Помощь в учёбе, очень быстро...
Работаем вместе до победы

Математическое моделирование диагностических параметров агрегатов летательных аппаратов на основе гранулированных временных рядов

Диссертация: Математическое моделирование диагностических параметров агрегатов летательных аппаратов на основе гранулированных временных рядов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Наше время сложно представить себе без авиационной техники. С годами установилась тенденция повышения интенсивности ее использования и расширения спектра решаемых функциональных задач, как применительно к гражданской авиации, так и применительно к авиации специального назначения. К авиационным аппаратам специального назначения относятся в основном вертолеты. Они широко используются в спасательных… Читать ещё >

Содержание

  • Список используемых сокращений
  • ГЛАВА II. ЕРВАЯ. ОБЗОР
    • 1. Классификация методов анализа временных рядов, обзор оценок эффективности анализа ВР
      • 1. 1. Основные понятия
      • 1. 2. Классификация ВР. Области применения интеллектуального анализа
      • 1. 3. Классификация методов анализа временных рядов
      • 1. 4. Обзор ощнок эффективности анализа ВР
    • 2. Задача и методы выделения тренда
      • 2. 1. Статистические методы работы с трендом
      • 2. 2. Работа с трендом методом ¥--преобразований
      • 2. 3. Метод нечетких тенденций
        • 2. 3. 1. Понятие нечеткого временного ряда и методы его анализа
        • 2. 3. 2. Понятие элементарной, локальной и обобщенной ИТ
    • 3. Понятие информационной гранулы и его применение в задачи аначиза ВР
  • ВЫВОДЫ ПО ГЛАВЕ
  • ГЛАВА. ВТОРАЯ, МЕТОДЫ И СРЕДСТВА АНАЛИЗА ГРАНУЛИРОВАННЫХ ВР
    • 1. Подход методов грануляции к задачам аначиза ВР
      • 1. 1. Понятие гранулированного ВР
      • 1. 2. Метод анализа ГрВР. Обоснование эффективности понятия ГрВР для оценки поведения технико-экономических объектов
    • 2. Аторитм формирования ГрВР на основе нечетких тенденций, АСЬ-шкачы и выделения тренда
      • 2. 1. АСЬ-шкала. Обзор методов построения шкалы
      • 2. 2. Основные операции АСГ-шкалы
      • 2. 3. Алгоритм формирования ГрВР
        • 2. 3. 1. Определение элементарных НТ
        • 2. 3. 2. Базовые операции гранул
    • 3. Метод прогнозирования нечеткой те-нденъ^ьш ВР
      • 3. 1. Интеграция метода Г-преобразований и нечетких тенденций
      • 3. 2. Модели прогнозирования НТ
      • 3. 3. Методика выбора прогноза НТ
      • 3. 4. Экспертная база правил для анализа ГрВр
      • 3. 5. Оценка адекватности анализа ГрВр
    • 4. Алгоритм интеллектуального анализа и прогнозирования ГрВР
  • ВЫВОДЫ ПО ГЛАВЕ
  • ГЛАВА ТРЕТЬЯ. ОПИСАНИЕ ПРОГРАММНОЙ СИСТЕМЫ МОДЕЛИРОВАНИЯ ПАРАМЕТРОВ ТЕХНИКО-ЭКОНОМИЧЕСКИХ ОБЪЕКТОВ
    • 1. Применение модуля анализа ГрВр для моделирования параметров технико-экономических объектов
      • 1. 1. Задача анализа технических объектов
      • 1. 2. Задача анализа экономических объектов
    • 2. Описание структуры БД
    • 3. Обоснование выбора программных средств и организация межмодульного взаимодействия
    • 4. Описание алгоритмов и классов модуля анализа ГрВр
      • 4. 1. Иерархия классов
  • ВЫВОДЫ ПО ГЛАВЕ
  • ГЛАВА. ЧЕТВЕРТАЯ. ЭКСПЕРИМЕНТЫ
    • 1. Задача моделирования диагностических параметров агрегатов летательных аппаратов
    • 2. Постановка задачи анализа экономических объектов
    • 3. План экспериментов для разных типов объектов
    • 4. Характеристика рядов для экспериментов
    • 5. Результаты экспериментов

Математическое моделирование диагностических параметров агрегатов летательных аппаратов на основе гранулированных временных рядов (реферат, курсовая, диплом, контрольная)

Эффективность использования авиации очень сильно зависит от обеспечения высокого уровня безопасности полетов в ожидаемых условиях эксплуатации. На безопасность полетов влияет множество факторов: надежность самого летательного аппарата, систем, обеспечивающих его функционирование, эксплуатационный режим, человеческий фактор и неблагоприятное стечение обстоятельств. Один из прогнозируемых факторов, влияющий на безопасность полетов — отказ оборудования машины.

Для вертолетной техники задача контроля технического состояния важных агрегатов машины решается с использованием систем, называемых HUMS (Health & Usage Monitoring Systems). Системы класса HUMS позволяют производить оперативный контроль отказов узлов машины в течение полета и прогнозирование отказа оборудования. Однако данные системы не позволяют диагностировать возможные отказы машины перед ее выходом в рейс. Для повышения безопасности полетов необходимо в период между ними не только обнаруживать существующие, но и прогнозировать возможные дефекты. В настоящее время такие работы не осуществляются при штатном техническом осмотре, отсутствует инструментарий для проведения такого прогнозирования.

Диагностика агрегатов летательного аппарата с целью выявления потенциальных дефектов может производиться на основе экспертного анализа временных рядов ключевых физических величин. При этом основное внимание уделяется опасным тенденциям изменения показателей. Для повышения эффективности работы эксперта возможно создание инструмента, применяемого для диагностики узлов летательного аппарата между техническими осмотрами. В основе этого инструмента будут лежать формализованные экспертные знания, а его назначением — выявление потенциально дефектных агрегатов летательного аппарата.

Обычно состояние технической системы описывается совокупностью некоторых параметров, характеризующих объект и изменяющихся во времени.

Следовательно, моделирование и прогнозирование диагностических параметров объекта может быть осуществлено через анализ их временных рядов. Опасными могут быть тенденции длительного роста (спада) или длительной стабильности определенного показателя, если его значение велико или слишком мало. Все данные о нормативном поведении агрегата, в том числе и о длительности сохранения тенденции выражаются в лингвистической форме. Современные интеллектуальные методы анализа временных рядов опираются на определение информационной гранулы, объединяющей тенденцию и ее длительность в единое понятие.

Перечисленные особенности диагностики летательных аппаратов определяют актуальность математического моделирования и численного исследования поведения агрегатов летательных аппаратов в задачах диагностики на основе анализа гранулированных временных рядов.

Цель работы.

Целью данного исследования является повышение эффективности диагностики возможных отказов агрегатов летательных аппаратов в период между полетами на основе математического моделирования динамики их диагностических параметров, выраженной гранулированными временными рядами.

Предмет исследования.

Математическое моделирование и численное исследование диагностических параметров технических систем, представленных гранулированными временными рядами.

Объект исследования.

Объектом исследования являются силовая установка двигателя и главный редуктор вертолета.

Задачи исследования.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести сравнительный анализ существующих методов обработки нечетких временных рядов, выявить их возможности и ограничения в решении обозначенной проблемы.

2. Рассмотреть теорию гранулярных вычислений и возможность ее адаптации для построения математической модели агрегатов летательных аппаратов в задачах диагностики.

3. Построить методику распознавания нечетких тенденций на нечетких временных рядах.

4. Сформировать алгоритм выявления гранул для нечеткого временного ряд (НВР), позволяющий генерировать гранулированный BP (ГрВР) из нечеткого BP на основе численного метода кластеризации BP.

5. Построить алгоритм прогнозирования тенденций НВР, провести вычислительные эксперименты и получить оценки адекватности математических моделей и качества прогнозирования.

6. Разработать модель экспертного правила диагностики агрегатов летательных аппаратов.

7. Разработать комплекс программ для математического моделирования и прогнозирования поведения агрегатов летательных аппаратов на основе гранулированного временного ряда.

Научная новизна результатов исследования заключается в следующем:

• Предложена математическая модель динамики диагностических параметров агрегатов летательных аппаратов на базе разработанной модели информационной гранулы временного ряда.

• Разработан алгоритм обобщения объектов временного ряда в гранулы на интервалах времени, позволяющий выполнить прогнозирование поведения BP.

• Предложена адаптация численного алгоритма fern (fuzzy C-means)-кластеризации для оптимизации параметров лингвистической шкалы оценок BP.

Методы исследования.

В диссертационной работе применяются методы теории нечетких систем, теории гранулярных вычислений, численного кластерного анализа, объектно-ориентированного программирования.

На защиту выносятся следующие положения:

• Математическая модель диагностических параметров агрегатов летательных аппаратов на базе разработанной модели информационной гранулы временного ряда является адекватной и эффективной для решения задач диагностики.

• Алгоритм обобщения объектов временного ряда в гранулы на интервалах времени строится на основе базовых операций обработки гранулированного BP, в частности операции помещения объекта BP в гранулу, формирование новой гранулы и резюмирования гранул.

• Адаптация численного FCM-алгоритма кластеризации для построения лингвистической шкалы позволяет улучшить качество прогноза.

• Разработанный комплекс программ в полной мере реализует все описанные теоретические методы и алгоритмы.

Достоверность научных положений, выводов и рекомендаций подтверждена результатами вычислительных экспериментов, результатами практического использования комплекса программ и методик диагностирования параметров агрегатов летательных аппаратов на ОАО «Ульяновское конструкторское бюро приборостроения». Апробация.

Результаты исследования докладывались на.

•. международных конференциях и семинарах: Семинар с международным участием «Интеллектуальный анализ временных рядов», 15 июня 2010 г.- Двенадцатая национальная конференция по искусственному интеллекту с международным участием КИИ-2010(20 сентября-24 сентября, 2010 г., Тверь, Россия) — 9th Int. Conf. on Application of Fuzzy Systems and Soft.

Computing (ICAFS 2010). Prague, August 26−27, 2010, 13-th International Conf. RSFDGrC-2011. Springer-Verlag, 2011 • всероссийских конференциях: Всероссийская конференция с элементами научной школы для молодежи «Проведение научных исследований в области обработки, хранения, передачи и защиты информации», 1−5 декабря 2009 г.- Третья Всероссийская научная Конференция «Нечеткие системы и мягкие вычисления (НСМВ-2009).

Неоднократно докладывались на научно-технических конференциях Ульяновского государственного технического университета.

Разработанная методика внедрена на предприятии «ОАО УКБП». Программная система, в которой реализован метод анализа гранулированного временного ряда, была удостоена медали на конференции Seoul International Invention Fair 2010, проходившей в Корее 2−5 декабря 2010 года.

Научные публикации.

По результатам работы было опубликовано 16 статей, из которых 4 в журналах из перечня ВАК, и 5 тезисов докладов. Получено свидетельство о государственной регистрации программ для ЭВМ № 2 011 614 304, 2011.

Структура работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы, списка публикаций и приложений, изложена на 170 страницах, содержит 13 таблиц, 26 рисунков, список используемых источников включает 110 наименований.

ВЫВОДЫ ПО ГЛАВЕ.

В данной главе рассмотрена практическая реализация метода анализа ГрВр в виде уеЬ-сервиса. Достоинствами данной реализации выступают следующие ее черты:

1. Возможность встраиваться как в он-лайн, так и в офф-лайн проекты.

2. Простота реализации дружественного пользовательского интерфейса для использования возможностей данной программы.

3. Если говорить об он-лайн версии, то для пользователя не требуется установка дополнительного ПО.

4. Обработку данных можно перекладывать с более слабой на более сильную машину.

5. Не требуется инсталляции ПО у каждого пользователя.

В этой главе рассмотрена интеграция разработанного модуля в две системы, предназначенные для анализа разного вида рядов. Первая систематехническая — предназначена для моделирования поведения таких узлов вертолета как главный редуктор и силовая установка двигателя. Вторая система — экономическая — предназначена для оценки финансового состояния предприятий.

Первая система представляет собой локальное приложение, для своей работы от пользователя требует файл с данными о значениях физических величин, полученные после полета (прогона) машины. В результате выдается файл с отчетом о корректности/некорректности работы описанных выше узлов.

Вторая система представляет собой он-лайн приложение, доступное по адресу http://tsas.ulstu.ru/. Оно требует от пользователя ввода данных бухгалтерской отчетности и в результате выводит экспертное заключение о финансовом состоянии предприятия.

Сам сервис состоит из 12 дополнительных классов и собственно класса шеЬ-сервиса.

ГЛАВА ЧЕТВЕРТАЯ. ЭКСПЕРИМЕНТЫ.

1. Задача моделирования диагностических параметров агрегатов летательных аппаратов.

Наше время сложно представить себе без авиационной техники. С годами установилась тенденция повышения интенсивности ее использования и расширения спектра решаемых функциональных задач, как применительно к гражданской авиации, так и применительно к авиации специального назначения. К авиационным аппаратам специального назначения относятся в основном вертолеты. Они широко используются в спасательных операциях, так как с их помощью проще и эффективней решаются возникающие в данной области задачи. Однако эффективность использования авиации очень сильно зависит от обеспечения высокого уровня безопасности полетов в ожидаемых условиях эксплуатации.

На безопасность полетов влияет множество факторов: надежность самого летательного аппарата, систем, обеспечивающих его функционирование, эксплуатационный режим, человеческий фактор и неблагоприятное стечение обстоятельств. На некоторые из этих факторов нельзя ни повлиять, не предугадать их влияние, однако, некоторые факторы допускают прогнозирование и, следовательно, снижения негативного влияния.

В настоящее время все летательные аппараты оборудуются системами контроля их технического состояния. Два основных фактора, на которые можно воздействовать с целью снижения их негативного влияния, это отказы оборудования и человеческий фактор, возникающий при неправильной оценки ситуации в результате данных отказов. Рассмотрим задачу оценки технического состояния вертолета с целью снижения вероятности отказа оборудования.

Для осуществления полетов используется только авиатехника, находящаяся в исправном состоянии. При этом исправностью объекта называют состояние, при котором он соответствует всем требованиям конструкторской и нормативно-технической документации. Однако существует и более полная классификация состояний летательных аппаратов. Например, в работоспособном состоянии различают: рабочее и нерабочее состояние. В нерабочем состоянии объект не применяется по назначению и в рамках этого состояния выделяют состояние хранения, состояние планового простоя, внутреннее неработоспособное состояние (обусловленное отказом или незавершенностью планового технического обслуживания — ремонта), внешнее неработоспособное состояние (обусловленное организационными причинами, например, при консервации силовой установки). Эта классификация может быть представлена следующей схемой (Рисунок 4.1).

Рисунок 4.1. Классификация состояний работоспособности Применительно к авиационной техники все неисправности (по последствиям для изделия) можно разделить на повреждения и отказа.

Повреждение — это нарушение исправного состояния объекта при сохранении его работоспособного состояния. По степени тяжести повреждения делятся на существенные и несущественные. Несущественные повреждения в конечном итоге могут привести в своем развитии к нарушению работоспособного состояния авиационной техники — отказу.

Отказ авиационной техники (АТ) — это нарушение работоспособного состояния объекта (АТ). Если при рабочей эксплуатации объекта его работоспособное состояние характеризуется совокупностью значений нескольких технических параметров, тогда признаком возникновения отказа является выход значения любого из этих параметров за пределы допустимых ограничений.

По теории надежности все отказы АТ можно разделить на две группы:

1. отказы, как следствие дефектов конструкции, эксплуатационной документации, технологии производства;

2. отказы, как следствие разброса характеристик комплектующих элементов в пределах установленных на них допусков или же как случайное неблагоприятное сочетание режимов эксплуатации.

Отказы АТ можно классифицировать следующим образом:

1. По причинам возникновения отказы подразделяются на:

— конструктивные отказы — возникают в ошибок, допущенных при проектировании изделия, неточного учета фактических условий работы изделия в процессе эксплуатации и др.;

— производственные отказы — возникают вследствие несовершенства технологического процесса изготовления изделия или его нарушение, недолжным образом организованного метрологического обеспечения процессов производства и др.;

— эксплуатационные отказы — на практике чаще всего возникают из-за нарушения условий установленных режимов эксплуатации изделий;

2. По характеру изменения показателя качества изделия АТ:

— внезапные отказы — характеризуются скачкообразным изменением одного или нескольких свойств изделия АТ;

— постепенные отказы — характеризуются постепенным (медленным) изменением значений одного или нескольких параметров изделия АТ. Причинами возникновения постепенных отказов АТ могут служить:

• процесс старения элементов конструкции — постепенное изменение свойств материалов во времени;

• юное АТ — это процесс постепенного изменения материала при трении, проявляющийся в отделении с поверхности взаимодействия частиц материала и его последующей остаточной деформации.

• процесс усталости элементов конструкции — процесс постепенного накопления повреждений материала, в частности структуры зерен металла под действием повторно-переменных механических напряжений. Усталость может быть термической и механической.

3. По характеру устойчивости неработоспособного состояния:

— устойчивые отказы;

— сбои;

— перемежающие отказы.

4. По возможности последующего использования изделия АТ:

— полные отказы — потеря всех функций изделия;

— частичные отказы — когда изделие еще может выполнять какие-то заявленные в функциональной спецификации функции.

5. По наличию внешних проявлений отказа:

— явный отказ;

— скрытый отказ.

6. По возможности и целесообразности устранения отказа:

— устранимые отказы;

— неустранимые отказы.

7. По взаимной зависимости друг от друга отказы подразделяются на:

— независимые отказы — обладает собственными причинами для возникновения;

— зависимые отказы — отказы, обусловленные отказом другого изделия или элемента.

8. По степени влияния на безопасность полета выделяют:

— отказы, приводящие к возникновению катастрофической ситуации.

— отказы, приводящие к возникновению аварийной ситуации.

— отказы, приводящие к возникновению сложной ситуации.

— отказы, приводящие к усложнению условий дальнейшего продолжения полета.

9. По характеру выявления средствами информационноизмерительного контроля:

— контролируемый отказ;

— неконтролируемый отказ.

На борту вертолета около 50 различных механических узлов и агрегатов с ограниченным ресурсом, и, соответственно, подверженным отказу. Контроль за всеми этими агрегатами вести нецелесообразно и невозможно, поэтому необходимо выделить основные из них.

Среди основных элементов конструкции, требующих дополнительного контроля за своим состоянием в процессе эксплуатации можно выделить следующие:

— Главный редуктор

— Силовая установка двигателя.

Для выявления возможных функциональных отказов и характера их проявления кратко опишем функционирование каждого из представленных элементов.

Главный редуктор предназначен для передачи крутящего момента от двигателей к несущему винту вертолета и для привода агрегатов, стоящих на редукторе. Снижение частоты вращения в главном редукторе достигается применением трех ступеней редукции. Редуктор состоит из следующих основных частей: привода вала несущего винта, вала несущего винта, привода рулевого винта и приводов агрегатов, картера, двух муфт свободного хода, трех магнитных пробок и масломерных стекол. Система смазки главного редуктора обеспечивает подачу масла под давлением к подшипникам и зубчатым колесам, их смазку, охлаждение и вынос продуктов изнашивания из редуктора.

В состав силовой установки вертолета входят два турбовальных двигателя. Особенностью конструкции двигателя является наличие свободной турбины кинематически не связанной с ротором турбокомпрессора двигателя. Конструктивно двигатель состоит из следующих составных частей: приводов вспомогательных устройств, топливной системы, осевого компрессора, камеры сгорания, выхлопного устройства, системы отбора воздуха, системы запуска.

Для данных элементов можно выделить перечень отказов и физические величины, которые их сопровождают. Если мы наблюдаем за состоянием главного редуктора, то отследить разрушение или износ масляного фильтра, а так же разрушение или износ его деталей и узлов мы можем по величине температуры и давления масла.

В перечень отслеживаемых отказов силовой установки можно внести следующие: разрушение или износ деталей и узлов свободной турбины, нелокализованное разрушение двигателя, разрушение стартера, выключение двигателя, разрушение или износ деталей и узлов турбокомпрессора, разрушение маслоагрегата двигателя. Эти отказы связаны с показаниями таких физических величин как крутящий момент, температура выхлопных газов, температура масла на входе, давление масла.

Таким образом, мы видим, что состояние системы характеризуется показаниями определенных физических величин, которые можно измерить, используя различного рода датчики, которыми обычно комплектуются вертолеты. При корректной работе системы значения этих величин должны быть в допустимых пределах. Если вдруг значение какого-то показателя выходит за эти границы или же оно находится у одной из границ и наблюдается устойчивый рост (или спад) значения, то это может говорить об опасной ситуации при дальнейшей эксплуатации того или иного элемента. В таблице 4.1 представлен список физических величин с нормативными показателями, позволяющими судить о состоянии того или иного элемента.

ЗАКЛЮЧЕНИЕ

.

В ходе проведенного научного исследования были достигнуты следующие результаты:

1. Проведен сравнительный анализ существующих методов обработки нечетких временных рядов, выявлены их возможности и ограничения в решении обозначенной проблемы.

2. Построена математическая модель агрегатов летательных аппаратов в задачах диагностики на основе теории гранулярных вычислений (гранулированных временных рядов).

3. Построена методика распознавания нечетких тенденций на нечетких временных рядах.

4. Сформирован алгоритм выявления гранул для нечеткого временного ряд, позволяющий генерировать гранулированный ВР из нечеткого ВР. Для оптимизации параметров применен численный метод кластеризации. Эффективность применения кластерного разбиения, предложенного в диссертации, по сравнению с равномерным разбиением оценивалась по средней ошибке прогноза, которая при кластерном разбиении составила 6,48%, при средней ошибке прогноза при равномерном разбиении — 12,54%. Данный алгоритм применен в программных системах, решающих задачу диагностики работы узлов вертолета и задачу экономического экспресс-анализа предприятия.

5. Построен алгоритм прогнозирования тенденций НВР, проведены вычислительные эксперименты и получены оценки адекватности математических моделей и качества прогнозирования. Реализованы три модели прогноза ВР и метод выбора наилучшей из них. Экспериментально доказана эффективность применения данного метода для анализа технико=зкномических ВР. Средняя оценка качества прогноза, полученная на всей совокупности экспериментов составила: 9,15%.

6. Разработана модель экспертного правила диагностики агрегатов летательных аппаратов. Построены модели поведения таких объектов как главный редуктор и силовая установка двигателя вертолета. С помощью анализа качества построенных моделей проведена интерпретация данных натурного эксперимента с целью диагностики работы узлов вертолета.

7. Разработан комплекс программ для повышения эффективности диагностики возможных отказов агрегатов летательных аппаратов в меж полетный период на основе математического моделирования динамики их диагностических параметров, выраженной гранулированными временными рядами. Расширено множество диагностических событий: определено 10 новых.

Показать весь текст

Список литературы

  1. Barigela, Pedrycz, 2005. Bargiela A., Pedrycz W. Granular Mappings -URL:http://citeseerx. ist.psu.edu/viewdocs/summary
  2. Barigela, Pedrycz, 2006. Bargiela A., Pedrycz W. The roots of Granular Computing URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  3. Bowennan, O’Connell, 1979. Bowennan B.L., O’Connell R.T. Time series and forecasting: an applied approach, Mass., Duxbury Press, 1979.
  4. Jang, 1997. Jang J.-S. Roger, Sun С. Т., Mizutani E. Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence. Prentice-Hall International, 1997.
  5. Janson, Frenzel, 1993. Janson D.J., Frenzel J. F. Training Product Unit Neural Networks with Genetic Algorithms// IEEE Expert. — October 1993. —P.26−33.
  6. Kacprzyk at al., 2007. J. Kacprzyk, A. Wilbik, and S. Zadrozny Linguistic summarization of time series by using the Choquet integral//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic
  7. Keller et al., 1992. Keller J.M., Yager R.R., Tahani H. Neural Network Implementation of Fuzzy Logic // Fuzzy Sets and Systems. — 1992. — Vol.45, Nil.—P. 1−12.
  8. Marchek, 2005. D. Marchek Determination of Fuzzy Relations for Economic Fuzzy time series models by SCL techniques//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence
  9. Nahmias, 1978. S.Nahmias. Fuzzy variables, Fuzzy sets and systems 1(1978) 97−110.
  10. Nahmias, 1979. S.Nahmias. Fuzzy variables in random environment, In: Gupta M.M. et. al.(eds.). Advances in fuzzy sets Theory. NHCP. 1979.
  11. Nasiri, 2005. M. Nasiri Fuzzy regression modeling of false twist texturing yarn//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence
  12. Newquist, 1996. Newquist H.P. Data Mining: The Al Metamorphosis. Database Programming and Design. 1996. № 9
  13. Parsaye, 1998. Parsaye K. A Characterization of Data Mining Technologies and Processes. The Journal of Data Warehousing. 1998. № 1
  14. Pedrycz, Smith, 1999. W. Pedrycz, M.H. Smith, Granular correlation analysis in data mining, Proc. IEEE Int. Fuzzy Systems Conf., Korea, 1999, III-1235 IH-1240.
  15. Pedrycz, 2001. W. Pedrycz, Granular Computing The Emerging Paradigm -URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  16. Prokhorov at al., 1998. Prokhorov D.V., Saad E.W., Wunsch D.C. Comparative Study of Stock Trend Prediction Using Time Delay, Recurrent and Probabilistic Neural Networks//IEEE Transactions on Neural Networks. 1998. -Vol.6, № 9.-P. 1456−1470.
  17. Puri, Ralesky, 1986. M.D. Puri, D. Ralesky. Fuzzy random variables, J. Math. Anal. Appl. 114(1986)409−422.
  18. Rasmussen et al., 1991. Rasmussen J., Brehmer B., Leplat J. (Eds.). Distributed Decision-Making. Cognitive Models for Cooperative Work. — New York: J. Wiley and Sons, 1991.
  19. Rasmussen, 1983. Rasmussen J. Skills, Rules and Knowledge: Signals, Signs and Symbols and Their Distictions in Human Performance Models // IEEE Transactions on Systems, Man and Cybernetics. 1983. — Vol. SMC-133. — P. 257 267.
  20. Reinschmidt at al., 1999. Joerg Reinschmidt, Helena Gottschalk, Hosung Kim, Damiaan Zwietering Intelligent Miner for Data: Enhance Your Business Intelligence June 1999, International Technical Support Organization, SG 245 422
  21. Russell, Norvig, 1995. Russell S.J., Norvig P. Artificial Intelligence: a Modern Approach. — Englewood Cliffs NJ: Prentice Hall, 1995.
  22. Sadovnychyy at al., 2007. V. Sadovnychyy, S. Sadovnychiy, V. Ponomaryov Computational Intelligence Models of the Distributed Technological Complexes//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic
  23. Shapiro, 2005. A. Shapiro Soft computing and statistical techniques from an insurance perspective//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence
  24. Skala, 1978. Skala H.J. On many-valued logics, fuzzy sets, fuzzy logics and their applications. Fuzzy Sets and Systems, 1,1978,129 — 149.
  25. Song, 1993. Song Q./ Forecasting enrollments with fuzzy time series Part I. Q/Song, B. Chissom// Fuzzy Sets and Systems. -№ 54(1993) — P. 1−9.
  26. Steinbrecher, Kruse, 2007. M. Steinbrecher and R. f Kruse Visualization of Possibilistic Potentials//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic/
  27. Tanaka at al., 1982. H. Tanaka, S. Uejima, K. Asai, Linear regression analysis with fuzzy model, IEEE Trans. Systems Man Cybernet. 12 (1982) 903−907
  28. Turner, 1984. Turner E. Logics for Artificial Intelligence. — Chichester Ellis Norwood, 1984.
  29. Velmisov, Stetsko, Yarushkina, 2007. A. Velmisov, A. Stetsko, N. Yarushkina Data mining for fuzzy relational data servers//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic
  30. Weber, 1983. Weber S. A general concept of fuzzy connectives, negations and implications based on t-norms and t-conorms.- Fuzzy Sets Syst., 11, 1983, 115−134.
  31. Yao, 2002. Y. Y. Yao, Granular computing as a basis for consistent classification problems, 2002. URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  32. Yao, 2003. Y. Y. Yao, Information granulation and approximation in a decision-theoretical model of rough sets, 2003. URL: http ://citeseerx. ist.psu. edu/viewdocs/summary
  33. Yao, Lin. Y. Y. Yao, T. Y. Lin, Generalization of rough sets using modal logic URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  34. Yao, 2000. Y. Y. Yao, Granular Computing: basic issues and possible solutions URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  35. Yao, 2001.Y. Y. Yao, On Modeling data mining with granular computing -URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  36. Yao, 2002. Y. Y. Yao, A Generalized Decision Logic Language for Granular Computing URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  37. Yao, 2004. Y.Y. Yao, A Partition Model of Granular Computing URL: http://citeseerx. ist.psu.edu/viewdocs/summary
  38. Yao, 2007. Y.Y. Yao, The Art of Granular Computing URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  39. Yao, Zhong, 1998. Y.Y. Yao, N. Zhong, Granular computing with information table URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  40. Yao, Zhong, 1999. Y. Y. Yao, N Zhong, Potential applications of granular computing in knowledge discovery and data mining URL: http://citeseerx.ist.psu.edu/viewdocs/summary
  41. Yarushkina, Semoushin, 2005. N. Yarushkina, I. Semoushin A Soft computing-based Integration Environment for Assessing the Performance of a Complex Enterprise//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence
  42. Yazenin, 1987. Yazenin A.V. Fuzzy and stohastic programming. Fuzzy sets and systems. 1987. V. 22.
  43. Yazenin, 1996. A.V.Yazenin, On the problem possibilistic optimization, Fuzzy sets and systems 81(1996) 133−140.
  44. Yazenin, 2001. I.A. Yazenin. Minimal risk and efficiency portfolios for fuzzy random data, XXI Seminar on stability problems of stochastic models. Abstracts, Eger, Hungary, 2001, P. 182.
  45. Yu at al., 2007. J. Yu, E. Reiter, J. Hunter, C. Mellish, Choosing the content of textual summaries of large time-series data sets, Natural Language Engineering (2007) (To appear)
  46. Yu, Pedrycz, Yuan, 2005. F. Yu, W. Pedrycz, J. Yuan Finding Fuzzy Rules from Granular Time series//IFSA'05 Fuzzy Logic, Soft Computing and Computational Intelligence
  47. Zadeh, 1965. Zadeh L.A. Fuzzy Sets // Information and Control. -1965. -Vol.8. -P.338- 353.
  48. Zadeh, 1978. L.A.Zadeh. Fuzzy sets as a basis for a theory of possibility, Fuzzy sets and systems 1(1978) 3−28.
  49. Zadeh, 1979. Zadeh L. A theory of approximate reasoning (AR)//Machine Intelligence, 1979.-V. 9, — P. 149−194
  50. Zadeh, 1994. Zadeh L. A. Fuzzy Logic, Neural Network and Soft Computing // Communication of the ACM. -1994. Vol.37, № 3. — P. 77−84.
  51. Zadeh, 1996. Zadeh L. A. Fuzzy Logic = Computing With Words // IEEE Transactions of Fuzzy Systems 1996. —Vol.4. — P. 103−111.
  52. Zadeh, 2002. L.A. Zadeh, Toward a perception-based theory of probabilistic reasoning with imprecise probabilities, Journal of Statistical Planning and Inference, vol.105, 2002, 233−264.
  53. Zhang at al., 2007. L. Zhang, Zh. Pei, and H. Chen Extracting fuzzy linguistic summaries based on including degree theory and FCA//IFSA'07 Theoretical Advances and Applications of Fuzzy Logic
  54. Айвазян C.A., 2001. Айвазян C.A., Основы эконометрики M. :Юнити, 2001
  55. С.А. и др., 1985. Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985. — 488 с.
  56. С.А. и др., 1998. Айвазян С. А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: Юнити, 1998. — 1022 с.
  57. Башкатов, 2002. Социально-экономическая статистика: Учебник для вузов/ Под ред. Б. И. Башкатова. М.: ЮНИТИ-ДАНА, 2002. — 703 с.
  58. Бережная, Бережной, 2006. Бережная Е. В., Бережной В. И. Математические методы моделирования экономических систем: Учеб. пособие. — 2-е изд., перераб. и доп. — М.: Финансы и статистика, 2006. 432 с: ил.
  59. Берндт, 2005. Берндт, Э. Р. Практика эконометрики: классика и современность. / Э. Р. Берндт. —М.: Юнити-Дана, 2005.
  60. Бокс, Дженкинс, 1974. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. — Вып. 1, 2.
  61. Бокс, Дженкинс, 1976. Бокс Дж., Дженкинс Г., Анализ временных рядов.-М.: Мир 1976
  62. Валеев, 2001. Валеев С. Г. Регрессионное моделирование при обработке данных / С. Г. Валеев. Казань: ФЭН, 2001
  63. Гаврилов и др. Статистика: учебное пособие. Гаврилов В. И., Букин Л. Л., Рудакова Р. П. ЦКЬ. ЬЦр://ИсЦопЬоок.ги/аиЙюг/ лок! ог1уапоу1с115аугПоу/ 51ай8ПкаисЬеЬпоеро8оЫе /readonline.html?page=4 на 08.02.2011
  64. Годин 2002. Годин А. М. Статистика: Учебник. М.: Издательско-торговая корпорация «Дашков и Ко», 2002. — 472 с.
  65. Головко, 2002. Головко В. А., Нейронные сети: обучение, организация и применение -М.-.ИПРЖР, 2002 г. 256 стр.
  66. Гусаров, 2001а. Гусаров В. М. Статистика: Учеб. пособие для вузов. М.: ЮНИТИ-ДАНА, 2001. — 463 с.
  67. Гусаров, 2001а. Гусаров В. М. Теория статистики. М.: Аудит, 2001. — 248 с.
  68. Доутерти, 1999. Доугерти К. Введение в эконометрику. М.: МГУ, 1999. -402 с.
  69. Елисеева, Юзбашев, 1998. Елисеева И. И., Юзбашев М. М. Общая теория статистики. М.: Финансы и статистика., 1998. — 368 с.
  70. Елисеева, 2002. Статистика. Учебник/ Под ред. И. И. Елисеевой. М: ООО «ВИТРЭМ», 2002. — 448 с.
  71. Ефимова и др., 1996. Ефимова М. Р., Петрова Е. В., Румянцев В. Н. Общая теория статистики: Учебник. М: ИНФРА-М, 1996. — 416 с.
  72. Заде, 1976. Заде Л. А. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М.: 1976. 165с.
  73. Игонин, 1998. Статистика: Курс лекций/ Под ред. В. Г. Ионина. М.: ИНФРа-М, 1998. -310 с.
  74. Канторович, 2002. Канторович Г. Г. Лекции: Анализ временных рядов // Экономический журнал ВШЭ. 2002. Т. 6−7, № 1−4
  75. URL:http ://ecsocman.edu. ru/text/16 150 199/
  76. Кендэл, 1981. Кендэл М. Временные ряды, М.: Финансы и статистика, 1981 г. 191 с.
  77. Кильдишев и др., 2001. Кильдишев Г. С., Овсиенко В. Е., Рабинович П. М., Рябушкин Т. В. Общая теория статистики. М.: Статистика, 2001. — 423 с.
  78. Кулинич, 1999. Кулинич Е. И. Эконометрия. М: Финансы и статистика, 1999. — 302 с.
  79. Магнус и др., 2004. Магнус Я. Р., Катышев, П.К., Пересецкий A.A. Эконометрика. Начальный курс./ Я. Р. Магнус, П. К. Катышев, A.A. Пересецкий. М.: Дело, 2004.
  80. Перфильева, 2003. Перфильева И., Нечеткое преобразование./ И. Перфильева // Нечеткая логика. Амстердам, 2003. — С.275−300.
  81. Симчера, 2001. Практикум по статистике: Учебное пособие для вузов (Под ред. В.М. Симчеры). ВЗФЭИ. -М.: ЗАО «Финстатинформ», 2001. 259 с.
  82. Спирина, Башина, 1994. Общая теория статистики. Статистическая методология в изучении коммерческой деятельности. / Под ред. A.A. Спирина, О. Э. Башиной. М: Финансы и статистика, 1994. — 296 с.
  83. Тейз и др., 1998. Тейз Л., Грибомон П., Юлен Г. и др. Логический подход к искусственному интеллекту: От модальной логики к логике баз данных: Пер с франц. -М: Мир, 1998.
  84. Тейл, 1977. Тейл Г. Экономические прогнозы и принятие решений. М.: Статистика, 1977.-282 с.
  85. Тихонов, Кузьмшцев, 2004. Тихонов Э. Е., Кузьмшцев В. А. Методы и алгоритмы прогнозирования экономических показателей на базе нейронных сетей и модулярной арифметики. Невинномысск: Издательство НИЭУП, 2004. — 166с.
  86. Уоссермен, 1992. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. -М: ЮНИТИ, 1992. -240с.
  87. Фогель и др., 1969. Фогель Л., Оуэне Л., Уояш М. Искусственный интеллект и эволюционное моделирование: Пер, с англ. —М.: Мир, 1969.
  88. Хохлов, 2003. М. Ю. Хохлов, А. В. Язенин. Расчет числовых характеристик нечетких случайных величин, Вестник ТвГУ, № 2. Серия «Прикладная математика», выпуск № 1, 2003 г., 39−43.
  89. Шмойлова, 2002. Шмойлова P.A. Общая теория статистики: Учебник. — Москва: Финансы и статистика, 2002
  90. Эделстейн, 1996. Эделстейн Г Интеллектуальные средства анализа, интерпретации и представления данных в информационных хранилищах ComputerWeek-Москва. 1996. № 16. С. 32−33
  91. Язенин, 1984. Язенин A.B. Нечеткие переменные и нечеткое математическое программирование // Модели выбора альтернатив в нечеткой среде. Рига, 1984.
  92. Язенин, 1986. Язенин A.B. Нечеткое математическое программирование. Калинин: КГУ, 1986
  93. Ярушкина и др., 2010. Интеллектуальный анализ временных рядов: учебное пособие / Н. Г. Ярушкина, Т. В. Афанасьева, И. Г. Перфильева. -Ульяновск: УлГТУ, 2010.-320с.]
  94. Ярушкина, 1996. Ярушкина Н. Г. Мягкий метод анализа иерархий в системах принятия решений // Междунар. семинар «Мягкие вычисления-96», Казань, 1996, с. 219−221
  95. Ярушкина, 2000. Ярушкина Н. Г. Мягкие вычисления в автоматизированном проектировании. КИИ2000. -М.: Физматлит, Т.2, 2000 -479с.
  96. Ярушкина, 2001. Ярушкина Н. Г. Нечеткие нейронные сети // Новости искуственного интеллекта. 2001. — № 2−3
  97. Ярушкина, 2002а. Ярушкина Н. Г. Вычислительный интеллект: синергизм слова и числа // Информационные технологии и вычислительные системы, № 4, 2002
  98. Ярушкина, 2002b. Ярушкина Н. Г. Гибридные системы, основанные на мягких вычислениях, определение, архитектура, теоретические возможности и опыт практического использования // Программные продукты и системы, № 3, 2002, с. 19−22
  99. Ярушкина, 2003. Ярушкина Н. Г. Нечеткие нейронные сети с генетической настройкой. Лекция научной школы конференции «Нейроинформатика-2004», М.: МИФИ, 2003
  100. Ярушкина, 2004. Ярушкина Н. Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика, 2004.- 320 с. Ил.
  101. Ярушкина, 2004а. Ярушкина Н. Г. Нечеткие и гибридные системы: обзор итогов и тенденций развития // Новости искусственного интеллекта, № 1, 2004
  102. Электронный ресурс, a. Granular computing, Wikipedia, http://en.wikipedia.org на 04.08.2001
  103. Электронный ресурс, b. «Коллекция учебников по ИТ» http://www.uchi-it.ru/9/2/9.html на 04.08.2011
  104. Электронный ресурс, с. http://dic.academic.ru/dic.nsf/ruwiki/177 680 на 8.02.2011
  105. Электронный ресурс, d. http://dic.academic.ru/dic.nsi7ruwiki/308 611 на 8.02.2011
  106. Электронный ресурс, е. StatSoft, Inc. // Электронный учебник по статистике. / StatSoft, Inc. // http://www.statsoft.ru/home/textbook/default.htm на 04.08.2011
  107. Статьи из Перечня журналов, рекомендованных ВАК России
  108. Н. Г. Афанасьева Т.В. Шишкина В. В. Моделирование нечеткого и гранулированного временного ряда на основе элементарных тенденций // Известия Самарского научного центра РАН, 2008 Выпуск 10. С.223−226.
  109. В.В. Оценка и прогнозирование финансового состояния предприятия на основе временных рядов нечетких элементарных тенденций. Известия Самарского центра РАН, т. 12, № 4(2), 2010. С.498−505.
  110. Публикации в прочих изданиях
  111. В.В. Построение модели гранулированного временного ряда и метода определения его тенденции // Информатика, моделирование, автоматизация проектирования: сборник научных трудов: под ред. В. Н. Негоды. Ульяновск: УлГТУ, 2009. — С.262−266.
  112. В.В. Метод интеллектуального экспресс-анализа финансового состояния предприятия // Актуальные проблемы физической и функциональной электроники. Материалы 12й региональной научной школы семинара. Том 2 Ульяновск: УлГТУ, 2009. — С. 122−124.
  113. В.В. Понятие гранулированного временного ряда // Тезисы докладов 43-й Научно-технической конференции. Ульяновск: УлГТУ, 2009.-С. 110−111.
  114. Шишкина В В. Модель гранулированного временного ряда и ее применение в анализе финансового состояния предприятия // Информатика и вычислительная техника: сборник научных трудов / под ред. В. Н. Негоды. -Ульяновск: УлГТУ, 2010. С.559−565.
  115. П.Шишкина В. В. Разработка модели гранулированного временного ряда и метода определения его тенденции // Сборник аннотаций проектов Молодежного инновационного форума Приволжского федерального округа Ульяновск: УлГТУ 2009. — С.66−67.
  116. В.В. Построение модели гранулированного временного ряда и метода определения его тенденции // Труды Третьей Всероссийской научной Конференции «Нечеткие системы и мягкие вычисления (НСМВ-2009)». -ВолгТГУ: Волгоград, 2009. С. 116−121.
  117. В.В. Гранула временного ряда как результат резюмирования нечетких элементарных тенденций// Тезисы докладов 44-й Научно-технической конференции Ульяновск: УлГТУ 2010. — С. 184.
  118. В.В. Применение модели гарнулированного временного ряда для анализа технико-экономических показателей // Тезисы докладов 45-й Научно-технической конференции Ульяновск: УлГТУ 2011. — С. 164.
  119. В. В. Ярушкина Н.Г., Перфильева И. Г., Игонин А. Г., Романов А.А Интернет-сервис экспресс-анализа деятельности организации на основе анализа временных рядов, Свидетельство о государственной регистрации программ для ЭВМ № 2 011 614 304, 2011.
  120. На рисунках ниже представлены ряды величины «Температура выхлопных газов двигателя», описывающие корректно работающий агрегат и агрегат с возможным дефектом.
  121. ВР температуры выхлопных газов двигателя
  122. ВР температуры выхлопных газов двигателя с возможным дефектом На рисунках ниже представлены ряды для величины температуры масла главного редуктора. Первый также описывает корректно работающий агрегат, второй ряд агрегат с возможным дефектом.
  123. ВР температуры масла редуктора
Заполнить форму текущей работой

Пора сдавать?