автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Алгоритмическое и программное обеспечение системы управления производством газодобывающей компании

005007189

Богдан Степан Александрович

Алгоритмическое и программное обеспечение системы управления производством газодобывающей компании

05.13.11— Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

1 2 ЯНВ 2012

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Томск —2011

005007189

Работа выполнена на кафедре вычислительной техники ФГБОУ ВПО «Национальный исследовательский Томский политехнический университет»

Научный руководитель:

доктор технических наук, профессор, Заслуженный деятель науки РФ Марков Николай Григорьевич

Официальные оппоненты:

доктор технических наук, доцент Кручинин Владимир Викторович

кандидат технических наук Сарайкин Андрей Витальевич

Ведущая организация:

Новосибирский государственный технический университет

Защита состоится "16" января 2012 г. в 16 часов на заседании Совета по защите докторских и кандидатских диссертаций Д 212.269.06 при ФГБОУ ВПО «Национальный исследовательский Томский политехнический университет» по адресу: 634034, г. Томск, ул. Советская, 84/3, Институт кибернетики, ауд. 214.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Национальный исследовательский Томский политехнический университет» по адресу: 34034 г. Томск, ул. Белинского, 55.

Автореферат разослан «15» декабря 2011 г.

Ученый секретарь Совета по защите докторски* и кандидатских диссертаций Д 212.269.06

кандидат технических наук, доцент

Общая характеристика работы

Актуальность работы. Крупные компании с непрерывным типом производства, к которым относятся предприятия газовой, нефтяной, металлургической и ряда других отраслей промышленности, требуют особого внимания к качеству принимаемых их менеджерами и техническими специалистами управленческих решений. В конечном итоге качество принятых управленческих решений влгает на финансовые результаты работы компании в целом.

Как показывает опыт, повысить качество управленческих решений можно путем использования современных средств автоматизации и информатизации компании. При этом управление производством и компанией в целом может быть выведено на принципиально новый уровень качества.

Особенности современных газодобывающих компаний (ГДК) накладывают множество дополнительных ограничений и требований к автоматизированным системам управления производством из-за значительной пространственной распределенности объектов управления, большого числа уровней управления компании, опасностью производства, разнородностью применяемых автоматизированных систем управления технологическими процессами (АСУ ТП) и т.д.

Среди ученых, изучающих проблемы автоматизации непрерывных производств, в том числе автоматизации производств газодобывающих компаний, следует выделить работы В.Г. Герке, Б.С. Посягина, И.С. Решетникова, L. Van Dyk, Т. J. Williams, M. McClellan, M. Littlefield, J. Harrington, J. Kanter и других.

Анализ результатов работ этих исследователей, а также анализ существующего алгоритмического и программного обеспечения систем управления производством в газовой отрасли показал, что такие системы не обладают требуемой функциональностью и, соответственно, неполно автоматизируют деятельность специалистов основных производственных служб компаний. Более того, разработчики систем управления непрерывным производством, в том числе, специализированных систем и программных комплексов для газодобывающих компаний лишь иногда включают в эти системы и комплексы программ функции интеллектуального анализа данных (ИАД), основанные на использовании технологии оперативного анализа OLAP (On-line analysis processing) и технологий data mining (добыча знаний). В то же время наличие программных средств для ИАД в составе систем управления производством ГДК позволит вывести управление производством па качественно иной, современный уровень.

Все вышесказанное указывает на актуальность разработки новых подходов, алгоритмов и программных средств автоматизации непрерывных производств ГДК, базирующихся на OLAP-технологиях и методах ИАД. Под такими методами понимаются методы математической статистики, прежде всего, разведочного анализа данных, и методы нейросетевого анализа и т.п.

Целыо днссертацноинои работы является разработка алгоритмического и программного обеспечения системы управления производством (СУП) совре-

менной газодобывающей компании, причем для повышения качества управления компанией в этой СУП должны быть реализованы методы интеллектуального анализа данных.

Для достижения поставленной цели необходимо последовательное решение следующих задач:

1. Разработать принципы создания и архитектуру СУП, причем для повышения качества управления производством в основу этой системы следует положить методы ИАД.

2. Разработать алгоритмическое обеспечение СУП, в том числе с использованием современных методов ИАД.

3. Разработать программное обеспечение (ПО) СУП согласно сформулированным требованиям, предложенной архитектуре и разработанным алгоритмам.

4. Провести апробацию и внедрение алгоритмического и программного обеспечения СУП в современной газодобывающей компании.

Методы исследований. В работе использованы методы классификации, нейросетевого анализа данных, деревьев решений, теории алгоритмов, методы объектно-ориентированного проектирования ПО и математической статистики.

Научную новнзну полученных в работе результатов определяют:

1. Архитектура СУП газо добывающей компании, отличающаяся от архитектуры традиционных систем управления производством таких компаний ведущей ролью хранилища производственных данных, тематических витрин данных и подсистемы ИАД.

2. Алгоритм формирования диспетчерских сводок, отличающийся от традиционных алгоритмов наличием таблицы индексов сводок и позволяющий поэтому с большей скоростью, чем традиционные алгоритмы формировать сводки в практически важных случаях.

3. Подход к разбраковке результатов гидродинамических исследований скважин (ГДИС), основанный на методах бинарной классификации и позволяющий исключить эксперта из процесса разбраковки.

4. Оригинальный способ оперативного прогноза среднечасового уровня добычи углеводородного сырья (УВС), дающий практически приемлемую точность прогнозирования на основе ретроспективного анализа совокупности технологических параметров.

5. Подход к долгосрочному прогнозированию уровня валовой добычи газа по временному ряду из ежемесячных уровней добычи газа по месторождению, использующий метод Бокса-Дженкинса и обеспечивающий точность прогноза выше, чем у широко применяемых в газовой отрасли программных решений.

Практическая ценность и реализация результатов работы. Практически значимыми являются разработанные алгоритмы и программные средства СУП, которая функционирует по клиент-серверной технологии и использует в качестве основы СУБД Microsoft SQL Server 2008 R2. Объем исходного кода разработанного ПО системы составляет более 15 ООО строк па языках С#, Delphi, MDX, DMX, T-SQL. СУП была интегрирована с корпоративной геоин-

формаций иной системой управления производством (КГСУ) «Магистраль-Восток» и внедрена в её составе в ОАО «Томскгазпром». Внедрение подтверждено соответствующим актом.

Основные положении, ныпоснмыс на защиту:

1. Разработанные структуры хранилища производственных данных и тематических витрин данных позволяют эффективно решать различные задачи ИАД при управлении производством газодобывающей компании.

2. Разработанный алгоритм формирования диспетчерских сводок позволяет формировать сводки с большим числом параметров быстрее в 1.5-2 раза, чем традиционные алгоритмы.

3. Разработанный подход к разбраковке результатов гидродинамических исследований скважин позволяет производить разбраковку результатов этих исследований безучастия эксперта.

4. Оригинальный способ оперативного прогноза среднечасового уровня добычи УВС дает практически приемлемую точность прогнозирования.

5. Подход к долгосрочному прогнозированию валовой добычи газа по месторождению обеспечивает точность прогноза выше, чем у широко применяемых в газовой отрасли программных решений.

6. Разработанная архитектура, созданное алгоритмическое и программное обеспечение СУП позволяют повысить качество управления производством в газодобывающих компаниях.

Апробации работы. Основные результаты докладывались и обсуждались на 1st International Conference on Model & Data Engineering (MED1'2011) (г. Оби-душ, Португалия, 2011 г.); 5th Central and Eastern European Software Engineering Conference (CEE-SECR) (г. Москва, 2009 г.); VI Всероссийской научно-практической конкуренции «Технологии Microsoft в теории и практике программирования» (г. Томск, 2009 г.); VII Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии» (г. 'Томск, 2009 г.); III Международной научно-технической конференции "Компьютерные технологии поддержки принятия решений в диспетчерском управлении газотранспортными и газодобывающими системами" (DISCOM-2007) (г. Москва, 2007 г.); XII Международной научно-практической конференции студентов и молодых ученых «Современные техника и технологии» (г. Томск, 2006 г.).

По результатам работы имеется 12 публикаций, в том числе 5 статей в журналах из списка ВАК.

Личный вклад:

1. Постановка задач исследования и разработка принципов построения СУП газодобывающей компании выполнены совместно с Марковым Н.Г и Кудино-вым A.B.

2. Архитектура СУП газодобывающей компании, структуры хранилища производственных данных и тематических витрин данных в составе СУП разработаны автором совместно с Кудиновым A.B.

3. Автором разработаны алгоритмы расчета технологического режима работы газовых скважин, его программная реализация осуществлена совместно с Мирошниченко Е.А.

4. Алгоритм Армирования диспетчерской сводки разработан и программно реализован лично автором.

5. Способ оперативного прогноза среднечасового уровня добычи УВС и его программная реализация разработаны лично автором.

6. Подход к разбраковке результатов гидродинамических исследований скважин разработан и реализован лично автором.

7. Подход к долгосрочному прогнозированию уровня валовой добычи газа по месторождению разработан и реализован лично автором.

8. При разработке ПО формирования диспетчерских сводок автор реализовал его серверную часть. Клиентская часть ПО была реализована Ковиным Р.В.

9. Отдельные программные модули для диспетчерского управления реализованы автором совместно с программистами лаборатории Геоинформационных систем Института кибернетики Томского политехнического университета.

Объем п структура работы. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников из 149 наименований и одного приложения. Объем основного текста диссертации составляет 135 страниц машинописного текста, иллюстрированного 47 рисунками и 9 таблицами.

Содержание работы

Во внсдсшш обосновывается актуальность работы в данном научном направлении, формулируются цель и задачи исследования.

Первая глава посвящена проблемам автоматизации производственной деятельности газодобывающей компании.

Рассмотрены организационные и функциональные особенности газодобывающего производства как производства непрерывного типа. В соответствии с подходом Хаммера-Чампи к классификации бизнес-процессов газодобывающей компании они были представлены как основные, вспомогательные и управляющие процессы и описаны с помощью IDEF0 методологии моделирования бизнес-процессов.

Рассмотрены уровни автоматизации газодобывающего производства в рамках иерархической модели CIM. На каждом из её уровней выделены основные задачи автоматизации ГДК. Особое внимание было уделено уровню MES (Manufacturing Execution System - система управления производством). Сформулированы основные требования к MES, продиктованные особенностями непрерывного производства ГДК.

Анализ результатов работ ряда исследователей, а также анализ существующего алгоритмического и программного обеспечения систем управления производством в газовой отрасли показал, что такие системы не обладают требуемой функциональностью и, соответственно, неполно автоматизируют деятельность специалистов основных производственных служб компаний. Более того, разработчики систем управления непрерывным производством в том чис-

ле, специализированных систем и программных комплексов для газодобывающих компаний лишь иногда включают в эти системы и комплексы программ функции ИАД, основанные на использовании технологии оперативного анализа OLAP (On-line analysis processing) и технологий data mining (добыча знаний). В то же время наличие функций ИАД позволит вывести управление производством на качественно иной, современный уровень.

Сделан вывод об актуальности разработки алгоритмического и программного обеспечения системы управления производством ГДК, включающей также средства реализации методов ИАД. Сформулированы цели и задачи диссертационного исследования.

Вторл<1 глава посвящена принципам построения СУП и рассмотрению особенностей предложенной архитектуры системы управления.

Для формирования принципов построения СУП, а также общесистемных и функциональных требований, процесс управления производством описывается в виде взаимосвязанных алгоритмов диспетчерского управления и управления фондом скважин. Управление осуществляется в соответствии с этими алгоритмами и производится диспетчерской, геолого-промысловой и технологической службами компании, как на промыслах, так и в аппарате управления компанией.

Основными принципами построения СУП являются:

1. Модульный принцип организации системы, который подразумевает возможность расширения функциональности системы за счет добавления новых модулей. Современная СУП ГДК должна иметь набор модулей необходимых для конфигурирования автоматизированных рабочих мест (АРМ) различных специалистов основных производственных служб.

2. Принцип централизации производственных данных подразумевает организацию хранения и обработки производственных данных в виде единой базы данных (БД) и хранилища производственных данных (ХПД) компании.

3. Принцип расширяемости перечня решаемых задач НАД подразумевает такую организацию СУП, при которой вновь реализуемые в системе методы, алгоритмы и модели ИАД не вызывали бы необходимости изменения её архитектуры.

4. Принцип сужения информационных потоков предполагает, что при переходе от нижнего уровня управления компании к каждому последующему поток производственных данных сужается.

Все требования к СУП разделены на общесистемные и функциональные требования. Среди сформулированных общесистемных требований приведем основные:

1. В состав СУП должно входить ХПД и тематические витрины данных для работы с производственными данными специалистов диспетчерской, технологической и геолого-промысловой служб компании;

2. СУП должна иметь средства включения в её состав программных модулей, реализующих новые методы и модели ИАД.

Среди функциональных требований выделяются требования к функциям ИДД в части оперативного и долгосрочного прогноза производственных показателей ГДК, функции автоматической разбраковки (оценки) результатов ГДИС и т.д.

На основе вышеописанных принципов и сформулированных требовании была разработана архитектура СУП (рис. 1.).

Видим, что СУП имеет клиент-серверную архитектуру. Данные ручного ввода и технологические данные из баз данных реального времени (БДРВ) различных АСУ ТП промыслов по протоколу ОРС поступают в единую базу производственных данных, откуда с помощью механизма El'L-процессов (Extract Transform Load) часть из них поступает в хранилище производственных данных (XI1Д). С помощью этого же механизма данные поступают в XI1Д из внешних информационных систем (ИС) и других внешних источников. Также с помощью механизма ETL происходит наполнение тематических витрин данных, входящих в АРМ Диспетчера, АРМ Промыслового геолога и АРМ Технолога. Работа с витринами происходит на языке доступа к многомерным данным MDX (Multidimensional Expressions - многомерные выражения). Выполнение аналитических функций обеспечивают модули ИАД, встроенные в каждую из витрин и осуществляющие взаимодействие с подсистемой ИАД на языке DMX (Data Mining Extensions - выражения добычи знаний). При использовании внешних библиотек, реализующих ряд процедур ИАД, используется модуль интерпретации моделей ИАД, который позволяет преобразовать и интерпретировать модели ИАД из внешних библиотек в виде выражений на языке DMX.

Фрагмент многомерной модели хранилища производственных данных представлен па рис. 2. Структура ХПД во многом повторяет структуру реляционной базы производственных данных СУП, преобразованную в соответствии с правилами формирования многомерных баз данных (Multidimensional Data Bases). При этом сущности реляционной БД представляются в виде таблиц "фактов" или связанных с ними таблиц "измерений" многомерной БД.

Рис. 2. Фрагмент структуры хранилища производственных данных

Такая структура хранилища позволяет специалистам формировать различные нерегламентированные (ad-hoc) запросы к ХПД, однако для повседневной работы предметных специалистов основных производственных служб ГДК используются тематические витрины данных.

В третьей главе рассматривается разработанное алгоритмическое обеспечение СУП.

Предложен алгоритм формирования диспетчерских сводок, позволяющий вводить данные и корректировать результаты ручного ввода и использующий для ускорения работы дополнительную таблицу с индексами диспетчерских сводок.

Результаты исследования эффективности предложенного алгоритма в сравнении с результатами производительности традиционного алгоритма формирования диспетчерских сводок представлены на рис. 3. Здесь п - число производственных показателей (характеристик) в сводке, ш - число строк сводки.

Результаты получены для практически интересных случаев: m = 24 (значения технологических параметров вводятся за каждый час суток) и ш = 48 (значения параметров вводятся за каждый час за двое суток). Видим, что в практически значимых случаях, когда число параметров п > 10, предложенный алгоритм работает быстрее по сравнению с традиционным алгоритмом. Причем при большом числе параметров он дает выигрыш в 1.5-2 раза. Это очень важно для диспетчеров и технологов промысла, которые желают, чтобы во всех случаях сводка формировалась не более ритмов от числа параметров в сводке 3.4 сеКуПд

В повседневной работе диспетчера и технолога основной проблемой при оперативном планировании является отсутствие аналитической функции для планирования среднечасового уровня добычи (дебета) УВС (газа). Это ключевой параметр, который планируется для промысла, и именно этот параметр не управляется диспетчером напрямую (а лишь посредством изменения операторами параметров и режимов работы скважин и технологического оборудования). Оперативный прогноз нужен, чтобы ответить на вопрос диспетчера (технолога): какой будет среднечасовая добыча УВС, если будут установлены те или иные параметры работы оборудования или часть его будет отключена? Рассмотрена задача оперативного прогноза параметров диспетчерской сводки в постановке «что если?» (задаются значения технологических параметров и изучается, каким при этом будет значение среднечасовой добычи УВС). Как показал анализ, подходящими методами ИАД для решения этой задачи являются метод линейной регрессии и метод нейросети с многослойным персептроном.

Исходный набор исторических данных для экспериментов по оценке эффективности этих методов составил 5230 кортежей - групп значений реально измеренных (с интервалом в два часа) значений технологических параметров (в том числе значений дебета Q,j,aK-i) двух кустов газовых скважин и установки комплексной подготовки газа одного из газоконденсатных месторождений Западной Сибири за последние полтора года.

Результаты исследования эффективности этих методов ИАД на описанном наборе исторических данных приведены в таблице. По мнению многих исследователей, наилучшим показателем качества прогноза среди приведенных в ней

V

Числоларяктров п

—^Т^'^ицио-нмй с,* 0:1111' ■■ 24

П |. С Д'Ю!401 ни й

t/íesnwrr ¿4 Трсницто ыый

Рис. 3. Зависимость времени выполнения алго-

статистических показателей является коэффициент корреляции между исходным (измеренным) значением среднечасового уровня добычи УВС 0факт и спрогнозированным уровнем Опрошоз- Чем выше коэффициент корреляции, тем лучше прогноз.

В случае использования метода нейросети значение коэффициента корреляции выше, чем у метода линейной регрессии. При этом время обучения модели на используемом наборе исторических данных составило 0.59 с для регрессионной модели и 7.9 с для модели пейросети. Поскольку не требуется частого перестраивания модели и нет особых требований по скорости обучения пейросети, более эффективным является метод нейросети. Для другого газо-конденсатного месторождения Западной Сибири коэффициент корреляции равен 0.66 для метода линейной регрессии и 0.94 для метода нейросети.

Показатель Метод линейной рсгрссснп Метод нсйросетн

Среднеквадратическое отклонение (СКО), м3/час 7587.8 5463.6

Коэффициент корреляции между Офакт И Опрогноз 0.8155 0.9152

ЮО%*СКО/Среднее значение Офакт 7.05% 5.07%

Время построения модели, с 0.59 7.9

Учитывая результаты этих исследований, на основе метода нейросети предложен способ оперативного прогноза среднечасового уровня добычи УВС, дающий практически приемлемую точность (для газовой отрасли коэффициент корреляции должен быть не ниже 0.9) оперативного прогноза на основе ретроспективного анализа совокупности технологических параметров из диспетчерских сводок промыслов.

Ежемесячно специалисты геолого-промысловой службы решают задачу расчета технологического режима работы скважин. В общей постановке эта задача заключается в определении таких значений технологических параметров эксплуатации каждой из газовой скважин, при которых будут достигнуты заданные объемы добычи УВС на последующий месяц.

Для ее решения разработан комплексный алгоритм расчета технологического режима работы скважины (ТРРС), включающий алгоритм расчета пластового давления скважины, алгоритм расчета забойного давления скважины, алгоритм расчета дебита УВС (газ и газовый конденсат) скважины и алгоритм расчета дебита воды скважины. Исходными данными для расчета режима являются суммарные фактические дебиты УВС, полученные на основе месячных эксплуатационных рапортов (МЭРов) по промыслу, ряд технологических параметров (наружный и внутренний диаметры насосно-компрессорных труб скважины, буферное и затрубное давления в скважине, критическая температура и критическое давление газоконденсатного пласта, планируемые на конец расчетного месяца пластовое и забойное давления и т.п.), а также данные периодически проводимых ГДИС. В результате расчета технологического режима для

каждой скважины получают набор выходных данных: планируемые буферное и затрубное давления, планируемая депрессия, скорость потока УВС, планируемый дебит УВС, дебит воды, дебит нефти и т.д.

Комплексный алгоритм расчета ТРРС включает не только вышеперечисленный перечень алгоритмов, но и этап экспертной оценки результатов ГДИС промысловыми геологами с целью разбраковки этих результатов на пригодные в качестве исходных данных для дальнейшего расчета технологического режима или непригодные. В ходе разработки месторождения эксперт-геолог накапливает неструктурированную информацию (экспертное знание) о каждой скважине, о тенденциях отбора УВС из нее и т.д. Именно он, имея экспертное знание, принимает решение о том, следует ли использовать результаты гидродинамических исследований по этой скважине для расчета ее технологического режима. Учитывая огромный объем данных периодически проводимых ГДИС, эксперту непросто в кратчайший срок вынести обоснованное решение об их пригодности, поэтому требуется автоматическая разбраковка (оценка) данных ГДИС. Кроме того, это единственный этап комплексного алгоритма, препятствующий проведению полностью автоматического расчета ТРРС.

Показано, что задача разбраковки результатов ГДИС сводится к задаче бинарной классификации. Для реализации такого подхода необходимо выбрать наиболее точный метод (алгоритм) решети задачи бинарной классификации. С этой целью для исследования были рассмотрены наиболее известные и хорошо себя зарекомендовавшие методы и алгоритмы классификации: байесовский метод, группа методов деревьев решений, метод ближайшего соседа, нейросете-вой метод (с использованием многослойного персептрона) и т.д., всего 23 метода и алгоритма. В качестве исходных данных для эксперимента по выявлению наиболее точного метода (алгоритма) использовались 3453 кортежа (каждый кортеж - группа значений 14 технологических параметров, измеряемых при каждом ГДИС) - реальные результаты ГДИС по фонду газовых скважин одного из шзоконденсатных месторождений Западной Сибири. Пригодными для расчета технологического режима из них, по мнению экспертов-геологов, оказались 2317 кортежей, а непригодными - 1136. При оценке качества классификации использовалась точность, вычисляемая по формуле:

Точность --—-X100%,

ГЯЧЛР+ГЛГ+уу

где TP и TN - правильно классифицированные экземпляры (True positive, True negative), a FN и FP (False negative, False positive) - неправильно классифицированные экземпляры.

Исходный набор данных ГДИС (3453 кортежа) разбивался на 10 частей случайным образом. Использовался метод кросс-валидации, причем десятая часть исходного набора назначалась в качестве проверочного набора, а другие 9 частей - обучающие наборы. Результаты исследований приведены на рис. 4. Алгоритмы RandomTree, J48 и SimpleCart дают точность классификации свыше 85%. Наилучшим является алгоритм SimpleCart, дающий 87% точности. Для повышения точности классификации множество исследуемых алгоритмов можно, согласно работам И. Фройнда и Р. Шапиро, подвергнуть бустингу

12

(Boosting), который заключается в итеративном повторении исследуемого алгоритма с учетом результатов правильности классификации ГДИС этим алгоритмом на предыдущих итерациях. Результаты сравнения точности классификации данных ГДИС различными алгоритмами без бустинга и после бустинга показали, что большинство из них дают прирост точности в 1-2% относительно результатов, приведенных на рис. 4. Результаты итеративного применения бустинга для более точных алгоритмов представлены на рис. 5. Использование бустинга повысило точность классификации на 6% для алгоритма J48, реализующей) метод деревьев решений.

»111

Я S '

нлзвшиеыетоял^жоритш)

1 ✓ /

1 1 1

11 ЧУ / с

Г- /

S *

Рис. 4. Оценка точности алгоритмов Рис. 5. Результаты бустинга алго-

классификации ритмов .148, 8ппр1еСаг1 и ЯапёотТгее

В результате максимальная точность классификации алгоритмом .148 была достигнута после 11 итераций и равна 92%. Именно этот алгоритм, обеспечивающий практически значимую для газовой отрасли точность, рекомендовано использовать при разбраковке результатов ГДИС.

Таким образом, комплексный алгоритм расчета ТРРС получил развитие за счст добавления этапа автоматической разбраковки результатов ГДИС.

Ежегодно специалисты технологической службы совместно со специалистами геолого-промысловой службы компании планируют на последующий год ряд агрегированных показателей производства компании: уровень валовой добычи газа, уровень добычи конденсата, объемы сдачи газового конденсата, объемы потерь УВС и т.д. Среди них базовым и поэтому наиболее важным для прогноза других показателей является уровень валовой добычи газа. В этой связи задача качественного прогноза уровня валовой добычи газа является всегда актуальной для любой ГДК. Анализ показал, что большое число существующих аналитических моделей и методов (методик) часто дают ошибочные результаты прогноза, поскольку не учитывают множества нестандартных ситуаций при добыче УВС (плановых остановок скважин, внеплановых ремонтов установок комплексной подготовки газа и конденсата и т.д.).

Нами предложен подход к долгосрочному (не менее чем 1 год) прогнозированию уровня валовой добычи газа по месторождению (промыслу) с помощью метода (методики) Бокса-Дженкинса по временному ряду - историческим данным о ежемесячном уровне валовой добычи газа на месторождении. Этот временной ряд соответствует периоду времени с момента ввода месторождения в промышленную эксплуатацию. Метод Бокса-Дженкинса учитывает тот факт,

что данные по ежесуточной валовой добыче газа и, соответственно, но ежемесячной добыче являются элементами временного ряда, которые последовательно зависят друг от друга. Метод основывается на модели авторегрессионного интегрированного скользящего среднего ARIMA, позволяющей предсказывать будущие точки временного ряда.

Возможности метода Бокса-Дженкинса исследовались на исторических данных - ежемесячных уровнях валовой добычи газа за несколько лет для одного из газоконденсатных месторождений Западной Сибири с момента его ввода в промышленную эксплуатацию. Для оценки качества прогноза использовалась средняя ошибка МАРЕ (mean absolute percentage error):

jQ^'-Qf'"-'

МАРЕ

-I

» 4=2

100%,

где С?,"1""11"'' - прогнозное значение уровня валовой добычи газа в ¡-м месяце, С^"" - фактическое значение уровня валовой добычи газа в ¡-м месяце, п - число месяцев.

Ш!МШ!ШШШШН01

pVw4

S s S !. S Н i ! S 5 5 S ! 5 ! 3 ! S i !

I

а б

Рис. 6. Результаты прогноза уровня валовой добычи газа а - случай полного временного ряда, б - случай скорректированного ряда

Результаты исследований приведены на рис. 6а, МАРЕ = 12.8%. Показано, что данные о валовой добыче газа, полученные на этапе вывода фонда скважин на проектное число скважин (с 01.05.1999 г. по 01.02.2002 г.), вносят значительные искажения в модель АШМА и поэтому прогнозный временной ряд после 01.02.2011 г. ведет себя неправдоподобно. Учитывая это, предложено убрать начальную часть временного ряда (период с 01.05.1999 г. по 01.02.2002 г.), в течение которого осуществлялся ввод новых газовых скважин до выхода промысла на проектный уровень валовой добычи газа. Результаты прогноза на год (с 01.10.2011 г. по 01.10.2012 г.), когда исследования проводились на обновленной модели АШМА, представлены на рис. 66. МАРЕ значительно уменьшилась и составила 8.08%. Отметим, что прогноз на год уровня валовой добычи этого же месторождения, сделанный специалистами ГДК на тот же период по одной из распространенных в газовой отрасли методик (основана на построении гидродинамической модели месторождения), дал ошибку МАРЕ =

21.84%. Это означает, что предложенный подход позволяет осуществить прогноз добычи газа на последующий год с более высокой точностью.

В четвертом главе описывается программное обеспечение СУП и результаты апробации системы и ее внедрения в ГДК ОАО «Томскгазнром».

Проведен выбор среды разработки и языков программирования. Использовались современные среды разработки CodeGear Delphi Studio 2007 (язык Delphi) и Microsoft Visual Studio 2010 (язык СИ). В качестве СУБД была выбрана система Microsoft SQL Server 2008 R2. Помимо коммерческой системы Microsoll Analysis Services для ИАД использована свободно распространяемая библиотека Weka.

В ходе апробации и внедрения СУП в ОАО «Томскгазпром» была решена задача интеграции СУП с внедренной в этой ГДК корпоративной геоинформационной системой управления (КГСУ) «Магистраль-Восток», созданной в Институте кибернетики Томского политехнического университета.

Рис. 7. Обобщенная схема интеграции СУП и КГСУ «Магистраль-Восток».

При этом в состав АРМов СУП вошли некоторые модули КГСУ (интеграция по функциям). В качестве базы производственных данных СУП использована БД КГСУ «Магистраль-Восток» (интеграция по данным). Обобщенная схема интеграции этих систем представлена на рис. 7. Модули КГСУ «Магистраль-Восток» и систем третьих производителей показаны на рис. 7. серым.

Результаты апробации СУП в ОАО «Томскгазпром» подтвердили эффективность разработанных алгоритмических и программных средств системы и их практическую значимость. На основе результатов декомпозиции основных

производственных бизнес-процессов с помощью метода стоимостного анализа была сделана оценка экономического эффекта от внедрения СУП в ГДК ОАО "Томскгазпром".

В заключении приведены основные полученные в диссертационной работе результаты и сделанные выводы.

В приложения вынесены акты о внедрении полученных результатов и материалы справочного характера.

Основные результаты и выводы

В ходе выполнения диссертационной работы были получены основные научные и практические результаты и сделаны следующие выводы.

1. Проведен анализ результатов работ ряда исследователей по проблеме автоматизации управления непрерывным производством ГДК и анализ алгоритмического и программного обеспечения существующих систем управления производством в газовой отрасли. Сделаны выводы о том, что существующие системы не обладают требуемой функциональностью и лишь иногда имеют в своем составе функции НАД. По результатам анализа поставлена цель создания алгоритмического и программного обеспечен™ системы управления производством ГДК, причем для повышения качества управления производством в этой системе должны реализовываться методы ИАД.

2. Предложены принципы создания и разработана архитектура СУП, отличающаяся от архитектуры традиционных систем управления производством таких компаний ведущей ролью хранилища производственных данных, тематических витрин данных и подсистемы ИАД. Разработаны структуры ХПД и тематических витрин данных.

3. Разработан алгоритм формирования диспетчерских сводок. В результате проведенных исследований показано, что он позволяет производить формирование сводок в практически значимых случаях быстрее, чем традиционные алгоритмы.

4. Предложен оригинальный способ оперативного прогноза среднечасового уровня добычи УВС, основанный на нейросетевом методе и дающий, как показали исследования, практически приемлемую точность прогнозирования.

5. Разработаны алгоритмы расчета технологического режима работы газовых скважин. При этом предложен подход к разбраковке результатов гидродинамических исследований скважин, путем решения задачи бинарной классификации. Сделан вывод о возможности производить автоматическую разбраковку результатов этих исследований.

6. Разработан подход к долгосрочному прогнозированию уровня валовой добычи газа но временному ряду из ежемесячных уровней добычи газа по месторождению. Результаты проведенных исследований показали, что он обеспечивает точность прогноза выше, чем у широко применяемых в газовой отрасли методик прогноза валовой добычи газа.

7. Создано программное обеспечение СУП. Объем исходного кода разработанных программных средств составляет более 15000 строк кода на языках С#, Delphi, T-SQL, MDX и DMX.

8. Проведены апробация и внедрение разработанного алгоритмического и программного обеспечения СУП в газдобывающей компании ОЛО «Томскгаз-пром», при этом СУП была интегрирована с корпоративной геоинформацион-iioii системой управления «Магистраль-Восток». На основе результатов декомпозиции основных производственных бизнсс-нроцсссов с помощью метода стоимостного анализа была сделана оценка экономического эффекта от внедрения СУП. Результаты апробации подтвердили эффективность разработанной архитектуры, алгоритмических и программных средств СУП.

Основные публикации по теме диссертации

Статьи, опубликованные в шдаминх ш перечня ВАК:

1. Богдан С.А., Ковин Р.В., Кудинов A.B., Марков Н.Г. Инструментальные средства разработки систем оперативного диспетчерского управления газотранспортными сетями // Известия Томского политехнического университета. — 2006, — Т.309— №7, — С. 74-80.

2. Bogdan S.A., Kudinov A.V., Markov N.G., Rodikevich S.S. Automation of monitoring in gas producing company // Bulletin of the Tomsk Polytechnic University. — 2007. — V. 311 — № 5. — P. 27-32.

3. Богдан C.A., Кудинов A.B. Принципы построения систем принятия решений для оперативного диспетчерского управления в MES газодобывающих компаний // Известия Томского политехнического университета. — 2007. — Т.313 —№5, —С. 153-157.

4. Богдан С.А., Кудинов A.B., Марков Н.Г. Опыт внедрения MES «Магистраль-Восток» в нефтегазодобывающей компании // Автоматизация в промышленности. — 2010. — №8. — С. 53-58.

5. Вейбер В.В., Богдан С.А., Кудинов A.B., Марков Н.Г. Концепция построения платформы для интеграции производственных данных нефтегазодобывающей компании // Известия Томского политехнического университета. -2011.-№5.-С. 126-131.

Статьи, тсшсы докиадов на междунар. н вееросс. конференциях:

6. Богдан С.А., Кудинов A.B., Марков Н.Г., Мирошниченко Е.А., Острасть П.М., Родикевич С.С. Автоматизация процессов диспетчерского управления нефге- и газотранспортными сетями // Автоматическое управление и информационные технологии. Межвуз. сборник научно-технических работ ученых. -Томск: Изд-во ТПУ. - 2005. - Вып. 1. - С. 56-64.

7. Богдан С.Л., Ковнн P.B. Способ повышения эффективности визуализации цифровых рельефов местности, представленных в виде регулярной сети и описанных большими массивами данных с помощью OPENGL // Современные техника и технологии: Труды XII Междун. научно-практ. конф. студентов и молодых ученых. - Томск: Изд-во ТПУ. - 2006. - С. 36-38.

8. Богдан С.А., Кудинов A.B., Марков Н.Г., Родикевич С.С. Применение геоинформациопной системы «Магистраль-Восток» для решения задач диспетчерского управления в газодобывающей компании // Компьютерные технологии поддержки принятия решений в диспетчерском управлении газотранспортными и газодобывающими системами: Междун. научно-техническая конф. -Москва: Изд-во ВНИИГАЗ. - 2007. - С. 48-53.

9. Богдан С.А., Кудинов A.B., Фам Тхи Зуен Анализ технологий для разработки диспетчерских листов // Сб. трудов VII Всеросс. научно-практ. конф. студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии». - Томск: Изд-во СПБ Графике - 2009. - С. 137-141.

10. Богдан С.А., Кудинов A.B. Реализация подсистемы диспетчерского листа в составе АРМ диспетчера MES Магистраль - Восток на основе концепции ОВА // Технологии Microsoft в теории и практике программирования: Сб. трудов VI Всероссийской, научно-практической конф. студентов, аспирантов и молодых ученых. - Томск: Изд-во ТПУ. - 2009. - С. 82 - 84.

11. Bogdan S., Kudinov A., Markov N. Example of implementation of MES Magistral-Vostok for oil and gas production enterprise // Proceedings of 5-th Central and Eastern European Software Engineering Conference (CEE-SECR'2009). -Moscow: IEEE - ISBN 978-1 -4244-5664-2. - 2009. - P. 131-136.

12. Bogdan S., Kudinov A., Markov N. Manufacturing Execution Systems Intel-lectualization: Oil & Gas Implementation Sample // Proceedings of 1-st International Conference on Model & Data Engineering (MEDT2011). - Portugal, Obidos. - L. Bellatreche and F. Mota Pinto (Eds.). - Springer-Verlag Berlin Heidelberg. —2011. -P. 170-177.

Подписано к печати 13.12.2011. Формат 60x84/16. Бумага «Сноурснка». Печать XEROX. Усл.печ.л. 1,04. Уч.-иэд.л.0,94.

_Заказ 1910-11. Тираж 100 зкз._

Томский политехнический университет Система менеджмента качества Томского политехнического университета сертифицирована NATIONAL QUALITY ASSURANCE по стандарту ISO 9001:2008

издательствоЩ'тпу. 634050, г. Томск, пр. Ленина, 30

Тел./факс: 8(3822)56-38-63, www.tpu.ru

ВВЕДЕНИЕ.

ГЛАВА 1. ПРОБЛЕМЫ АВТОМАТИЗАЦИИ ПРОИЗВОДСТВЕННОЙ ДЕЯТЕЛЬНОСТИ ГАЗОДОБЫВАЮЩЕЙ КОМПАНИИ.

1.1. Особенности современных газодобывающих компаний.

1.2. Функции производственно-диспетчерской службы ГДК.

1.3. Бизнес-процессы газодобывающей компании.

1.3.1 Структура бизнес-процессов ГДК.

1.3.2 Бизнес-процессы управления производством.

1.4. Автоматизация бизнес-процессов производства газодобывающей компании

1.4.1 Модель С1М автоматизации сложных производств.

1.4.2 Системы класса МЕБ.

1.4.3 Обзор современных МЕ8-систем.

1.4.4 Существующие автоматизированные системы управления производством ГДК.

1.5. Задачи интеллектуального анализа данных в управлении производством ГДК.

1.6. Пути автоматизации управления производством.

1.7. Цель работы и задачи исследования.

Крупные компании с непрерывным типом производства, к которым относятся предприятия газовой, металлургической, энергетической и ряда других отраслей промышленности, требуют особого внимания к качеству принимаемых их менеджерами и техническим персоналом управленческих решений. Это связано, прежде всего, со сложностью как самих бизнес-процессов производства, так и сопутствующих вспомогательных процессов, большой численностью персонала, большой номенклатурой оборудования, а зачастую и продукции. В конечном итоге качество принятых управленческих решений влияет на конечные, финансовые результаты работы предприятия в целом, что делает актуальными исследования в области управления производством. Особенности компаний с непрерывным типом производства приводят к сложной, далеко неидеальной структуре управления. Кроме того, в управлении такими компаниями могут сказываться системные ошибки, вызванные рядом причин.

Однако существуют способы решения этих проблем: внедрение систем менеджмента качества [103], постоянное обучение персонала и т.д. В результате применения этих способов происходит снижение производственных затрат, однако наибольший эффект в этом направлении все же достигается при использовании современных средств информатизации компании в целом и автоматизации производства в частности [1,61,71,113,111,114,153]. При этом управление производством и компанией в целом может быть выведено на принципиально новый уровень качества.

Логически обоснованная организация информационных потоков позволяет любому участнику производства иметь доступ к производственной информации [24], а для менеджеров высшего звена появляется возможность оперативного контроля, учета и анализа показателей эффективности производства KPI (Key Performance Indicators), что создает предпосылки для принятия более качественных как тактических, так и долгосрочных перспективных решений. При высоком уровне автоматизации производства доступ к производственной информации возможен для руководителей высшего звена из любой точки мира в режиме on-line, что, в свою очередь, снижает риск возникновения неконтролируемых ситуаций на производстве. Это увеличивает эффективность управления компаниями, в том числе и с непрерывным типом производства.

Несмотря на то, что в настоящее время существует множество информационных систем и автоматизированных систем управления различных классов для автоматизации промышленных предприятий, современные исследователи не приходят к единому мнению при формировании методологии автоматизации непрерывных производств. При этом особенности газодобывающих производств накладывают множество дополнительных ограничений и требований к системам управления. Это связано со значительной пространственной распределенностью объектов управления, наличием нескольких уровней иерархии по управлению и т.д. Более того, газовый промысел сегодня - это не полностью контролируемая техно-экологическая система [143], имеющая разнородные системы автоматизированного управления процессами и т.д. Ни существующие мощные автоматизированные системы управления непрерывным производством, ни специализированные решения для газодобывающей компании не учитывают в полной мере вышеуказанные особенности [69,9,11,14].

Такие системы не обладают требуемой функциональностью и, соответственно, неполно автоматизируют деятельность специалистов основных производственных служб компаний. Более того, разработчики систем управления непрерывным производством, в том числе, специализированных систем и программных комплексов для газодобывающих компаний лишь иногда включают в эти системы и комплексы программ функции интеллектуального анализа данных (ИАД), основанные на использовании технологии оперативного анализа OLAP (On-line analysis processing) и технологий data mining (добыча знаний) [77]. В то же время наличие программных средств для ИАД в составе систем управления производством ГДК позволит вывести управление производством на качественно иной, современный уровень.

Все вышесказанное указывает на актуальность разработки новых подходов, алгоритмов и программных средств автоматизации непрерывных производств ГДК, базирующихся на OLAP-технологиях и методах ИАД. Под такими методами понимаются методы математической статистики, прежде всего, разведочного анализа данных, и методы нейросетевого анализа и т.п.

Цель работы и задачи исследования. Целью диссертационной работы является разработка алгоритмического и программного обеспечения системы управления производством (СУП) современной газодобывающей компании, причем для повышения качества управления компанией в этой СУП должны быть реализованы методы интеллектуального анализа данных.

Для достижения поставленной цели необходимо последовательное решение следующих задач:

1. Разработать принципы создания и архитектуру СУП, причем для повышения качества управления производством в основу этой системы следует положить методы ИАД.

2. Разработать алгоритмическое обеспечение СУП, в том числе с использованием современных методов ИАД.

3. Разработать программное обеспечение (ПО) СУП согласно сформулированным требованиям, предложенной архитектуре и разработанным алгоритмам.

4. Провести апробацию и внедрение алгоритмического и программного обеспечения СУП в современной газодобывающей компании.

Методы исследований. В работе использованы методы классификации, нейросетевого анализа данных, деревьев решений, теории алгоритмов, методы объектно-ориентированного проектирования ПО и математической статистики.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих конференциях:

1st International Conference on Model & Data Engineering (MEDI'2011) (r. Обидуш, Португалия, 2011 г.); 5th Central and Eastern European Software Engineering Conference (CEE-SECR) (г. Москва, 2009 г.); VI Всероссийской научно-практической конференции «Технологии Microsoft в теории и практике программирования» (г. Томск, 2009 г.); VII Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии» (г. Томск, 2009 г.); III Международной научно-технической конференции "Компьютерные технологии поддержки принятия решений в диспетчерском управлении газотранспортными и газодобывающими системами" (DISCOM-2007) (г. Москва, 2007 г.); XII Международной научно-практической конференции студентов и молодых ученых «Современные техника и технологии» (г. Томск, 2006 г.).

По результатам работы имеется 12 публикаций, в том числе 5 статей в журналах из списка ВАК.

Основное содержание работы представлено в виде четырех глав.

Во введении обосновывается актуальность работы в данном научном направлении, формулируются цель и задачи исследования.

Первая глава посвящена проблемам автоматизации производственной деятельности газодобывающей компании.

Рассмотрены организационные и функциональные особенности газодобывающего производства как производства непрерывного типа.

Рассмотрены уровни автоматизации газодобывающего производства в рамках иерархической модели CIM. На каждом из её уровней выделены основные задачи автоматизации ГДК. Особое внимание было уделено уровню MES (Manufacturing Execution System - система управления производством).

Проведен анализ результатов работ ряда исследователей методов автоматизации непрерывного производства, а также анализ существующего алгоритмического и программного обеспечения систем управления производством в газовой отрасли.

Сделан вывод об актуальности разработки алгоритмического и программного обеспечения системы управления производством (СУП) ГДК, включающей также средства реализации методов ИАД. Сформулированы цели и задачи диссертационного исследования.

Вторая глава посвящена принципам построения СУП и рассмотрению особенностей предложенной архитектуры системы управления.

Сформированы принципы построения СУП, а также общесистемные и функциональные требования к СУП.

Основными принципами построения СУП являются: Модульный принцип организации системы, принцип централизации производственных данных, принцип расширяемости перечня решаемых задач ИАД, принцип сужения информационных потоков.

С учетом этих принципов и сформулированных требований предложена архитектура СУП, а также структуры хранилища производственных данных и тематических витрин данных для диспетчерской, технологической и геолого-промысловой служб. Рассмотрена модель хранилища производственных данных.

В третьей главе рассмотрено алгоритмическое обеспечение создаваемой системы.

Описаны предложенные алгоритмы формирования диспетчерских сводок и расчета технологического режима работы скважин, а также предложенный оригинальный подход оперативного прогноза среднечасового уровня добычи углеводородного сырья (УВС). Предложен подход к разбраковке результатов гидродинамических исследований скважин, а также подход к долгосрочному прогнозированию уровня валовой добычи газа. Приведены результаты исследований предложенных алгоритмов, способа и реализующих указанные подходы методов ИАД.

Четвертая глава посвящена описанию программного обеспечения (ПО) СУП.

Основное внимание уделено разработанной структуре ПО и описанию ряда модулей системы.

В соответствии с сформулированными ранее принципами и требованиями к системе управления производством газодобывающей компании, а также с учетом предложенной архитектуры разработана система управления производством.

Проведена практическая апробация и внедрение СУП в ГДК ОАО "Томскгазпром". При этом СУП интегрирована с имеющейся в ОАО «Томскгазпром» корпоративной системой управления «Магистраль-Восток». С помощью метода стоимостного анализа была сделана оценка экономического эффекта от внедрения СУП в ОАО «Томскгазпром».

Научную новизну полученных в работе результатов определяют:

1. Архитектура СУП газодобывающей компании, отличающаяся от архитектуры традиционных систем управления производством таких компаний ведущей ролью хранилища производственных данных, тематических витрин данных и подсистемы ИАД.

2. Алгоритм формирования диспетчерских сводок, отличающийся от традиционных алгоритмов наличием таблицы индексов сводок и позволяющий поэтому с большей скоростью, чем традиционные алгоритмы формировать сводки в практически важных случаях.

3. Подход к разбраковке результатов гидродинамических исследований скважин (ГДИС), основанный на методах бинарной классификации и позволяющий исключить эксперта из процесса разбраковки.

4. Оригинальный способ оперативного прогноза среднечасового уровня добычи углеводородного сырья (УВС), дающий практически приемлемую точность прогнозирования на основе ретроспективного анализа совокупности технологических параметров.

5. Подход к долгосрочному прогнозированию уровня валовой добычи газа по временному ряду из ежемесячных уровней добычи газа по месторождению, использующий метод Бокса-Дженкинса и обеспечивающий точность прогноза выше, чем у широко применяемых в газовой отрасли программных решений.

Практическая ценность и реализация результатов работы. Практически значимыми являются разработанные алгоритмы и программные средства СУП, которая функционирует по клиент-серверной технологии и использует в качестве основы СУБД Microsoft SQL Server 2008 R2. Объем исходного кода разработанного ПО системы составляет более 15 ООО строк на языках С#, Delphi, MDX, DMX, T-SQL. СУП была интегрирована с корпоративной геоинформационной системой управления производством (КГСУ) «Магистраль-Восток» и внедрена в её составе в ОАО «Томскгазпром». Внедрение подтверждено соответствующим актом.

Личный вклад:

1. Постановка задач исследования и разработка принципов построения СУП газодобывающей компании выполнены совместно с Марковым Н.Г и Кудиновым А.В.

2. Архитектура СУП газодобывающей компании и структуры хранилища производственных данных в составе СУП и витрин данных и тематических витрин данных в составе СУП разработаны автором совместно с Кудиновым А.В.

3. Автором разработаны алгоритмы расчета технологического режима работы газовых скважин, его программная реализация осуществлена совместно с Мирошниченко Е.А.

4. Алгоритм формирования диспетчерской сводки разработан и программно реализован автором.

5. Способ оперативного прогноза среднечасового уровня добычи УВС и его программная реализация разработаны лично автором.

6. Подход к разбраковке результатов гидродинамических исследований скважин разработан и реализован лично автором.

7. Подход к долгосрочному прогнозированию валовой добычи газа по месторождению разработан и реализован лично автором.

8. При разработке ПО формирования диспетчерских сводок автор реализовал его серверную часть. Клиентская часть ПО была реализована Ковиным Р.В.

9. Отдельные программные модули для диспетчерского управления реализованы автором совместно с программистами лаборатории Геоинформационных систем Института кибернетики Томского политехнического университета.

Основные положения, выносимые на защиту:

1. Разработанные структуры хранилища производственных данных и тематических витрин данных позволяют эффективно решать различные задачи НАД при управлении производством газодобывающей компании.

2. Разработанный алгоритм формирования диспетчерских сводок позволяет формировать сводки с большим числом параметров быстрее в 1.5-2 раза, чем традиционные алгоритмы.

3. Разработанный подход к разбраковке результатов гидродинамических исследований скважин, позволяет производить разбраковку результатов этих исследований без участия эксперта.

4. Оригинальный способ оперативного прогноза среднечасового уровня добычи УВС дает практически приемлемую точность прогнозирования.

5. Подход к долгосрочному прогнозированию валовой добычи газа по месторождению обеспечивает точность прогноза выше, чем у широко применяемых в газовой отрасли программных решений.

6. Разработанная архитектура, созданное алгоритмическое и программное обеспечение СУП позволяют повысить качество управления производством в газодобывающих компаниях.

Автор выражает глубокую благодарность научному руководителю Заслуженному деятелю науки РФ, доктору технических наук, профессору Н.Г. Маркову за большую помощь в подготовке диссертационной работы, ценные замечания и советы. Автор также благодарит за плодотворные дискуссии доцентов Томского политехнического университета, кандидатов технических наук A.B. Кудинова, Е.А. Мирошниченко, Р.В. Ковина, Ю.Р. Цоя, а также сотрудников лаборатории Геоинформационных систем Томского политехнического университета кандидата технических наук H.A. Шестакова, кандидата технических наук М.В. Копнова и В.В. Вейбера.

4.6. Основные результаты и выводы по главе

1. С учетом требований к СУП осуществлен выбор базовых программных средств и сред для разработки ПО. В качестве сред для разработки ПО использовались среды разработки Codegear Gear Delphi Studio 2007 (язык Delphi) и Microsoft Visual Studio 2010 (язык C#).

2. В качестве OLAP-решения для работы с ХПД, тематическими витринами данных и для управления базой производственных данных выбрана СУБД Microsoft SQL Server 2008 R2 и её подсистема Microsoft Analysis Services. Кроме того, в качестве программных средств для ИАД выбрана также известная библиотека Weka.

3. На основе сформулированных ранее принципов и требований к системе управления производством, а также предложенной её архитектуры разработана структура программного обеспечения СУП. Созданы структуры хранилища производственных данных и трех тематических витрин данных.

4. Разработан набор программных модулей СУП. Среди них модуль классификации ГДИС, модуль оперативного прогноза уровня среднечасовой добычи газа, модуль расчета ТРРС и т.д. Разработано серверное программное обеспечение СУП. Созданное ПО позволяет решать как традиционные для газовой отрасли задачи, так и аналитические задачи (задачи ИАД, возникающие в ходе управления производством ГДК). При их решении идет обращение за данными к хранилищу данных и к тематическим витринам данных.

5. Проведена интеграция СУП с корпоративной геоинформационной системой управления (КГСУ) «Магистраль-Восток», внедренной в ОАО «Томскгазпром».

6. С использованием ряда программных модулей КГСУ «Магистраль-Восток» и созданных программных модулей СУП были реализованы полнофункциональные АРМы Диспетчера, Промыслового геолога и Технолога.

7. Проведена практическая апробация СУП на производственных данных ОАО «Томскгазпром» при решении практически важных задач. Осуществлено её внедрение в ОАО «Томскгазпром». Положительные результаты апробации системы на больших объемах реальных данных позволили считать СУП эффективной системой управления производством современной ГДК. Результаты подтверждены соответствующим актом. 8. На основе декомпозиции бизнес-процессов ОАО «Томскгазпром» с помощью метода стоимостного анализа была сделана оценка экономического эффекта от внедрения СУП в ОАО «Томскгазпром».

Заключение

Современная экономическая ситуация требует от газодобывающих предприятий постоянного внедрения как новых технологий добычи, подготовки и переработки углеводородного сырья, так и внедрения автоматизированных систем управления, которые бы отвечали современным требованиям газовой отрасли.

В диссертационной работе ставилась цель создания алгоритмического и программного обеспечения системы управления производством ГДК. При реализации этой цели были получены следующие основные научные и практические результаты и сделаны выводы.

1. Проведен анализ результатов работ ряда исследователей по проблеме автоматизации управления непрерывным производством ГДК и анализ алгоритмического и программного обеспечения существующих систем управления производством в газовой отрасли. Сделаны выводы о том, что существующие системы не обладают требуемой функциональностью и лишь иногда имеют в своем составе функции ИАД. По результатам анализа поставлена цель создания алгоритмического и программного обеспечения системы управления производством ГДК, причем для повышения качества управления производством в этой системе должны реализовываться методы ИАД.

2. Предложены принципы создания и разработана архитектура СУП, отличающаяся от архитектуры традиционных систем управления производством таких компаний ведущей ролью хранилища производственных данных, тематических витрин данных и подсистемы ИАД. Разработаны структуры ХПД и тематических витрин данных.

3. Разработан алгоритм формирования диспетчерских сводок. В результате проведенных исследований показано, что он позволяет производить формирование сводок в практически значимых случаях быстрее, чем традиционные алгоритмы.

4. Предложен оригинальный способ оперативного прогноза среднечасового уровня добычи УВС, основанный на нейросетевом методе и дающий, как показали исследования, практически приемлемую точность прогнозирования.

5. Разработаны алгоритмы расчета технологического режима работы газовых скважин. При этом предложен подход к разбраковке результатов гидродинамических исследований скважин, путем решения задачи бинарной классификации. Сделан вывод о возможности производить автоматическую разбраковку результатов этих исследований.

6. Разработан подход к долгосрочному прогнозированию уровня валовой добычи газа по временному ряду из ежемесячных уровней добычи газа по месторождению. Результаты проведенных исследований показали, что он обеспечивает точность прогноза выше, чем у широко применяемых в газовой отрасли методик прогноза валовой добычи газа.

7. Создано программное обеспечение СУП. Объем исходного кода разработанных программных средств составляет более 15000 строк кода на языках С#, Delphi, T-SQL, MDX и DMX.

8. Проведены апробация и внедрение разработанного алгоритмического и программного обеспечения СУП в газдобывающей компании ОАО «Томскгазпром», при этом СУП была интегрирована с корпоративной геоинформационной системой управления «Магистраль-Восток». На основе результатов декомпозиции основных производственных бизнес-процессов с помощью метода стоимостного анализа была сделана оценка экономического эффекта от внедрения СУП. Результаты апробации подтвердили эффективность разработанной архитектуры, алгоритмических и программных средств СУП.

1. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. Петролинк. Режим доступа: http://www.plink.ru/tnm/gl81.htm - Загл. с экрана.

2. Альперович, И. В., ВЕБ-представление производственной информации в демонстрационном проекте Proficy RTIP 2. 6 // Промышленные АСУ и контроллеры. 2007. - № 6. - С. 32-37.

3. Анисимов В.Н., Соломахо K.JI Об эффективности модели ARIMA при прогнозировании экономических процессов // Известия Челябинского научного центра. 2009. - Т.44. - № 2.

4. АРМ Метролога 5.0 работы Режим доступа: http://www.fvn2009.narod.ru/ARMS/ARMM/armm.htm - Загл. с экрана.

5. Ахмедов Ф.Т. Проблемы государственного регулирования газовой отрасли России // Проблемы современной экономики: Евразийский международный научно-аналитический журнал. СПб. — 2004. - № 3 (11).-296 с.

6. Баскин И. И., Палюлин В. А., Зефиров Н. С., Применение искусственных нейронных сетей в химических и биохимических исследованиях // Вестн. Моск. Ун-Та. — Химия. — 1999. — Т.40. — № 5.

7. П.Богдан С.А., Кудинов A.B. Принципы построения систем принятия решений для оперативного диспетчерского управления в MES газодобывающих компаний //Известия Томского политехнического университета, 2008. т.313 - № 5. - С. 153-157.

8. З.Богдан С.А., Кудинов A.B., Марков Н.Г. Опыт внедрения MES «Магистраль-Восток» в нефтегазодобывающей компании // Автоматизация в промышленности, 2010. №8. - С. 53 - 58.

9. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление // Пер. с англ. под ред. В.Ф. Писаренко. М.: Мир. 1994. - 407 с.

10. Болыпой справочник инженера нефтегазодобычи. Разработка месторождений. Оборудование и технологии добычи. Книга 2.- Режим доступа: http://www.professija.ru/contextbookdetail.html?ID=200 Загл. с экрана.

11. Выбор ERP-решений и ИТ-поставщиков Режим доступа: http://www.tadviser.ru/ - Загл. с экрана

12. Вяхирев Р.И. Теория и опыт разработки месторождений природных газов. 1999.-415 с.

13. Гейтс Б. Бизнес со скоростью мысли. Изд. 2-е, исправленное М.: Эксмо, 2007. - 480 е., илл.

14. Грешилов A.A., Стакун В.А., Стакун A.A. Математические методы построения прогнозов. М.: Радио и связь, 1997. 112 с.

15. Гриценко А.И., Алиев З.С., Ермилов О.М. и др. Руководство по исследованию скважин. М.: Наука, 1995. - 522 с.

16. ЗО.Значение слова "Диспетчеризация" в Большой Советской Энциклопедии Режим доступа: http:/fàse.sci-lib.com/article029126.html - Загл. с экрана.

17. Кантер Дж. Управленческие информационные системы: Пер. с англ./Под ред. А.А. Федулова и И. С. Горшкова. М.: Радио и связь, 1982. - 208 е., ил.

18. Ковин Р.В., Кудинов А.В., Марков Н.Г., Богдан С.А. Инструментальные средства разработки систем оперативного диспетчерского управления газотранспортными сетями // Известия Томского политехнического университета, 2006. т.309 - № 7. - С. 74-80.

19. Компания Элеси. Промышленная автоматизация технологических процессов: InfinitySuite Режим доступа: http://elesy.ru/index.php?request=catalogproduction.catalog.positions,2,15 -Загл. с экрана.

20. Кросс-проверка Режим доступа: http://www.statsoft.ru/home/portal/glossary/glossaiytwo/C%5CCrossValidatio n.htm - Загл. с экрана.

21. Крылович А.В. Информационные технологии в управлении предприятием. Режим доступа: http://www.cfin.ru/itni/kis/tops2.shtml7printversion Загл. с экрана.

22. Кудинов А.В., Марков Н.Г. Геоинформационные технологии в управлении пространственными инженерными сетями. Томск: Изд-во ТПУ, 2004. - 176 с.

23. Ларсон Б. Разработка бизнес-аналитики в Microsoft SQL Server 2005. — Спб.: Питер, 2008. — 648 с.

24. Марков Н.Г. Сарайкин А.В. Формирование единого информационного пространства газодобывающей компании // Oil&Gas journal. Russia, 2008. -№3 (16).-С. 34-41.

25. Маслов Д.В. Некоторые вопросы функциональности и производительности WinCC версии 5.1 //Промышленные АСУ и контроллеры. 2003. - №6 - С. 45-46.

26. Мухтарова Г. Автоматизация и управление бизнесом. Внедрение ERP: основные ошибки. ДИРЕКТОР-ИНФО - 2003г - № 36(100).

27. На уровень выше. "Востокгазпром" внедрил современную систему управления производством // Эксперт Сибирь. 2010. - № 15 - 17 с.42000 «Астраханьгазпром» Режим доступа:http://www.astrahangazprom.ru/about/history.php Загл. с экрана.

28. Оперативное управление производственной деятельностью Режим доступа: http://www.indusoft.ru/files/brochures/iHistorianBroshure.pdf -Загл. с экрана.

29. Положение о центральной производственной диспетчерской службе ОАО «Томскгазпром», 2003.

30. Проекты компании Бизнес Технологии Режим доступа: http://www.global-system.ru/index.php?id=51 - Загл. с экрана.

31. Радченко С. Г., Устойчивые методы оценивания статистических моделей: Монография — К.: ПП «Санспарель», 2005. — С. 504.

32. Самарский A.A., Михайлов А.П. Математическое моделирование: Идеи. Методы. Примеры — М: Наука, 1997. — С. 320.

33. Соболева О. Лидеры российского рынка ERP-систем. Режим доступа: http://erp.web-3.ru/erpleaders/ -Загл. с экрана.

34. СТО Газпром 2-3.3-164-2007. Методика по составлению технологического режима промысла (УКПГ), с расчетом технологических параметров от пласта до входа в ГКС. М.: ООО «ИРЦ Газпром», 2008. -63 с.

35. Сюч Э.О., Генаев А.С. Опыт компании «ИндаСофт» в создании MES-систем в различных отраслях промышленности / Control Engineering Россия. Сентябрь. - 2007.- С. 46-49.

36. Терещенко А.Г., Терещенко В.А., Юнак А.Л. Автоматизация процессов управления химико-аналитической службой промышленного предприятия с помощью лабораторной информационно-управляющей системы // Автоматизация в промышленности.2011.№ 10. С. 18-22.

37. Трудовой Кодекс 2010 2011 / ТК РФ 2010 - 2011 / Кзот РФ / Законы о труде - Москва, Санкт-Петербург.

38. Хованова Н.А., Хованов И.А. Методы анализа временных рядов. Учебное пособие. Издательство Государственного учебно-научного центра "Колледж". Саратов. 2001.

39. Шеер А. В. Бизнес-процессы. Основные понятия. Теория. Методы 2000. - 182 с.

40. Шеер А.В. Моделирование бизнес-процессов 2000. - 175 с.

41. Aha D., Kibler D. Instance-based learning algorithms. Machine Learning. 6:37-66. (.1991).

42. А1- Kaabi, A.U, Lee, J.W.: Using Artificial Neural Nets To Identify the Well -Test

43. Aldous, David (1996), "Probability distributions on cladograms", in Aldous, David; Pemantle, Robin, Random Discrete Structures, The IMA Volumes in Mathematics and its Applications, 76, Springer-Verlag, pp. 1-18

44. AMICE Consortium.: Open System Architecture for CIM, Research Report of ESPRIT Project 688, Vol. 1, Springer-Verlag, (1989)

45. ANSI/ISA-95.00.01-2000 Enterprise-Control System Integration Part 1: Models and Terminology -http://www.isa.org/Template. cfm?Section=ShopISA&Template=/Ecommerce /ProductDisplay .cfm&Productid=2612(17.10.2007)

46. APICS Режим доступа: http://www.apics.org/default.htm - Загл. с экрана

47. Azevedo, A., Santos, М.Р.: KDD, SEMMA and CRISP-DM: A parallel overview. In:IADIS European Conference Data Mining, Amsterdam, July 2428, pp. 182-185 (2008)

48. Bernus P., Nemes L., Williams T.J.: Architectures for Enterprise Integration. London: Chapman & Hall, (1996)

49. Bogdan S., Kudinov A., Markov N. Manufacturing Execution Systems Intellectualization: Oil & Gas Implementation Sample//L. Bellatreche and F. Mota Pinto (Eds.): MEDI 2011, LNCS 6918, pp. 170-177, 2011. © SpringerVerlag Berlin Heidelberg 2011

50. Bogdan S., Kudinov A., Markov N. Example of implementation of MES Magistral-Vostok for oil and gas production enterprise//2009 5-th Central and Eastern European Software Engineering Conference in Russia (CEE-SECR). Moscow, 28-29 Oct. 2009 p. 131 136.

51. Bogdan S.A., Kudinov A.V., Markov N.G., Rodikevich S.S., Automation of monitoring in gas producing company // Bulletin of the Tomsk Polytechnic University, 2007. V. 311, - № 5 p.27-32.

52. Book: Applying Manufacturing Execution Systems Author: Michael Mcclellan Publishing Date: Aug 1997 Publisher: Crc Press Number of Pages: 208

53. Breiman L., Friedman J.H., Olshen R. A., Stone C. J., Classification and Regression Trees. Wadsworth International Group, Belmont, California. (1984).

54. Breiman L., Random Forests. Machine Learning. 45(l):5-32. (2001).

55. Brent M. Instance-Based learning: Nearest Neighbor With Generalization. Hamilton, New Zealand. (1995).

56. Chen D., Vallespir B., Doumeingts G.: GRAI integrated methodology and its mapping onto generic enterprise reference architecture and methodology. Computers in Industry. V33, 387-394. (1997)

57. Choudhary, A., Harding, J., Tiwari, M.: Data mining in manufacturing: a review based on the kind of knowledge. Journal of Intelligent Manufacturing 20 (5), (2009).

58. Christo C., Cardeira C.: Trends in Intelligent Manufacturing Systems. ISIE 2007. June 4-7, 2007. Vigo: IEEE 3209 - 3214 (2007).

59. Cleary J. G., Leonard E. Trigg: K*: An Instance-based Learner Using an Entropic Distance Measure. In: 12th International Conference on Machine Learning, 108-114, 1995.

60. Cohen W.W.: Fast Effective Rule Induction. In: Twelfth International Conference on Machine Learning, 115-123, 1995.

61. Cohen, W.: Fast Effective Rule Induction. In: Proc. of the 12th International Conference on Machine Learning, pp. 115-123 (1995).

62. DBCC DROPCLEANBUFFERS (Transact-SQL) Режим доступа: http://msdn.microsoft.com/en-us/library/msl87762.aspx - Загл. с экрана.

63. Deming, W. Е. (1975) On probability as a basis for action, The American Statistician, 29(4), pp. 146-152

64. Demiroz G., Guvenir A.: Classification by voting feature intervals. In: 9th European Conference on Machine Learning, 85-92, 1997.

65. Diebold, F.X. and Mariano, R.: Comparing Predictive Accuracy. Journal of Business and Economic Statistics, 13, 253-265. (1995)

66. Enterprise Models & Methodologies Режим доступа: http://pera.net/ - Загл. с экрана

67. Frank Е., Hall М., Bernhard Pfahringer: Locally Weighted Naive Bayes. In: 19th Conference in Uncertainty in Artificial Intelligence, 249-256, 2003.

68. Frank E., Ian H. Witten: Generating Accurate Rule Sets Without Global Optimization. In: Fifteenth International Conference on Machine Learning, 144-151, 1998.

69. Freund, Y., Mason, L.: The alternating decision tree learning algorithm. In: Proceeding of the Sixteenth International Conference on Machine Learning, Bled, Slovenia, 124-133,1999.

70. Frost & Sullivan: Market Overview, Frost & Sullivan (2010), Режим доступа: http://www.frost.com/prod/servlet/report-toc.pag?repid=N668-01-00-00-00- Загл. с экрана

71. Gang Niu, Bo-Suk Yang, Dempster-Shafer regression for multi-step-ahead time-series prediction towards data-driven machinery prognosis // Mechanical Systems and Signal Processing. 2009. - V. 23, Issue 3, 2009, PP. 740-751

72. Gardner M. J., Altman D. G. Calculating confidence intervals for proportions and their differences. In: Gardner MJ,Altman DG, eds. Statistics with confidence. London: BMJ Publishing Group, 1989:28-33

73. Hall M., Frank E.: Combining Naive Bayes and Decision Tables. In: Proceedings of the 21st Florida Artificial Intelligence Society Conference (FLAIRS), 318-319,2008.

74. Hammer M., Champy J. Reengineering the corporation: A manifesto for business revolution — 1993. — 223 p. 1st edition.

75. Hammer, M., Champy, J.: Reengineering the Corporation: A Manifesto for Business Revolution. HarperBusiness, (1994)

76. Hand, D. J., Mannila, H., Smyth, P.: Principles of Data Mining, Massachusetts Institute of Technology, 378. (2001)

77. Harrington J.: Computer integrated manufacturing. New York: Industrial Press, (1973) Interpretation Model ,SPE 28151. (1993)

78. Holmes G., Pfahringer В., Kirkby R., Frank E., Mark Hall: Multiclass alternating decision trees. In: ECML, 161-172,2001.

79. Holte R.C., Very simple classification rules perform well on most commonly used datasets. Machine Learning. 11:63-91. (1993).

80. Iba W., Langley P., Induction of One-Level Decision Trees. Proceedings of the Ninth International Conference on Machine Learning. (1992).

81. IDEF0 Function Modeling Method - Режим доступа: http://www. idef.com/IDEF0.htm/ - Загл. с экрана.

82. Inmon В., Strauss D., Neushloss G. DW 2.0 Architecture for the Next Generation of Data Warehousing. Elsevier Press, 2008.

83. International Organization for Standartization (ISO) Режим доступа: http://www.iso.org/ - Загл. с экрана.

84. John G., Langley P.: Estimating Continuous Distributions in Bayesian Classifiers. In: Eleventh Conference on Uncertainty in Artificial Intelligence, San Mateo, 338-345, 1995.

85. Kalapanidas E., Avouris N., Craciun M. and Neagu D., Machine Learning Algorithms: A study on noise sensitivity, in Y. Manolopoulos, P. Spirakis (ed.), Proc. 1st Balcan Conference in Informatics 2003, pp. 356-365,Thessaloniki, November 2003.

86. Kanter, J.: Management-Oriented Management Information Systems, 2nd, Prentice Hall, 484 (1977)

87. Klosgen W., Zytkow J.M. (eds.), Handbook of data mining and knowledge discovery, Oxford Press, 2002.

88. Kohavi R. "A study of cross-validation and bootstrap for accuracy estimation and model selection". Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence 2 (12): 1137-1143.(Morgan Kaufmann, San Mateo), (1995).

89. Lee, J., Ni, J., Djurdjanovic, D., Qiu, H., Liao, H (2006). Intelligent prognostics tools and e-maintenance. Computers in Industry, 57,476-489.

90. Littlefield, M. & Shah, M.: Management Operation Systems. The Next Generation of Manufacturing Systems, Aberdeen Group, 19. (2008)

91. Logica, MES Product Survey 2010, Logica, 526. (2010), Режим доступа: http://www.mescc.com/mes-report.html - Загл. с экрана.

92. Marakas G. М. Decision support systems in the twenty-first century. -Upper Saddle River, N.J.: Prentice Hall, 1999. 521 p.

93. MES Product Survey 2009 Режим доступа: http://www.mescc.com/mes-report.html - Загл. с экрана

94. MES Product Survey 2011. Режим доступа: http://www.mesa.org/knowledgebase/details.php?id=34 Загл. с экрана.

95. MES система ФОБОС Режим доступа: http://www.fobos-mes.ru/ -- Загл. с экрана.

96. MES: как разогнать ИТ-зоопарк, Р. Котельников Режим доступа: http://www.eф-online.ш/phparticles/shownewsone.php?nid=394 - Загл. с экрана

97. MESA Conference Russia 2009 Режим доступа: http://mesaconf.ru/7mesa.ru - Загл. с экрана

98. MESA International Режим доступа: http://www.mesa.org/ Определения MESA - Загл. с экрана

99. MESA International, Режим доступа: http://www.mesa.org/en/modelstrategicinitiatives/MESAModel.asp - Загл. с экрана.

100. Microsoft SQL Server 2005 Режим доступа: http://www.microsoft.com/rus/licensing/products/server/sqlserver2005.mspx - Загл. с экрана

101. Microsoft: Case study. Oil and Gas Company Expanding Business, Improving Quality with Easy-to-Use System, Режим доступа: http://www.microsoft.com/casestudies/CaseStudyDetail.aspx?casestudyid=4 000005301 - Загл. с экрана.

102. Mukherjee I, Schapire R. A theory of multiclass boosting. In Advances in Neural Information Processing Systems 23, 2011.

103. Mullin M., Sukthankar R. Complete Cross-Validation for Nearest Neighbor Classifiers. — Proceedings of International Conference on Machine Learning. — 2000. — С. 1137-1145.

104. Nagalingam S. V., Grier C.I. Lin.: Latest developments in CIM. Robotics and Computer Integrated Manufacturing 15, 423-430. (1999)

105. Ngai, E., Xiu, L., Chau, D.: Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications 36 (2), 2592-2602. (2009)

106. Novakovic J., Minic M., Veljovic A. Genetic Search for Feature. Selection in Rule Induction Algorithms Serbia, Belgrade, November 23-25, 2010. 18th Telecommunications forum TELFOR 2010

107. OPC Foundation What is OPC http://www.opcfoundation.org/Default.aspx/01about/01whatis.asp?MID=Ab outOPC - Загл. с экрана

108. Oracle Business Intelligence Discoverer Режим доступа: http://www.oracle.com/technology/products/discoverer/index.html - Загл. с экрана.

109. PC Week/RE №10 (568), 27 марта — 2 апреля 2007 «Модели архитектуры ИС предприятия: расцвет многоклеточных» И. Маляренко

110. Postula М., A Purpose Built MES Architecture. White paper. 2007.

111. Quinlan R., C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San Mateo, С A. (1993).

112. Quinlan, J. R.: C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers (1993)

113. Quinlan, J. R.: Improved use of continuous attributes in c4.5. Journal of Artificial Intelligence Research, 4:77-90. (1996)

114. Rapid Miner Режим доступа: http://rapid-i.com/ - Загл. с экрана.

115. Ron Kohavi: The Power of Decision Tables. In: 8th European Conference on Machine Learning, 174-189, 1995.

116. SCADA Reports Make it easy - http://www.scadareports.ru/ru/demo -Загл. с экрана.

117. SCAD A-системы, или муки выбора Надежда Куцевич, ЗАО РТСофт Режим доступа: http://www.asutp.ra/?p=600055 - Загл. с экрана

118. Shaohong J., Qingjin М., Research on MES Architecture and Application for Cement Enterprises// ICCA 2007. IEEE International Conference on Control and Automation. Guangzhou 2007. pp. 1255 1259.

119. Shaohong J., Qingjin M.: Jinan Research on MES Architecture and Application for Cement Enterprises. ICCA 2007. May 30 June 1, 2007. -Guangzhou: IEEE 1255 - 1259. (2007)

120. Simatic IT Режим доступа: http://www.simatic-it.ru/concept/advantages.htm - Загл. с экрана

121. Sterner, М.: Bioenergy and Renewable Power Methane in Integrated 100% Renewable Energy Systems. Kassel university press, 84. (2009)

122. Stluka P., Marík K. Well Performance Monitoring by Statistical Processing and Classification of Well Test Data//20th European Symposium on Computer Aided Process Engineering ESCAPE2010. S. Pierucci and G. Buzzi Ferraris (Editors). Elsevier, 2010.

123. Swarbrick B. BI Architecture: What is the Best Choice for My Organization. Information Management Special Reports, January 8, 2008 http://www.information-management.com/specialreports/200754/100005211 .html Загл. с экрана

124. TFlexCelGrid Class http://www.tmssoftware.com/flexcel/doc/TFlexCelGrid.html Загл. с экрана

125. The multidimentional data model http://d0cs.0racle.c0m/cd/B 1203701 /olap. 101/b 10333/multimodel.htm1. Загл. с экрана

126. The University of Waikato Режим доступа: http://www.cs.waikato.ac.nz/ml/weka/ - Загл. с экрана

127. Turban, E. Decision support and expert systems: management support systems. Englewood Cliffs, N.J.: Prentice Hall, 1995. - 887 p.

128. Van Dyk, L.: Manufacturing execution systems, MEng dissertation, University of Pretoria, Pretoria, (1999)

129. What if-analysis defenition Режим доступа: http://www.businessdictionary.com/definition/what-if-analysis.html - Загл. с экрана.

130. Williams J.R.: The Purdue Enterprise Reference Architecture and Methodology (PERA). Computers in Industry, 24(2-3): 141-158, (1994)

131. Williams, T. J.: A Reference Model for Computer Integrated Manufacturing (CIM). Instrument Society of America, 85 89. (1989)

132. Wu Guo-ping, Cheng Shi, Ao Min-si, Xu Zhong-xiang, Xu Hong-yan: Application of Grey-Cascade Neural Network Model to Reservoir Prediction.WRI World Congress on Computer Science and Information Engineering, CSIE, vol. 6, 12-16, (2009)

133. Yin Xing-Yao, Wu Guo-Chen, Yang Feng-Li.: Predicting oil and gas reservoir and calculating thickness of reservoir from seismic data using neural network. ICSP. Oct. 14-18, 1996. Beijing: IEEE vol. 2, 1601 - 1604. (1996)