Разработка автоматизированной информационной системы для расчета топливной эффективности двигателей дизельных электростанций

Размещено на http://www.allbest.ru/

Разработка автоматизированной информационной системы для расчета топливной эффективности двигателей дизельных электростанций

Атрощенко Валерий Александрович

д.т.н., профессор

Дьяченко Роман Александрович

к.т.н., доцент

Сучкова Екатерина Валерьевна

студентка

Литвинов Юрий Николаевич

соискатель кафедры информатики

Кубанский Государственный Технологический университет, Краснодар, Россия

В статье рассмотрены вопросы прогнозирования нечетких многопараметрических систем. Предоставлен алгоритм подбора оборудования по значимым параметрам двигателя.

Ключевые слова: НЕЧЕТКАЯ СИСТЕМА, ПРОГНОЗИРОВАНИЕ, КЛАСТЕРИЗАЦИЯ, ТОПЛИВНАЯ ЭФФЕКТИВНОСТЬ.

В настоящее время вопросы эксплуатации и экономической эффективности применения дизельных электростанций (ДЭС) являются актуальными. Одной из проблем является подбор оборудования в зависимости от технических требований и экономических затрат на приобретение и эксплуатацию. В этой связи задача выбора оборудования по значимым критериям является актуальной. Она может быть решена несколькими способами.

Наиболее распространенным способом является выбор оборудования на основе экспертных оценок компетентных специалистов, зафиксированных в базе знаний экспертной системы. В случае отсутствия сведений о практике подбора можно применять различные методы прогнозирования (методы множественной линейной регрессии, методы нечеткого прогнозирования и нейросетевые методы).

В качестве одной из методик выбора оборудования можно применить установление зависимости топливной эффективности дизельных двигателей ДЭС от их массы, мощности и стоимости с последующим использованием этой зависимости, т.е. представить модель выбора в виде функции от 3-х переменных:

MPG = f(Weight, Power, Price) , (1)

где MPG - расход топлива,

Weight - масса двигателя,

Power - номинальная мощность,

Рrice - стоимость.

Выбор оборудования будет представлять собой вычисление функции f с определенными параметрами массы двигателя, номинальной мощности и стоимости, в результате которого будет получено прогнозное значение топливной эффективности. Последняя (MPG) может быть использована как оценка эксплуатационных качеств ДЭС в условиях финансовых (массо-габаритных) ограничений на эксплуатацию.

Одними из эффективных методов построения таких зависимостей являются методы нечеткого моделирования, для применения которых требуется статистическая выборка по входным параметрам.

В качестве исходных данных для построения зависимости будем использовать данные крупных фирм производителей ДЭС, представленных в виде ценовой информации и технических описаний (данные фирм Caterpiller, Cummins, Perkins, Iveco).

Методика подбора оборудования состоит из следующих этапов:

1) сбор статистической информации (формирование базы данных оборудования);

2) обработка данных (нормализация) к виду, необходимому для построения нечеткой модели выбора;

3) построение нечеткой модели выбора(нечеткой кластеризации);

4) использование сформированной нечеткой модели для определения топливной эффективности в зависимости от массы двигателя, номинальной мощности и стоимости.

Первый этап. Сбор статистической информации можно проводить с использованием данных специальных ценовых справочников и информации сети интернет. На момент написания статьи авторами была получена информация, представленная в таблице 1.

алгоритм дизельный двигатель кластеризация

Таблица 1 - Статистическая информация

Второй этап. Нормализация входных данных (приведение к относительным единицам) необходима для улучшения качества нечеткой модели(проводится стандартным приемом).

Третий этап. Нечеткая кластеризация, представляет собой операцию построения и настройки системы нечетких правил и вывода. Далее будем применять языковые конструкции и функции математического пакета Fuzzy Logic ToolBox среды MATLAB, в котором реализованы базовые функции нечеткой логики. Методика кластеризации представлена следующими шагами:

1) разделение массива входных экспериментальных данных data на обучающую и тестовую выборки (в обучающую выборку попадают нечетные строки массива, в тестовую- четные);

2) генерирование системы нечеткого вывода (далее FIS) типа «Сугено» на основе обучающей выборки;

3) настройка полученной FIS-модели при помощи инструментария ANFIS (инструмент адаптивной нейро-нечеткой настройки);

4) проверка работы системы нечеткого выводы тестовой выборкой.

Четвертый этап. Для использования нечеткой модели (решения задачи выбора) применяется функция evalfis [2].

На практике в условиях постоянно изменяющихся во времени характеристиках модельных рядов оборудования может возникнуть проблема актуальности данных для обучения модели.

Указанная проблема может быть решена созданием автоматизированной информационной системы, реализующей механизмы хранения и обновления данных (технология баз данных) для последующего обучения и использования модели выбора.

На основе описанной выше методики была создана автоматизированная информационная система «FuzzySelect». Система реализована в среде программирования Microsoft Visual Studio 2010 с применением технологий баз данных. Модули, реализующие функции нечеткой кластеризации написаны на языке MATLAB и откомпилированы в библиотечные модули.

Графический интерфейс пользователя GUI системы «FuzzySelect» представлен на рисунке 1.

Рисунок 1. Графический интерфейс пользователя GUI системы «FuzzySelect»

Программа реализует следующий набор функций:

· формирование базы данных и организация ее обновления;

· добавление строк в базу данных при помощи формы для ввода;

· печать таблицы данных;

· визуализация входного массива данных (plot);

· построение нечеткой модели «три входа - один выход» и графическое представление зависимости ошибок ANFIS-алгоритма на обучающей и тестовой выборке от количества итераций (genfis1, anfis);

· определение параметров нечеткой системы и вывод количества нечетких правил (getfis);

· визуальное представление нечеткой системы вывода (plotfis);

· вывод функций принадлежности для параметров модели (plotmf);

· сохранить обученную FIS - модель в виде fis-файла (writefis).

· вычисление прогнозируемой топливной эффективности нечеткой модели по введенным значениям параметров масса, мощность, стоимость [1].

Построение нечеткой модели по массиву входных данных и визуальное представление зависимости ошибок RMSE (относительная ошибка) от количества итераций алгоритма продемонстрировано на рисунке 2:

Рисунок 2. Демонстрация результата нечеткой кластеризации

На рисунке 3 представлено окно визуализации нечеткой системы вывода.

Рисунок 3. Графическое представление нечеткой системы

На рисунке 4 представлено окно визуализации функции принадлежности параметра «Масса»

Рисунок 4. Визуализация функции принадлежности параметра «Масса»

В результате проведенных исследований была предложена методика прогнозирования топливной эффективности ДЭС в зависимости от массы двигателя, номинальной мощности и стоимости, которая может рассматриваться как одна из методик подбора оборудования; была создана автоматизированная информационная система «FuzzySelect», реализующая предложенную методику на основе нечеткой логики.

Литература

1. Майо Д. Самоучитель Microsoft Visual Studio 2010. -- C.: «БХВ-Петербург», 2010. -- 464 С.

2. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. - М.: Горячая линия - Телеком, 2007. - 288с., ил.

Размещено на Allbest.ur