных сооружений и механизмов, предназначенных для совместного выполнения различных технологических процессов, позволяющих получать на выходе воду необходимого качества.

Иерархический принцип организации станции, предполагающий расположение сооружений и устройств в определённой подчинённости, которая зависит от условий работы, выступает основным. Система водоочистки состоит из определённых взаимосвязанных частей, решающих самостоятельные задачи [33, 82]. Станцию можно представить в виде трехуровневой структуры управления (Рисунок 1.1).

Верхний уровень управления Диспетчерский контроль Принятие решений Управленческое воздействие

Информационная сеть Передача сигналов контроля и управления

Нижний уровень управления Контроль и управление без участия человека

Диспетчеры, компьютеры, программы

Локальная вычислительная сеть, телекоммуникации

Исполнительные механизмы, датчики, приборы

Рисунок 1.1. Уровни управления станцией очистки воды

Совокупность исполнительных механизмов (насосы, задвижки, затворы, клапаны, вентили) и устройств сбора информации (датчики давления, расхода, температуры, уровнемеры, датчики определения показателей качества воды и т.д.) представляет собой нижний уровень управления станцией.

Визуализация информации о текущем функционировании системы, приём и обработка данных нижних уровней, предупредительная и аварийная сигнализации осуществляется на электронно-вычислительных машинах и автоматизированных рабочих местах, относящиеся к верхнему уровню. Верхний уровень выступает своеобразным мозгом системы, контролирующим и управляющим всеми процессами очистки воды.

Локальные системы управления (ЛСУ) выступают связующим звеном нижнего и верхнего уровней, обеспечивая соединение уровней в соответствии с иерархической структурой. Используя информацию, полученную с верхнего уровня, ЛСУ осуществляют подачу управленческих воздействий непосредственно на исполнительные механизмы, т.е. на нижний уровень. Эти системы автоматизируют работу отдельного сооружения, позволяют достичь оптимального протекания технологических процессов в этом сооружении

В соответствии с изложенными принципами структурная схема системы управления станцией водоочистки представлена на рисунке 1.2

[43].

ЭВМ верхнего уровня

АРМ1 АРМ2 АРМЗ

Локальная вычислительная сеть (ЛВС)

Контрол 1

УСО

Датчики

Насосная станция

Контрол 2

Контрол 3

УСО

Бак коагулянта

УСО

Бак флокулянта

Контрол 4

1

УСО А ▲

Контрол 5

УСО

Контрол 6

Контрол 7

0130

Емкость с хлором

Насос-дозатор

Насос-дозатор

Вентиль

Датчики

Датчики

_I_▼

Смеситель

Датчики

тт

кхо

отстойник

Датчики

УСО * А

УСО

Контрол 8

УСО А ▲

Озонатор

гг:

Вентиль

Датчики

▲ ▲

Фильтр 1

Датчики ▲ ▲

_1

Сооружения обработки промывной воды

Контактный резервуар

Сооружения обработки осадка

Контрол 9

УСО

п

Ультрафиолетовый облучатель

Датчики

1УТ

Фильтр 2

Ьмкость с хлором

1

Вентиль

Датчики

Резервуар чистой воды

Рисунок 1.2. Схема системы управления водоочисткой

Согласно структурной схеме контроллер 1 осуществляет управление насосной станцией первого подъема и водозабора, контроллер 2 собирает, анализирует и сохраняет результаты измерения показателей качества исходной воды, контроллер 3 управляет смесителем, контроллер 4 связан с камерой хлопьеобразования и отстойником, контроллер 5 обеспечивает обработку промывной воды, контроллер 6 управляет скорым фильтром, контроллер 7 воздействует на озонатор и контактный резервуар, контроллер 8 является ЛСУ фильтром с плавающей загрузкой, а контроллер 9 - резервуаром чистой воды [33, 43].

Примеры структурных схем локальных систем управления фильтрами и сооружениями обработки промывной воды представлены на рисунках 1.3 и 1.4.

К ЛВС

Рисунок 1.3. Схема ЛСУ фильтрами

К ЛВС

Рисунок 1.4. Схема ЛСУ сооружениями обработки промывной воды

1.1.2. Технические средства системы управления

Построение системы управления очисткой воды осуществляется с помощью технических средств, которые подразделяются на информационные средства, средства обработки информации и принятия решений, линии передачи информации и исполнительные устройства.

При использовании приборов и средств автоматизации на сооружениях очистки воды учитывают совокупность специфических особенностей тех или иных технологических процессов, осуществляющих очистку воды.

При обработке воды производятся специфические измерения показателей качества воды с помощью датчиков либо анализаторов «на линии», являющиеся информационными средствами. Измерения проводятся самыми различными методами и принципами (амперометрия, фотометрия, спектрофотометрия и др.) [33].

Наличие высокой чувствительности и точности являются обязательными для датчиков нижнего уровня, с целью непрерывной выдачи измеренной информации на верхние уровни системы.

Конечно, на станциях очистки не ограничиваются применением

только лишь датчиков, измеряющих показатели качества воды. Также активно используются и предоставляют необходимую информацию стандартные датчики расхода, уровня, температуры и прочие.

Для обработки информации и принятия решений в наши дни применяются промышленные контроллеры различной вычислительной мощности, наборы микропроцессорных плат, промышленные электронно-вычислительные машины. Такая вычислительная техника производится как в России (ОВЕН, Росма, Прома и др.), так и Европе и США (Advantech, Siemens, Analog Devices и др.).

Неотъемлемой частью системы являются устройства связи с объектом УСО, предназначенных для сопряжения датчиков и исполнительных механизмов с вычислительными средствами системы. Помимо выполнения функций нормализации и предварительной низкочастотной фильтрации сигнала, обеспечения гальванической изоляции между источником сигнала и каналами системы, устройство может выполнять и более сложные задачи.

Микроконтроллеры с ограниченными возможностями в основном используются на самом нижнем уровне системы, выступают в роли датчика или исполнительного механизма. На следующем уровне управления сооружением для решения задач приёма и обработки информации от десятков датчиков и управления десятками исполнительных механизмов находятся высокопроизводительные промышленные компьютеры и контроллеры. На верхнем уровне используются некоторое количество промышленных электронно-вычислительных машин и персональных компьютеров, представляющих собой автоматизированное рабочее место [43].

В качестве линий связи (односторонняя передача данных) или линий передачи данных (двусторонний обмен данными) выступает промежуточная аппаратура и физическая среда, по которой передаются информационные сигналы (данные). Для организации передачи данных,

как правило, применяются различные, разработанные с целью промышленного применения, цифровые каналы. Среди стандартов, используемых при работе каналов, широкое распространение получили RS-232C, RS-485 [65]. Достаточно распространённым способом организации взаимодействия верхнего и промежуточного уровней является использование локальной вычислительной сети. Чаще всего локальные сети построены на технологиях Ethernet или Wi-Fi [41]. При нахождении какого-то сооружения на значительном расстоянии целесообразно осуществлять передачу информации с помощью радиоканалов.

Исполнительные устройства предназначены для воздействия на процесс в соответствии с получаемой командной информацией. По сути, исполнительные устройства преобразовывают входной сигнал в выходной сигнал, воздействующий на объект управления. Как правило, используются электрические исполнительные устройства, к которым относятся двигатели (применяются для приведения в движение насос-дозаторов, мешалок и др.) и задвижки (используются в задвижках, клапана, затворах) [43].

1.1.3. Функционирование системы управления водоочисткой

Алгоритмическое обеспечение относится к важнейшей составляющей системы управления. В настоящее время на большинстве действующих станций очистки воды наблюдается достаточный уровень отработки применяемых алгоритмов работы локальных систем управления [72].

Алгоритмическая составляющая электронно-вычислительной машины верхнего уровня играет важную роль при определении оптимального функционирования всей станции очистки воды. Помимо использования алгоритмов сбора данных о качестве воды, обработки информации и графического представления полученных результатов, не

менее важным является применение алгоритмов обеспечения оптимизации параметров с целью выработки уставок на локальные системы управления, находящихся на втором уровне управления. В свою очередь, выработанные уставки предназначены для оптимизации работы водоочистительной станции в целом по определённому критерию.

По функциональному признаку систему управления очистным сооружением можно подразделить на три составляющих. Одна из частей оперативно контролирует состояние технологических процессов и осуществляет управление ими. Следующая часть занимается оперативным планированием данных процессов. И наконец, обеспечение расчёта определённых технико-экономических показателей, анализа и планирования работы системы [27].

На рисунке 1.5 представлена функциональная структура системы.

Непрерывное развитие современных информационных технологий, в том числе технологий программирования управляющих систем позволяют существенно облегчить как разработку, так и сопровождение программного обеспечения. Это также оказывает положительное влияние на надежность программного продукта. Использование SCADA-систем [5, 89, 95] становится всё более популярным при построении программного обеспечения для управления технологическими процессами. Как правило, разработанная программа работает в среде ОС реального времени (VxWorks, RTEMS, Windows NT и др.).

Несомненным преимуществом SCADA-системы выступает возможность с лёгкостью программировать пропорциональный, пропорционально-интегральный, пропорционально-интегрально-

дифференцирующий законы регулирования. В дополнение к этому, позволяют выполнять любые логические функции, подробно и чётко изобразить целиком цепочку технологических процессов системы, представить всю необходимую информацию о состоянии станции и др.

Использование языков программирования высокого уровня имеет

место при реализации специфичных и своеобразных алгоритмов.

Рисунок 1.5. Функциональная структура системы управления

водоочисткой

1.1.4. Описание работы системы водоочистки и факторы, обеспечивающие эффективность её функционирования

На основе рассмотренной иерархической структуры системы водоочистки, а также функциональной структуры и общей схемы устройства системы управления можно описать работу системы в

следующем виде [20, 21].

Перед началом очистки с помощью датчиков нижнего уровня проводится измерение основных физико-химических элементов, отражающих состояние полученной воды из водоисточника. Полученная информация поступает на верхний уровень, где она анализируется, и принимаются определённые решения. Важным этапом очистки является добавление доз реагентов - коагулянта и флокулянта, оказывающих влияние на качество очистки воды. Определение требуемых доз реагентов осуществляется на основе эмпирических формул данной станции. Например, на водоочистительной станции Санкт-Петербургского водоканала дозы коагулянта определяются по формуле: дозы коагулянта = 4^значение цветности .0,298 Доза флокулянта определяется по таблице 1.1.

Таблица 1.1

Температура,°С Предполагаемая доза флокулянта, мг/дм3 Доза флокулянта при увеличении мутности, мг/дм3

0,0°- 4° 0,2 0,22-0,25

4°- 5° 0,19 0,21

5°- 11° 0,17 0,2

11°- 15° 0,15 0,17-0,20

15°- 16° 0,14 0,16

> 16° 0,12 0,14

После очистки измеряются показатели, характеризующие качество очищенной воды, которые проверяют на соблюдение допустимых граничных значений, установленных СанПин [73]. В случае выхода показателей за допустимые границы в систему водоотведения подаётся питьевая вода, хранящаяся в резервуарах, а сама система водоочистки временно останавливается для выяснения причин нарушения и, при

необходимости, внесения корректировок.

На рисунках 1.6 и 1.7 представлены UML-диаграммы описанной работы системы водоочистки для этапа подачи доз реагентов и реакции на нарушение качества очистки воды.

Рисунок 1.6. Формирование и подача доз реагентов

Таким образом, эффективность функционирования системы в значительной мере определяется следующими факторами:

- качеством информации о состоянии водоисточника и прогнозирования физико-химических показателей качества поступающей воды,

- возможностью изменения режима работы системы при прогнозировании

нарушений показателей качества воды: для очистки воды добавляют определенные дозы реагентов в виде коагулянтов и флокулянтов (раствор коагулянта добавляют для образования хлопьев, которые при осаждении увлекают за собой взвеси и коллоидные вещества; флокулянты интенсифицируют образование хлопьев и снижают расход коагулянтов), - качеством прогнозирования состояния питьевой воды после очистки: при определенных значениях показателей качества воды, опасных для здоровья, система управления должна обеспечивать немедленную остановку подачи воды.

Рисунок 1.7. Проверка качества воды и реакция на нарушение

Программный комплекс, реализующий решение этих задач, может

быть добавлен на верхнем уровне функционирования системы в качестве промежуточного элемента при взаимодействии между АРМ и промышленной ЭВМ. При этом существенную роль приобретает разработка математических моделей и алгоритмов прогнозирования качества воды с учётом управляемых параметров.

1.2. Статистические методы прогнозирования качества воды

1.2.1. Регрессионное моделирование

Одним из наиболее распространенных методов прогнозирования качества воды на основе статистических данных является регрессионный анализ [1, 2, 4]. Регрессионное моделирование получило широкое применение в задачах прогнозирования и управления [9, 38, 51]. Пусть имеются некоторые внешние факторы, которые, как предполагается, оказывают влияние и имеют некоторую связь с определённой переменной. Регрессионный анализ используется для определения вида этой связи [7, 64, 74]. Определение коэффициентов регрессии может осуществляться по методу наименьших квадратов или методу максимального правдоподобия

Список литературы диссертационного исследования кандидат наук Бубырь, Дмитрий Сергеевич, 2017 год

СПИСОК ЛИТЕРАТУРЫ

1. Айвазян, С. А. Статистическое исследование зависимостей / С. А. Айвазян. - М. : Металлургия, 1968. - 227 с.

2. Айвазян, С. А. Прикладная статистика и основы эконометрики / С. А. Айвазян, В. С. Мхитарян. - М. : ЮНИТИ, 1998. - 1024 с.

3. Андерсон, Т. Введение в многомерный статистический анализ / Т. Андерсон. - М. : Физматгиз, 1963. - 500 с.

4. Андерсон Т. Статистический анализ временных рядов / Т. Андерсон. -М.: Мир, 1976. - 756 с.

5. Андреев Е.Б., Куцевич Н.А., Синенко О.В. SCADA-системы: взгляд изнутри / Е.Б. Андреев, Н.А. Куцевич, О.В. Синенко - М.: Издательство «РТСофт», 2004.- 176 с

6. Архангельский А.Я. Программирование в C++ Builder (7-е издание) / А.Я. Архангельский - М.: Бином, 2010. - 1304 с.

7. Балдин, А. В. Прикладной статистический анализ данных / А. В. Балдин, В. В. Криницин. - М. : ПРИОР, 1998. - 261 с.

8. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. — М.: Финансы и статистика, 2004. — 176 с:

9. Бендат, Дж. Прикладной анализ случайных данных / Дж. Бендат, А. Пирсол - М. : Мир, 1989. - 540 с.Бокс Лж., Дженкис Г. Анализ временных рядов, прогноз и управление. — М.: Мир, 1974. - Вып. 1.406 с.

10. Бокс Лж., Дженкис Г. Анализ временных рядов, прогноз и управление. — М.: Мир, 1974. - Вып. 2.- 197 с.

11. Большаков, А. А. Методы обработки многомерных данных и временных рядов / А. А. Большаков, Р. Н. Каримов. - М. : Горячая линия-Телеком, 2007. - 522 с.

12. Боровиков, В. П. Прогнозирование в системе STATISTICA в среде Windows / В. П. Боровиков, Г. И. Ивченко. - М. : Финансы и статистика, 1999. - 384 с.

13. Бриллинджер, Д. Временные ряды. Обработка данных и теория / Д. Бриллиджер. - М. : Мир, 1980. - 536 с.

14. Бубырь Д.С. Система раннего предупреждения о нарушении показателей качества питьевой воды // Программные продукты и системы №2 (110), 2015.- С. 119-123.

15. Бубырь Д.С. Регрессионные зависимости при оценке качества питьевой воды / Вузовская наука в современных условиях: сборник материалов 49-й научно-технической конференции. В 3 ч. Ч 2. -Ульяновск: УлГТУ, 2014. С. 255-258.

16. Бубырь Д.С. Выявление регрессионных зависимостей при оценке качества питьевой воды / Междисциплинарные исследования в области математического моделирования и информатики. Материалы 3-й научно-практической ^ете^конференции. 20-21 февраля 2014 г. / отв. Ред. Ю.С. Нагорнов - Ульяновск: SIMJET, 2014. - С. 128-132.

17. Бубырь Д.С. Контроль качества очистки воды с помощью системы раннего предупреждения / Бубырь Д.С.// Вестник Ульяновского государственного технического университета. - Ульяновск : УлГТУ, 2015. - №. 3. (71) - С. 23-25.

18. Бубырь Д.С. Особенности работы системы управления водоочисткой при использовании программного блока обнаружения нарушений / Бубырь Д.С.// Вестник Ульяновского государственного технического университета. - Ульяновск : УлГТУ, 2016. - №. 1. (73) - С. 40-42.

19. Бубырь Д.С. Применение принципа кусочности при прогнозировании состояния технической системы / Современные проблемы проектирования, производства и эксплуатации радиотехнических систем: сборник научных трудов девятой Всероссийской научно-технической конференции (с участием стран СНГ), г.Ульяновск, 1-2 октября 2015г. Ульяновск : УлГТУ, 2015.- С. 223-225.

20. Бубырь, Д. С. Раннее предупреждение в системе управления водоочисткой / Д. С. Бубырь // Актуальные направления научных

исследований XXI века: теория и практика. - Воронеж: ФГБОУ ВО «ВГЛТУ», 2015. - № 7 (18-3). - С. 401-404.

21. Бубырь, Д. С. Разработка системы раннего предупреждения о нарушении показателей качества питьевой воды / Д. С. Бубырь // Молодежный инновационный форум Приволжского федерального округа (Ульяновск, УлГТУ, 13-15 мая 2015 года): Сборник аннотаций проектов. В 2 т. - Ульяновск: УлГТУ, 2015. - Т. 1. - С. 29-33.

22. Бубырь Д.С. Система раннего предупреждения на станции очистки воды / Вузовская наука в современных условиях: сборник материалов 49-й научно-технической конференции. В 3 ч. Ч 2. - Ульяновск: УлГТУ, 2015. С. 115-118.

23. Бубырь Д.С., Булыжев Е.М., Грехов Ю.А., Клячкин В.Н., Кувайскова Ю.Е., Орлов Г.А. Прогнозирование физикохимических показателей источника водоснабжения // Автоматизация. Современные технологии. 2015. - № 5.- С.14-17

24. Бубырь Д.С., Булыжев Е.М., Грехов Ю.А., Клячкин В.Н., Орлов Г.А. Система прогнозирования качества питьевой воды // Автоматизация. Современные технологии. 2015. -№7.-С.42-25

25. Бубырь Д.С. Управление дозами реагентов на станции очистки воды / Бубырь Д.С., Клячкин В.Н. // Вестник Ульяновского государственного технического университета. - Ульяновск : УлГТУ, 2015. - №. 2. (70) -С. 46-50.

26. Бубырь Д.С. Выявление аномальных ситуаций в системе управления водоочисткой / Бубырь Д.С., Клячкин В.Н. //Информатика и вычислительная техника 2015. Всероссийская научно-техническая конференция аспирантов, студентов и молодых учёных (ИВТ - 2015) / под ред. В.Н.Негоды.- Ульяновск: УлГТУ, 2015. - С. 39-42.

27. Бубырь Д.С. Разработка математических моделей и программ для обеспечения надёжности функционирования системы управления водоочисткой. / Бубырь Д.С., Клячкин В.Н. / Информатика,

моделирование, автоматизация проектирования. Ульяновск: УлГТУ, 2015. С. 85-89.

28. Бубырь Д.С., Клячкин В.Н., Карпунина И.Н. Использование бинарных переменных при регрессионном моделировании состояния технического объекта // Известия Самарского научного центра РАН. 2014. №6(2). С. 371-373.

29. Валеев С.Г. Регрессионное моделирование при обработке наблюдений. М.: Наука, 1991. 272 с.

30. Валеев С.Г., Булыжев Е.М. Системы раннего предупреждения аномальной ситуации при анализе состояния СОЖ // Справочник. Инженерный журнал. 2011. №10. С. 39-42.

31. Воеводин В.В. Вычислительные основы линейной алгебры.- М: Наука, 1977.- 303 с.

32. Галушкин, А. И. Теория нейронных сетей / А. И. Галушкин. - М. : ИПРРЖР, 2000. - 416 с.

33. Герасимов Г.Н. Технический справочник по обработке воды: в 2 т. Т.1: пер. с фр. - СПб.: Новый журнал, 2007. - 1736 с.

34. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1 Организация и обучение нейронных сетей с прямыми и обратными связями. - Брест: БПИ, 1999. - 260 с. Книга 2 Самоорганизация, отказоустойчивость и применение нейронных сетей - Брест: БПИ, 1999. - 228 с.

35. ГОСТ Р 51232-98 Вода Питьевая. Общие требования к организации и методам контроля качества. - Введ. 1999-07-01.- М.; Изд-во стандартов, 2003. - 16 с

36. Дарахвелидае П. Г., Марков Е. П. Программирование в Delphi 7. — СПб.: БХВ-Петербург, 2003. — 784 с.

37. Демиденко, Е. З. Линейная и нелинейная регрессии / Е. З. Демиденко. - М. : Финансы и статистика, 1981. - 302 с

38. Дрейпер Н., Смит Г. Прикладной регрессионный анализ, кн.1-2 / Пер. с англ.; Под ред. Ю.П. Адлера и В.Г. Горского. М.: Финансы и статистика, 1986.- 702 с.

39. Душкин С.С., Благодарная Г.И.. Разработка научных основ ресурсосберегающих технологий подготовки экологически чистой питьевой воды: Монография; Харьк. Нац. Акад. Городск. Хоз-ва.- Х.: ХНАГХ, 2009. - 95 с.

40. Евланов, Л. Г. Контроль динамических систем / Л. Г. Евланов. - М.: Наука, 1979. - 432 с.

41. Епанешников А. М. Локальные вычислительные сети / А. М. Епанешников, В. А Епанешников. - Москва : Диалог-МИФИ, 2005. -221 с.

42. Ермолаева С.В., Журавлев В.М., Смагин А.А., Липатова С.В. Система поддержки принятия решений для оценки воздействия факторов среды на здоровье населения на основе моделирования // Экология человека. 2016. №3. С. 9-17.

43. Журба М.Г., Соколов Л.И., Говорова Ж.М. Водоснабжение. Проектирование систем и сооружений: издание второе, переработанное и дополненное в 3-х томах. Том 2. - М.: Издательство АСВ, 2004. - 496 с.

44. Захаревич, М. Б. Повышение надежности работы систем водоснабжения на основе внедрения безопасных форм организации их эксплуатации и строительства: учеб. пособие / М. Б. Захаревич, А. Н. Ким, А. Ю. Мартьянова; СПбГАСУ. - СПб., 2011. - 62 с.

45. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев, «Техшка», 1975.- 312 с.

46. Калиткин Н.Н. Численные методы. - М: Наука, 1978.- 512 с.

47. Каракозов С.Г. Основы эконометрики: учебное пособие / С.Г. Каракозов. - Ульяновск: УлГУ, 2008. - 127 с.

48. Кендалл, М. Многомерный статистический анализ и временные ряды / М. Кендалл, А. Стьюарт. - М. Наука, 1976. - 736 с.

49. Кендэл, М. Временные ряды / М. Кендэл. - М. : Финансы и статистика, 1981. - 199 с.

50. Клячкин В.Н. Модели и методы статистического контроля многопараметрического технологического процесса. М.: ФИЗМАТЛИТ, 2011.- 196 с.

51. Клячкин В. Н. Статистические методы в управлении качеством: компьютерные технологии. М.: Финансы и статистика, ИНФРА-М, 2009. 304 с

52. Клячкин В.Н. Технология многомерного статистического контроля процесса // Информационные технологии в проектировании и производстве, 2002. №3. С.49-53.

53. Клячкин В.Н. Оценка воспроизводимости многомерного процесса // Методы менеджмента качества, 2003. №1. С.41-43.

54. Клячкин В.Н., Бубырь Д.С. Прогнозирование состояния технического объекта на основе кусочно-линейных регрессий // Радиотехника, 2014. №7. С. 137-140.

55. Клячкин В.Н., Кувайскова Ю.Е., Бубырь Д.С. Прогнозирование состояния объекта с использованием систем временных рядов // Радиотехника №6, 2015.- С.45-47.

56. Крашенинников В.Р., Бубырь Д.С. Кусочно-квадратичное моделирование регрессионных зависимостей при оценке качества питьевой воды / Междисциплинарные исследования в области математического моделирования и информатики. Материалы 3-й научно-практической ^ете^конференции. 20-21 февраля 2014 г. / отв. ред. Ю.С. Нагорнов - Ульяновск: SIMJET, 2014. - 233-236 с.

57. Кувайскова Ю.Е., Алешина А.А. Повышение эффективности системы управления техническими объектами при использовании адаптивного

динамического регрессионного моделирования временных рядов // Автоматизация процессов управления. 2013. № 4 (34). С. 77-83.

58. Кувайскова Ю.Е., Бубырь Д.С., Клячкин В.Н. Оценка состояния объекта по регрессионным зависимостям при прогнозировании входных параметров // Известия Самарского научного центра РАН. 2014. №6(2). С. 483-486.

59. Кувайскова Ю.Е. Прогнозирование состояния источника водоснабжения в целях обеспечения качества воды. / Кувайскова Ю.Е., Булыжев Е.М., Клячкин В.Н., Бубырь Д.С. / Справочник. Инженерный журнал с приложением. 2016. № 5 (230). С. 37-42.

60. Кувайскова Ю.Е., Клячкин В.Н., Бубырь Д.С. Прогнозирование состояния технического объекта на основе мониторинга его параметров / XII Всероссийское совещание по проблемам управления: Труды. М.: Институт проблем управления им. В.А. Трапезникова РАН, 2014. С. 7616-7626

61. Линник, Ю. В. Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений / Ю. В. Линник. - М. : Физматгиз, 1962. - 333 с

62. Лоусон Ч., Хенсок Р. Численное решение задач метода наименьших квадратов/Пер. с англ.- М.: Наука. Гл. ред. Физ.-мат. Лит., 1986.- 232с

63. Лукашин, Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов / Ю. П. Лукашин. - М. : Финансы и статистика, 2003. - 416 с.

64. Лукашин Ю.П., Рахлина Л.И. Современные направления статистического анализа взаимосвязей и зависимостей. - Отв. ред. -Ю.П. Лукашин. - М.: ИМЭМО РАН, 2012. - 54 с.

65. Магда Ю.С. Программирование последовательных интерфейсов. -СПб.: БХВ-Петербург, 2009. - 304 с.

66. Макконел С. Совершенный код. Мастер-класс / Пер. с англ. - М: Издательско-торговый дом «Русская Редакция»; Спб. ; Питер, 2012.896 стр.

67. Маленво, Э. Статистические методы эконометрии / Э. Маленво. - М. : Статистика, 1976. - 327 с.

68. Метод главных компонент [Электронный ресурс] // URL: http://chemometrics.ru/materials/textbooks/pca.htm (дата обращения: 28.10.2014).

69. Носко В.П. Эконометрика. Кн. 2. Ч. 3, 4: учебник / В.П. Носко. — М.: Издательский дом «Дело» РАНХ и ГС, 2011. — 576 с.

70. Рассел С. Искусственный интеллект: современный подход / С. Рассел, П.Норвинг ; пер. с англ. - М: Издат. дом «Вильямс», 2006. - 1408с.

71. Розенблатт, Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга / Ф. Розенблатт. - М. : Мир, 1965. - 302 с.

72. Рульнов А. А., Евсафьев К. Ю. Автоматизация систем водоснабжения и водоотведения. - М.: ИНФРА-М, 2010. - 280 с.

73. СанПиН 2.1.4.1074-01 «Питьевая вода. Гигиенические требования к качеству воды централизованных систем питьевого водоснабжения. Контроль качества».

74. Себер, Дж. Линейный регрессионный анализ / Дж. Себер. - М. : Мир, 1980. - 456 с.

75. Сейдж Э., Меле Дж. Теория оценивания и ее применение в связи и управлении. Пер с англ. под ред. проф. Б. Р. Левина. М, «Связь», 1976. - 496 с.

76. Соколов Э.М., Шейнкман Л.Э., Дергунов Д.Н. Применение нейронных сетей для прогноза уровня концентрации фенольных соединений в сточных водах горных предприятий // Тульский государственный университет, 2012. - 210-215 с.

77. Халафян А.А. SТАТISТIСА 6. Статистический анализ данных. 3-е изд. М.: ООО «Бином-Пресс», 2007. 512 с.

78. Харабрин С.В. Экологический мониторинг тригалогенметанов в питьевой воде и воде водоисточника: Автореферат диссертации...канд.техн.наук. Уфа,2004,24 с.

79. Хайкин Саймон. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. - М. : Издательский дом "Вильям", 2006. - 1104 с.

80. Хеннан, Э. Многомерные временные ряды / Э. Хеннан. - М. : Мир, 1974. - 575 с.

81. Четыркин, Е. М. Статистические методы прогнозирования / Е. М. Четыркин. - М. : Статистика, 1977. - 200 с.

82. Шагапов А.П. Автоматизация и диспетчеризация систем водоснабжения// Сантехника. 2015. №1. С. 46-48.

83. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная гидроэкология: методы системной идентификации. - Тольятти: ИЭВБ РАН, 2003. - 463 с.

84. Шкляр В.Н. Надёжность систем управления: учебное пособие / В.Н. Шкляр.- Томск: Издание Томского политехнического университета, 2009.- 126 с.

85. Ясницкий Л.Н. Искусственный интеллект. Элективный курс: Учебное пособие. - М.: БИНОМ. Лаборатория знаний, 2011. - 240c

86. Anjoy K. Palit, Dobrivoje Popovic, 2005. Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications (Advances in Industrial Control). Springer-Verlag London Limited, 372 p.

87. Cajendra C., "Water quality assessment and prediction modeling of Nambiyar River Basin, Tamil Nadu, India": A thesis.Dr. of philosophy, Anna University, June 2011, 206 p.

88. Cameron, A.A., Trivedi, P.K. Regression Analysis of Count Data. — Cambridge: Cambridge University Press, 2013, 553 p.

89. Daneels A., Salter W, "What is SCADA?", International Conference on Accelerator and Large Experimental PhysicsControl Systems, 1999, pp. 339 - 343.

90. Faris Gorashi, Alias Abdullah, "Prediction of water quality index using back propagation network algorithm. Case study: Gombak River", Journal of Engineering Science and Technology, Vol. 7, No. 4 (2012), pp. 447 -461.

91. Han Yan, Zhihong Zou, "Application of a Hybrid ARIMA and Neural Network Model to Water Quality Time Series Forecasting", Journal of Convergence Information Technology (JCIT), Vol. 8, No. 4, pp. 59 -70,

2013.

92. Janelcy Alferes, John B. Copp, Peter A. Vanrolleghem, "Forecasting techniques applied to water quality time series in view of water quality assessment", 11th International Conference on Hydroinformatics HIC

2014, New York City, USA, 5 p.

93. Joaquim, P. Marques de Sa. Applied Statistics Using SPSS, STATISTICA, MATLAB and R. Berlin: Springer, 2007, pp. 520.

94. Krasheninnikov V.R., Potapov M.A. A Way to Detect the Straight Line Trajectory of an Immovable Point for Estimating Parameters of Geometrical Transformation of 3D Images// Pattern Recognition and Image Analysis. - 2011. - Vol. 21, No.2. - P. 280-284.

95. Lange T. Intelligent SCADA Systems// Engineer IT. Automation and Technical.Control April 2007. - P. 26-30.

96. Majid Heydari, Ehsan Olyaie, Hamid Mohebzadeh and Özgür Kisi, "Development of a Neural Network Technique for Prediction of Water Quality Parameters in the Delaware River, Pennsylvania", Middle-East Journal of Scientific Research 13(10) ISSN: 1990-9233, 2013, pp.13671376.

97. Mohd Fahmi Mohd Nasir, Munirah Abdul Zali, Hafizan Juahir, Hashimah Hussain, Sharifuddin M Zain and Norlafifah Ramli, "Application of receptor models on water quality data in source apportionment in Kuantan River Basin", Iranian Journal of Environmental Health Science & Engineering, 2012, pp. 9-18.

98. Montgomery, D. C. Forecasting and Time Series Analysis / D. C. Montgomery, L. A. Johnson, J. S. Gardiner. - New York: Mc Graw-Hill. -1990. - 394 p.

99. Sims C.A. Macroeconomics and Reality // Econometrica, 1980. 48. pp.148

100. Statistica documentation [Electronic resource] // URL: documentation.statsoft.com (revision date: 31.03.2015)

101. Stock J.H., M.W. Watson,. Vector Autoregressions // Journal of Economic Perspectives, 2001. V.15, pp.101-115.

102. Sundarambal Palani, Shie-Yui Liong, Pavel Tkalich "An ANN application for water quality forecasting", Marine Pollution Bulletin 56, pp.1586-1597, 2008.

103. Thair S.K., Abdul Hameed M. J., and Ayad S. M., "Prediction of water quality of Euphrates river by using artificial neural network model (spatial and temporal study", "International Research Journal of Natural Sciences", Vol.2,No.3,pp.25-38, September 2014.

104. Tsiao, G. C. Modeling Multiple Time Series with Applications / G. C. Tsiao, G. E. P. Box // Journal of the American Statistical Association. -1981. - V. 76. - pp. 802-816.

105. Watson, Mark W. Vector Autoregressions and Cointegration / Mark W. Watson. - Amsterdam: Elsevier, 1994. - pp. 2844-2915.

106. Wenyan Wu, Graeme C. Dandy and Holger R. Maier, "Application of artificial neural networks to forecasting water quality in a chloraminated water distribution system", 19th International Congress on Modelling and Simulation, Perth, Australia, 12-16 December 2011, pp. 1112-1118.

107. Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013, 886 p.

ПРИЛОЖЕНИЕ 1. АКТ О ВНЕДРЕНИИ

Закрытое акционерное общество «Системы водоочистки»

Ул. Гончарова, 32 г. Ульяновск, 432063 т/ф [phone] ИНН 732S071536, КПП 732501001, ОГРН I07732S007S61

http://www.ocliistka-VQda.ru/ E-mail: eco vita@nm. ru

t

УТВЕРЖДАЮ

Генеральный директору ЗАО Системы водоочй Э. Е. Булыжев^S

г

АКТ

о внедрении результатов кандидатской диссертационной работы

Комиссия в составе

председатель - Олешкевич Владимир Вениаминович, главный конструктор ЗАО «Системы водоочистки», члены комиссии:

Рябов Георгий Константинович - к.т.н., доцент, главный специалист по очистке жидкостей ЗАО «Системы водоочистки»;

Кузнецов Александр Сергеевич - ведущий инженер-конструктор ЗАО «Системы водоочистки»,

составили настоящий акт о том, что результаты диссертационной работы Бубырь Дмитрия Сергеевича «Разработка моделей, алгоритмов и программ прогнозирования показателей качества питьевой воды в системе водоочистки», представленной на соискание ученой степени кандидата технических наук, а именно модели, алгоритмы и программное обеспечение для прогнозирования состояния водоисточника и показателей качества питьевой воды на основе совместного использования векторной авторегрессии и кусочной регрессии, а также корректировки доз реагентов внедрены в ЗАО «Системы водоочистки» при разработке технологии раннего предупреждения о нарушении качества очистки воды на станции очистки природной поверхностной воды и подготовки питьевой воды в г. Санкт-Петербурге.

Использование указанных результатов позволяет:

- повысить точность прогнозирования показателей качества питьевой воды до 94%;

- обеспечивать предупреждение о возможном нарушении показателей качества очистки воды за 1-4 дня;

- проводить своевременную корректировку доз реагентов на основе полученных прогнозов, снижая время простоя станции в переходные моменты при изменении метеоусловий в 1,3 раза.

Председатель комиссии Члены комиссии:

В. В. Олешкевич

. К. Рябов А. С. Кузнецов

ПРИЛОЖЕНИЕ 2. СПРАВКА О ВНЕДРЕНИИ В УЧЕБНЫЙ ПРОЦЕСС

УТВЕРЖДАЮ» Проректор по учебной работе «Ульяновский государственный

технический университет»

—_Е.В. Суркова

« » декабря 2016 г.

СПРАВКА о внедрении в учебный процесс результатов диссертационной работы Д.С. Бубыря

Результаты диссертации Бубыря Дмитрия Сергеевича «Разработка моделей, алгоритмов и программ прогнозирования показателей качества питьевой воды в системе водоочистки», представленной на соискание ученой степени кандидата технических наук, а именно математические модели и алгоритмы прогнозирования системы временных рядов на основе векторной авторегрессии и показателей качества питьевой воды на основе кусочно-линейной регрессии, рассматриваемые при изучении дисциплин «Теория надёжности», «Статистический контроль и управление процессами», «Статистическое моделирование», читаемых студентам, обучающимся в бакалавриате и магистратуре по направлению «Прикладная математика», а также «Статистические методы в управлении качеством» по направлению «Управление качеством», а также разработанное программное обеспечение, используемое в лабораторном практикуме, внедрены в учебный процесс Ульяновского государственного технического университета.

Использование указанных результатов позволило повысить эффективность обучения студентов за счет усвоения современных методов построения математических моделей и компьютерных технологий прогнозирования состояния объекта.

Зав. кафедрой

«Прикладная математика и информатика»

д-р техн. наук, профессор

В.Р. Крашенинников