автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Разработка информационно-аналитической системы для управления качеством при производстве асфальтобетонных смесей

На правах рукдпмеи

"¡[¡Уф

БАЛАНЦЕВА МАРИЯ АЛЕКСАНДРОВНА

РАЗРАБОТКА ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ ДЛЯ УПРАВЛЕНИЯ КАЧЕСТВОМ ПРИ ПРОИЗВОДСТВЕ АСФАЛЬТОБЕТОННЫХ СМЕСЕЙ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

- 8 НОЯ 2012

Москва-2012

005054551

Работа выполнена на кафедре «Автоматизированные системы управления» в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования Московском автомобильно-дорожном государственном техническом университете (МАДИ).

Научный руководитель

Николаев Андрей Борисович, Заслуженный деятель науки РФ, доктор технических наук, профессор, МАДИ, декан факультета «Управление»

Официальные оппоненты

Суворов Дмитрий Наумович, доктор технических наук, профессор, профессор кафедры «Автоматизация производственных процессов» МАДИ

Морщилов Максим Витальевич кандидат технических наук, старший научный сотрудник ООО «ВИРАЖ»,

г.Москва

Ведущая организация: Научно-исследовательский институт материалов, конструкций и новых технологий (НИИ МК и НТ), г.Москва.

Защита состоится 22 ноября 2012 г. в Ю00 часов на заседании диссертационного совета Д.212.126.05 при Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Московский автомобильно-дорожный государственный технический университет (МАДИ)» по адресу: 125319, г. Москва, Ленинградский проспект, д.64, ауд. 42.

Телефон для справок: (499) 155-93-24.

С диссертацией можно ознакомиться в библиотеке МАДИ.

Автореферат разослан19 октября 2012 года.

Отзывы на автореферат в двух экземплярах, заверенные печатью организации, просим направлять в адрес диссертационного совета университета, а копии отзывов присылать по электронной почте: uchsovet@madi.ru

Ученый секретарь диссертационного совета, кандидат технических наук, доцент

Михайлова Н.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы

Контроль качества асфальтобетонных смесей является актуальной задачей, так как от него напрямую зависит качество дорожного покрытия и, как следствие, безопасность дорожного движения. Обеспечение качества дорожного покрытия осложняется тем, что технологические процессы производства асфальтобетонных смесей (АБС) весьма сложны. И, несмотря на накопленный опыт в этой области, проблема далека от разрешения. Срок службы асфальтобетонных покрытий в нашей стране существенно ниже аналогичных показателей промышленно развитых стран. Низкий срок службы асфальтобетонных покрытий связан с высокой вариацией качества асфальтобетона. Это происходит из-за нестабильности характеристик компонентов, неконтролируемых изменений свойств смеси при ее транспортировке, нестабильности параметров ее укладки и уплотнения. Особо остро эта проблема встает при использовании местных материалов. Основные слагаемые успешной реализации программы качества при устройстве дорожных покрытий состоят в создании эффективной системы контроля качества, как на стадии устройства покрытия, так и на предприятиях-изготовителях, производящих асфальтобетонные смеси. Наличие сбоев и выход из строя оборудования характерны даже для самых современных и высокоточных отраслей промышленности. В этом случае крайне важной становится проблема оценки качества произведенной продукции на возможно более ранней стадии.

Применительно к асфальтобетону технология производства - это совокупность методов подготовки щебня, песка, минерального порошка и битума, их перемешивания, доставки на объект, укладки, уплотнения и при необходимости ухода (т.е. обеспечения особых условий формирования требуемых строительно-технических свойств). В процессе технологических операций должно происходить направленное структурообразование асфальтобетона.

В условиях асфальтобетонного завода (АБЗ) реальным направлением решения данной проблемы является создание систем управления, компенсирующих нестабильность характеристик и стабилизирующих качество готовой асфальтобетонной смеси, что и определяет актуальность настоящей диссертационной работы.

В диссертации проведено исследование различных методов и систем управления качеством асфальтобетона, и показано, что использование современных технологий обработки и анализа данных является перспективным направлением исследований. Это позволит по результатам аналитической обработки проектировать состав смеси с большей эффективностью и точностью, а также осуществлять контроль качества материалов и давать объективную и своевременную оценку будущим показателям качества готового дорожного покрытия.

Цель и основные задачи исследования

Цель диссертационной работы состоит в повышении качества производимых АБС за счет использования информационно-аналитической системы, в которой реализованы алгоритмы обработки и анализа данных на этапах проектирования состава АБС и их производства, с учетом эксплуатационных характеристик дорожного покрытия.

Задачами автоматизации обработки данных о качестве АБС являлись:

^ контроль качества материалов, используемых в АБС; ^ проектирование состава АБС на основе действующей нормативно-

технической документации; ✓ эффективное управление качеством продукции асфальтобетонного завода (АБЗ);

^ снижение влияния человеческого фактора на качество продукции и облегчение труда специалистов-материаловедов.

Решение поставленных выше задач включает в себя следующие основные части:

^Сравнительный анализ и исследование различных способов обработки и анализа данных с целью выбора оптимального решения, позволяющего провести наиболее полную автоматизированную обработку.

2. Разработка методики повышения эффективности управления качеством асфальтобетона.

3. Разработка и реализация алгоритмов обработки и анализа данных на этапах проектирования состава АБС и их производства, с учетом эксплуатационных характеристик дорожного покрытия.

4. Разработка методики и построение модели для прогноза качества дорожного покрытия.

5.Разработка специализированного программного обеспечения, позволяющего определять и регистрировать количественно качественный состав смеси, а также оценивать будущее эксплуатационное состояние дорожного покрытия на основе разработанной аналитической модели.

Научная новизна

Научная новизна диссертации состоит в теоретической и практической реализации методов и моделей прогнозирования показателей качества покрытия, интеграции современных технологий обработки и интеллектуального анализа данных для решения поставленных задач, разработке структуры взаимодействия информационно-аналитической системы управления качеством асфальтобетонных смесей с комплексной АСУ АБЗ.

На защиту выносятся: • модифицированный алгоритм подбора оптимального содержания

битума в асфальтобетонной смеси;

• методика кластеризации (сегментации) и предобработки данных для построения прогноза; .

• модели прогнозирования физико-механических показателей АБС и алгоритм прогнозирования, реализованный в модуле Data Miner;

• концептуальная модель базы данных для хранения информации о результатах процесса формирования и контроля качества АБС. Теоретическая и методологическая основа исследования Результаты диссертационной работы получены на основе

использования технологий интеллектуального анализа данных, теории баз данных, ITIL-подхода к формированию инфраструктуры программных средств, а также результатов исследования уже наработанных экспериментальных методик управления качеством асфальтобетонных смесей.

Практическая ценность и реализация результатов работы Полученные в диссертации результаты позволяют производить оперативный контроль качества смеси и материалов, прогнозировать качество покрытия, повысить точность проектирования состава и снизить количество ошибок, связанных с человеческим фактором, использовать получаемую информацию для установления сложных многофункциональных зависимостей в вопросах управления качеством асфальтобетона. Это позволяет использовать данные результаты для планирования сроков ремонтных работ, организации эффективного взаимодействия между всеми участникам технологического процесса. Научные результаты, полученные в диссертации, доведены до практического использования. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения на ряде предприятий, а также используются в учебном процессе в Московском автомобильно-дорожном государственном техническом университете (МАДИ).

Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение:

• на Российских, межрегиональных и международных научно-технических конференциях и семинарах (2009-2012 гг.);

• на заседаниях кафедры АСУ МАДИ.

Структура работы соответствует списку перечисленных задач, содержит описание разработанных методик и моделей. СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, приведено краткое изложение основных разделов диссертации.

В первой главе диссертации рассматриваются и анализируются основные проблемы, с которыми сталкиваются производители АБС при использовании существующей технологии.

К настоящему времени накоплен определенный опыт в разработке и эксплуатации систем управления производством АБС, которые охватывают различные уровни управления:

• управление технологическим оборудованием.

• управление качеством готовой продукции.

Проведенный анализ существующих методов управления качеством АБС показал, что их возможности ограничены рамками одного-двух этапов технологического процесса. Используемые методы сбора и обработки информации недостаточны для обеспечения эффективного управления качеством асфальтобетона. Значительное влияние человеческого фактора в процессе ручной обработки данных о пробах при применении различных критериев оценки качества влияют на достоверность предлагаемых решений. Вопросы управления и моделирование систем управления в производстве асфальтобетонной смеси рассматривались в работах Александрова А.Е., Бунькина И.Ф., Суворова Д.Н., Дьяконова В.П. и др. Для проведения исследования были использованы некоторые результаты.

При проведении исследования были также изучены иностранные аналоги комплексных систем и различные подходы к оптимизации производства, такие как, например, APC (Advanced Process Control -усовершенствованное управление); ITIL-подход (Information Technology Infrastructure Library - библиотека инфраструктуры информационных технологий); PDM -системы (Product Data Management — система управления данными об изделии). Кроме того, были изучены разработки в области интеллектуального анализа данных: технологии KDD, OLAP, DM.

В результате проведенного анализа было решено использовать и рекомендовать к внедрению комбинированный подход к реализации технологий анализа и обработки данных на производстве, в зависимости от имеющихся ресурсов и потребностей пользователей.

Во второй главе диссертационной работы описаны основные преимущества предлагаемого подхода к управлению качеством АБС, основанного на обработке и анализе данных, получаемых со всех этапов жизненного цикла АБС.

Разработана структура информационного взаимодействия системы управления качеством АБС с комплексной системой управления АБЗ и другими подсистемами. Для этого был рассмотрен процесс эволюции качества АБС на выходе АБЗ (рисунок 1). Состояния +К1,+К2,... + KN . ЭТо состояния удовлетворительного качества асфальтобетонной смеси. Причем +К1> + К2>...> +KN. Под действием совокупности внешних факторов из-за накопления отклонений качество смеси ухудшается от +К1 до +KN. При дальнейшем накоплении отклонений качество смеси станет неприемлемым -K.N. При этом будет выпускаться брак. Задача системы управления состоит в компенсации отклонений таким образом, чтобы качество смеси оставалось приемлемым и стремилось к значению + К1.

Компенсация отклонений |

Рис. 1. Процесс эволюции качества асфальтобетонной смеси на выходе АБЗ

Для отображения свойств асфальтобетонной смеси можно использовать множество вида:

АСФ = {асф1,асф2,...асфкхф} (1)

где: асф, - ¡-ый показатель качества асфальтобетонной смеси; каСф -максимальное количество показателей асфальтобетонной смеси.

Причем свойства асфальтобетонной смеси на выходе АБЗ можно представить в виде:

АСФ = <р(М, ТП, Егп) ^ (2)

где: Ртп - возмущение, действующее на технологический процесс, М -вектор показателей качества компонентов асфальтобетонной смеси, ТП - вектор показателей качества и режимов технологического процесса.

В ходе транспортировки асфальтобетонной смеси от завода АБЗ до объекта (операция ТР^г,^ Дг|2,... ее свойства

модифицируются:

АСФ7.Д: =«/(АСФ,ТК„Ргя) (3)

Аналогично свойства готового асфальтобетонного покрытия:

АСФ^ФСАСФ^РЦ,^ (4)

где: АСФ?^ - совокупность свойств асфальтобетона для ¡-ого объекта и ]-ой поставки материалов; Р1_г совокупность показателей качества укладки и уплотнения смеси для ¡-ого объекта; РР[_ - возмущение.

Тогда, располагая информацией об отклонении к-ой выходной характеристики показателей от заданного уровня можно было бы определить требуемое изменение управляющего воздействия.

Однако до настоящего времени технология асфальтобетона не имеет ни одной надежной зависимости вида

ДАСФ?;(С) = Ф [ДАСФтша),йР1:(г),ДРР1_(0], (5)

КОМПОНЕНТЫ

ТЕХНОЛОГИЧЕС ПРОЦЕСС

АСФ,ДД1 АСФ = уНМ.ТП.Ртп.1Т)

Рис. 2. Структура информационного обеспечения системы управления качеством Далее в диссертации описаны методики обработки экспериментальных данных при оценке качества АБС. Приведены алгоритмы моделирования вариаций параметров материалов, состава смеси и технологического процесса и исследованы зависимости показателей качества смеси от этих изменений. Рассмотрены и математически обоснованы конкретные процедуры расчета гранулометрии состава и содержания битума с использованием современных программных средств. Приведены результаты численных экспериментов, подтверждающие эффективность предлагаемых методов.

пригодной для решения задач управления качеством асфальтобетонной смеси.

Преимущества интеллектуального анализа данных, в частности, технологии добычи данных, состоят в том, что грамотно построенные модели позволяют получить решение поставленных задач в условиях неопределенности, не требуя от пользователя знания и выявления природы исследуемых зависимостей.

В соответствии с рассмотренными задачами формируется общая структура информационного обеспечения системы управления качеством (рисунок 2).

размер зерна, [тт]

Рис. 3. Пример измерения функции распределения грансостава асфальтобетонной смеси (период контроля: 200 замесов)

В базе данных «Подбор состава АБ» хранится информация обо всех используемых материалах, результаты их испытаний, расчеты гранулометрических составов. Это позволяет наблюдать изменения свойств материалов с течением времени, как в пределах одного месторождения, так и в пределах определенного периода поставок, осуществляя выборку материалов по тем или иным показателям. В дальнейшем это дает возможность провести оценку свойств смеси для каждого набора свойств минеральных компонентов (рисунок 3).

В диссертации подробно описан алгоритм подбора оптимального содержания битума в асфальтобетонной смеси, реализованный с помощью пакетов Matlab 6.5, Statistica version 8.0, Statistica Neural Networks и универсального пакета EXCEL. Оперативная обработка данных и построение модели проводилось на основании методики, разработанной в МАДИ.

Для исследуемого состава моделировались замесы для каждой партии, и варьировалось содержание битума. Эффективность управления при моделировании оценивалась с использованием системы критериев. Для оценки эффективности управления т-ым показателем качества смеси был использован критерий вида:

J и = -^туХ IZ",, (О - 2™Г]2 (6)

где: z"m(0 - m-ый показатель качества смеси для i-oro замеса,-математическое ожидание для m-ого показателя качества смеси, N -длина реализации.

Для оценки эффективности управления по совокупности всех показателей качества смеси использовался критерий вида:

1 М 1 _

Jl^T-^l^-ZLf (7)

где: М - число оцениваемых показателей качества смеси.

Эффективность управления определяется характером миграции координаты максимума прочности асфальтобетона, и величиной ограничения на расход битума. На рисунке 4 представлены оценки среднего значения, стандартного отклонения, минимума и максимума.

Зависимости представлены, как функции от ошибок измерения (из ряда 0, 1,2, 4, 8, 16%) и времени контроля (из ряда 0, 10, 50 замесов). Результаты изменения частоты контроля (для каждой партии материалов) можно оценить сравнением двух пар графиков.

В результате исследования прочности асфальтобетона с помощью моделирования подбора количества битума, для данного состава подобранных материалов было установлено оптимальное содержание битума, которое хорошо согласуется с экспериментальным содержанием вяжущего материала, которое соответствует требуемым показателям.

Рис. 4. Результаты моделирования управления толщиной пленки битума (частота контроля - каждая партия, ошибка дозирования компонентов равна 0%) В третьей главе разработана оригинальная методика кластеризации и подготовки данных для построения прогноза, которая состоит из последовательного применения процедур очистки и подготовке данных к обработке, методов иерархического кластерного анализа и К-средних. Проверка качества работы методов осуществляется с помощью дисперсионного анализа и анализа графиков описательных статистик. Для исследуемых данных построены классификаторы и реализованы прогнозирующие модели. Классификация может быть проведена с помощью дискриминантного анализа или нейронных сетей. Для построения прогноза внутри каждого кластера строится регрессионная нейронная сеть. В качестве меры повышения эффективности информационного обеспечения предложено по мере накопления данных итеративно улучшать модель с помощью пошагового выполнения сохраненных процедур. В процессе построения модели решена задача нелинейной регрессии в условиях грязных, зашумленных данных со сложными многофакторными зависимостями. Общая схема работы представлена на рисунке 5.

Сбор экспериментальных данных

Систематиз-аиия данных

Поиск модели., объясняющей

и м е ю(д меся дан ны е 1

4г

Проверка полученной модели практикой

К ач ество модели приемлемое?

1 Да

Да

Д осгг-эточно имеющихся данных

Эксплу атаиия

Добавление новых данных

Д о б а ел е ни е/иск люч е ни е факторов

Рис. 5. Общая схема построения модели

В выборке, составленной из элементов одного участка или в объеме одной партии асфальтобетонной смеси, могут появиться такие керны или пробы, результаты испытаний которых резко выделяются из общей совокупности остальных данных. Наличие таких данных не обязательно означает необходимость их очистки или же предотвращения появления. В диссертации рассмотрены способы фильтрации и очистки данных для построения прогноза с использованием программных средств. Этап очистки данных осуществляется в рамках разведочного анализа. На рисунке 6 показаны графики описательной статистики для показателя прочности при сжатии при 20°С.

Далее, для выделения в имеющихся данных однородных групп, массив данных обрабатывается методами кластерного анализа. Формальная процедура кластеризации заключается в разбиении множества образцов смеси с1 на ш кластеров сН, с!2,..., с!т таким образом, чтобы каждый образец принадлежал одному и только одному кластеру.

Если такое разбиение осуществимо, то, скорее всего, ввиду однородности, внутри каждого кластера зависимость

АСФ1 = , р2,...,рк) (8)

будет представлять собой непрерывную функцию, где рк -максимальное количество предикторов прогноза. И тогда, построив для каждого из кластеров отдельную нейронную сеть, можно построить модель физического процесса.

<D

| 2 i

I 0

2,0

3 4 5 Value

2,5

3,0

3,5 4,0 4,5 Value

Рис. 6. Графики значений показателя прочности при сжатии водонасыщенных образцов при 20°С (до и после удаления выбросов) Для оценки плотности расположения точек внутри кластеров в качестве меры используется евклидово расстояние, которая вычисляется как корень из суммы квадратов покоординатных разностей:

P£(xi,xJ)=J%,1(^-*jJZ. (9)

где: X = {Xi,...,Xn} - некоторое подмножество (набор точек) к-мерного вещественного пространства Rk, Х,=(х,а xjs ,..., хД значения s-ro признака у /-го (/-го) объекта (s= 1, 2, ..., к, i,j= 1, 2, .... п).

Так как различные независимые переменные измеряются в разных шкалах с различными диапазонами, была проведена процедура стандартизации переменных. Для соблюдения

корректности дальнейших процедур текстовые метки категориальных переменных были перекодированы так, чтобы диапазон их изменения соответствовал диапазону изменения непрерывных переменных.

Евклидово расстояние (и его квадрат) вычисляется по исходным, а не по стандартизованным данным. Таким образом, расстояние между двумя объектами не изменяется при введении в анализ нового объекта, который может оказаться выбросом.

Так как вопрос о количестве кластеров нетривиален, в данной ситуации было решено использовать агломеративный метод иерархической классификации, или иерархический кластерный анализ. Для объединения был выбран метод Варда.

(10)

Метод Варда объединяет объекты, которые дают наименьшее приращение величине \/г< тем самым, обеспечивают минимальную дисперсию внутри кластеров. Он ориентирован на создание кластеров примерно равных размеров, имеющих гиперсферическую форму. Этот метод чаще, чем другие, позволяет получать результаты, поддающиеся содержательной интерпретации. Результат построения графика представлен на рисунке 7.

Чтобы избежать потери информативности или же наоборот достоверности, было решено выбрать среднее количество кластеров равное четырем. Для разбиения объектов на кластеры с использованием стандартизованных данных была использована итеративная процедура - метод К-средних.

Дисперсионный анализ показал, что выбранные переменные статистически существенно влияют на результаты классификации.

График средних для кластеров (рисунок 8) показывает, что найденная классификация достаточно хорошо отражает различия между данными. По графику видно, что взаимодействие между кластерами неупорядоченное, пересекающегося типа, то есть имеет место наиболее сильное взаимодействие.

Рис. 7. Вертикальная дендрограмма древовидной классификации

1.25 0.071 Proch_sdvig

0.315 Proch_Sgat_50 Porist_%volum

Variables

- Cluster Cluster

Cluster • Cluster

Рис. 8. График средних для кластеров

Далее были определены функции классификации, позволяющие отнести любой новый образец к одному из классов по наибольшему значению соответствующей функции. Матрица классификации показывает, что более 95% образцов были классифицированы правильно (рисунок 9). _

Rows: Observed classifications Columns: Predicted classifications

Percent G 1:1 G 2:2 G 3:3 G 4:4

Group Correct p= ,20364 p= ,27636 p= ,26545 p= ,25455

G 1 :1 98 ,21 43 55 1 О О

G 2:2 97,3684 1 74 0 1

G 3:3 100 .DODO 0 0 73 0

G 4:4 94,2857 □ 1 3 66

Total 97 .4545 56 76 76 67

Рис. 9. Матрица классификации

Задачу классификации можно решить также с применением нейронных сетей. В результате автоматического тестирования 100 сетей была отобрана сеть с наилучшей производительностью, в смысле максимального процента правильно классифицированных

Summary of active networks (таблица результатов кластеризации - выборка 2)

Index : Net. name Training pert. Test ре rf. Training algorithm Error function Hidden actuation Output activation

2 MLP37-24-4 100,0000 94,54545 BFGS 24 Entropy Tanh Softmax

Рис. 10. Параметры нейронной сети - классификатора

CLUSTER (Classification summary) (таблица результатов кластери:

Samples: Train

! CLUSTER-1 CLUSTER-2 I CLUSTER-3 ^CLUSTER-4

2.MLP 37-24Д Totall 41,0000 58,0000 58,0000 63,0000

Correct 41 ,0000 58,0000 58,0000 63,0000

Incorrect 0,0000 0,0000 0,0000 0,0000

Correct (%) 100,0000 100,0000 100,0000 100,0000

Incorrect (%).. 0,0000 0,0000 0,0000 0,0000

Рис. 11.

Многослойный персептрон успешно классифицировал 100% случаев (рисунок 11). В дальнейшем любой новый образец будет отнесен к одному из классов. Сохранив конфигурацию нейронной сети, выполняющей классификацию, существует возможность использовать ее и в других приложениях. Для построения прогнозной модели также были выбраны нейронные сети. Графической иллюстрацией качества работы нейронной сети является график зависимости наблюдаемых значений выходной переменной Н5оргоьа от предсказанных значений (рисунок 12).

Рис. 12. График зависимости предсказанных значений показателя прочности при сжатии при 50°С от наблюдаемых для кластера 2

Для остальных кластеров были получены аналогичные результаты Точность предсказанных значений не хуже 5% для каждого из выделенных кластеров.

В соответствии с разработанной методикой в диссертации был разработан и опробован алгоритм прогнозирования прочности для различных типов смеси в зависимости от вариации содержания битума, поставщиков материалов, режимов технологического процесса при фиксированной гранулометрии (рисунок 13).

Массив измерений в процессе контроля качества составляет более 500 наблюдений по каждому контролируемому показателю. Данные обладают временной привязкой, что позволяет при желании провести анализ сезонных зависимостей и идентифицировать результаты с результатами мониторинга объекта улично-дорожной сети (УДС).

При построении модели в данном случае использовался модуль Data Miner, который показал свою высокую эффективность в условиях большого количества разнородных данных. В процессе работы автором были опробованы различные методы фильтрации, кластеризации, классификации и протестировано около 100 нейронных сетей для каждого типа и вида смеси.

Рис. 13. Схема алгоритма прогнозирования, реализованного в модуле Data Miner Особенностью использования данного модуля является возможность сохранения всей цепочки воспроизводимых процедур (рисунок 14). Это значит, что даже в случае выбора дополнительного источника данных или модификации уже существующих, есть возможность сохранить всю логику последовательности

многоступенчатой обработки и анализа данных, подстраивая под новые данные отдельные блоки алгоритма, путем добавления новых переменных, типов; выключения, включения узлов, дополнительных методов.

Data Acquisition Data Preparation, Cleaning, Transformation Data Analysis, Modeling, Classification, Reports

Forecasting

Рис. 14. Окно Data Miner с сохраненными процедурами фильтрации, кластеризации, классификации, прогнозирования Автором предложены перспективные направления использования разработанных методик и алгоритмов, и вообще методов технологии Data Mining, для решения задач обеспечения качества асфальтобетонного покрытия.

Разработанная методика кластеризации и прогнозирования может, в частности, использоваться для сегментирования объектов УДС. При достаточно большом количестве объектов тип и состав смеси согласуются лишь с установленными стандартами. Однако объекты можно исследовать по целым группам признаков, добавляя неявные предикторы и постоянно обновляя построенную модель. Это повышает эффективность проектирования составов, особенно при использовании новых добавок, за счет выявления скрытых зависимостей и учета реальных требований к покрытию.

Возможные пути решения задач в этой области не ограничиваются построенными моделями и предложенными перспективами. Технологии управления знаниями и добычи данных позволяют существенно повысить качество проводимых исследований. Для этого в диссертации предложено использовать единое хранилище данных.

В соответствии с выработанными рекомендациями далее в диссертации выполнен полный цикл проектирования базы данных «Подбор состава АБ» для контроля качества асфальтобетонных смесей (рисунки 15, 16).

Рис. 15. Концептуальная схема БД «Подбор состава АБ»

Пробный 15УёС

>6а кврна

< юдсс

? Код рецепт» Код :аказа Код щ»6ия №1 Код щебня ГС2 Код пеоа Код иин. порошка Код 6йГ;»И

Щеоень Кодще^ня Местэрожде Поставщик Вид частиц Форма части 1 со Код материала V Код испытания и Дата испытания Дробииостьещ Истинна« аютн* Средне« ачотно Пустотность. Ч с

М«торохде Поставщик Бнд частиц Форма част

Код ыатериш ¡/ Код испытания 6 Дата испытания Пенярацня при Пенетрация при Температура ра? Теиперат>ра *ру Растяжимость, о Сцепление

У код 1ын_л. Местсрожд Поставщик Бнд частиц Форма част

Испытания п..

Код материала ¡? Кздиспытаиия песс Дата испытания Грагелистссгь^« ма Истинна» плотность Ср«дн4й платность. Пустотностъ. Ч <& Содержание льни и Содержание орган»

и

-И ГУМ У Код быт ПоСТЭвиС.'.: Мари т

Код на г» риала '? Код «летания у Дата испытания Мярга подроби Плотность, г.'сиЗ Содержание Содержание Бмт>ыо«и«с

зерновой с

V Код ЗСМ

40

го

15

10

25 55

1.-25

0.53

3,315

0,15

0,071 ....

<0,071

Реляционная схема данных БД «Подбор состава АБ»

Проведенные исследования и полученные результаты моделирования позволяют реализовать выдвинутую концепцию создания информационно-аналитической системы для управления качеством АБС в составе комплексной АСУ производством асфальтобетонной смеси на базе стандартной СУБД Access и универсальных статистических пакетов. Разработан интерфейс пользователя автоматизированной системы «Подбор состава АБ», который рассчитан на оператора (пользователя), обладающего начальными навыками работы с персональным компьютером.

«Подбор состава АБ» в рамках системы управления качеством АБС обеспечивает решение следующих основных задач:

❖ Ведение базы данных поставщиков компонентов асфальтобетонной смеси;

❖ Ведение базы данных поставок компонентов асфальтобетонной смеси;

❖ Ведение базы данных паспортов и результатов испытаний компонентов асфальтобетонной смеси;

❖ Проектирование состава асфальтобетонной смеси;

❖ Ведение базы данных испытаний образцов проектируемой смеси;

❖ Назначение производственного состава;

❖ Ведение базы данных испытаний образцов производственного состава смеси;

❖ Ведение базы данных клиентов (потребителей) асфальтобетонной смеси;

❖ Ведение базы данных объектов отгрузки асфальтобетонной смеси;

❖ Вывод твердых копий для следующих документов: о Список поставщиков компонентов

о- Список поставок компонентов о Паспорта компонентов О Протокол испытаний компонентов

о Протокол проектирования состава асфальтобетонной смеси о Протокол испытаний образцов проектируемой смеси о Протокол испытаний образцов производственного состава смеси ft Список клиентов О Список объектов

о Паспорт поставляемой асфальтобетонной смеси. В четвертой главе определены принципы построения, состав и характеристики программного и аппаратного обеспечения, необходимые для практической реализации разработанной информационно-аналитической системы контроля качества асфальтобетонных смесей. Предложенный подход позволяет реализовать модульное и поэтапное внедрение системы с учетом того, что частота обновления данных отличается более чем на три порядка

В процессе работы был проведен сравнительный анализ способов внедрения информационно-аналитических технологий, исходя из целей и возможностей предприятия:

• создание группы экспертов;

• покупка готовой заказной системы;

• создание собственной системы «с нуля»;

• создание системы на основе готовых пакетов.

Кроме того, в диссертации проведен обзор и сравнительный анализ доступных программных средств для реализации интеллектуального анализа данных в сфере промышленного производства. Для работы был выбран пакет STATISTICA 8.0 с установленными дополнительными модулями. Одним из решающих преимуществ стала возможность использования специализированного модуля STATISTICA Data Miner.

Учитывая особенности асфальтобетонного производства, где функции контроля и управления качеством выходят за рамки одного предприятия, в диссертации предлагается комбинированный подход к внедрению технологий анализа. Использование уже существующих на производстве локальных систем управления, стандартных СУБД и механизмов предобработки данных в рамках учетных систем в сочетании с универсальными статистическими пакетами, которые при соответствующей настройке не требуют от оператора или управленца дополнительных знаний в области методов интеллектуального анализа данных.

Рисунок 17 представляет структуру информационного обеспечения комплексной системы управления производством асфальтобетонной смеси, в состав которой входит система контроля качества. Структура информационно-аналитической системы контроля качества и ее взаимодействие с технологическим процессом АБЗ, лабораторией и оператором представлена на рисунке 18.

В системе управления производством асфальтобетонной смеси может использоваться несколько баз данных. Часть из них уже имеется на АБЗ оснащенных тем или иным типом систем управления. Необходимо интегрировать имеющиеся наборы данных с вновь введенными наборами данных в единую систему.

Все эти базы имеют связанные реляционными отношениями наборы таблиц. Среди этих таблиц имеются таблицы-справочники, в которые внесены нормативные данные и относительно постоянные данные. Переменная информация хранится в соответствующих таблицах. Для межсистемного взаимодействия используется механизм связанных таблиц с разделением доступа.

Использование архитектуры клиент-сервер позволяет использовать для хранения данных одну мощную СУБД и клиентское программное обеспечение на рабочих станциях. В зависимости от того, будет ли использована предлагаемая методика в лаборатории или на уровне предприятия, или в объединении АБЗ, можно рекомендовать использование отдельных алгоритмов, реализованных в рамках универсальных статистических пакетов или покупку полнофункциональной аналитической платформы.

МАТЕРИАЛЫ

ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС

ГОТОВАЯ СМЕСЬ

| жошюнектое

: СЫ«С*

Измерения

КОМПЛЕКСНАЯ СИСТЕМА

Контроль

Качество готовой Продукции

УПРАВЛЕНИЯ

Фагтче«:»» света® а Ишмрщрн, Ьщшк; Трщятщя*

СИСТЕМА КОНТРОЛЯ Л КАЧЕСТВА I

.-^У^.: .._/

и материалов.

СвО*€?1*€Ш€И.: 8« партии. Температур* с««*. Пасоортпартк. воем*

УЧАСТОК

Блок связи и обработки данных

Готовое

покрытие

Уплотнение

Материалы Данные

Укладка ^

Управление " * *™й> Удаленнаяпередачаданных

Рис. 17. Информационное взаимодействие между комплексной системой управления на АБЗ и удаленными участками укладки и уплотнения асфальтобетонной смеси

УПРАВЛЕНИЕ о----ИЗМЕРЕНИЯ

Рис. 18. Структура информационно-аналитической системы управления качеством и ее взаимодействие с технологическим процессом АБЗ, лабораторией и оператором

В диссертации приведена оценка перспектив внедрения информационно-аналитической системы в составе комплексной системы управления производством АБС с точки зрения затрат и достигаемых результатов, выработаны рекомендации по поэтапному внедрению методов и алгоритмов на отдельных предприятиях и их объединении.

Основными критериями эффективности достижения цели в работе являются:

1. определение степени достоверности получаемых результатов на основе сравнительного анализа;

2. снижение трудоемкости процесса обработки информации;

3. повышение скорости обработки данных, и как следствие, повышение скорости принятия решений;

4. упрощение осуществления доступа к получаемой информации;

В заключении представлены основные результаты работы.

В приложении приводятся акты внедрения результатов диссертационной работы, интерфейс пользователя БД «Подбор состава АБ», список условных обозначений и общая справочная информация по асфальтобетонным смесям.

Публикации. По результатам выполненных исследований опубликовано 5 печатных работ.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ В итоге выполнения работ, отраженных в данной диссертации, получены следующие основные результаты, определяющие научную новизну и ее практическую значимость:

1. Предложен комплексный подход к автоматизации технологических процессов проектирования и контроля качества составов АБС, состоящий в сборе данных со всех этапов жизненного цикла АБС, их автоматической обработке, актуализации БД, что позволяет существенно повысить объективность и качество анализа информации в рассматриваемой предметной области,

2. Разработан модифицированный алгоритм подбора оптимального содержания битума в асфальтобетонной смеси. Алгоритм включает в себя моделирование управления прочностью АБС вариацией расхода битума на основе использования основных материаловедческих принципов и системы критериев оценки качества управления, а также использование технологии добычи данных для определения того содержания битума, которое позволит получить соотношение физико-механических характеристик смеси, максимально отвечающих требованиям ГОСТ для данного состава.

3. Разработана методика кластеризации (сегментации) и предобработки данных для построения прогноза, и реализовано семейство алгоритмов, позволяющее осуществить все необходимые процедуры подготовки данных к осуществлению прогноза. На основании разработанной методики построены прогнозирующие модели для различных типов выборок данных, в зависимости от поставленных задач.

4. Разработаны модели прогнозирования физико-механических показателей АБС и алгоритм прогнозирования, реализованный в модуле Data Miner. Впервые для прогнозирования качества покрытия применена технология добычи данных, которая позволила в автоматическом режиме исследовать сложные многофункциональные зависимости. Экспериментально доказано, что алгоритмы кластеризации, классификации данных и прогнозирования прочности, реализованные в разработанном программном обеспечении, дают погрешность не более 5 %, то есть показывают высокую степень достоверности. Использование результатов диссертационной работы позволило ускорить процесс принятия решений о проектировании

состава асфальтобетона не менее чем в 2 - 2.5 раза. При этом разработанные алгоритмы универсальны и могут быть адаптированы для другого набора данных и других показателей.

5. Разработана концептуальная модель базы данных для хранения информации о результатах процесса формирования и контроля качества АБС Разработана общая структурная схема взаимодействия информационно-аналитической системы управления качеством АБС с комплексной АСУ АБЗ на основе интеграции OLAP, DM, реляционных СУБД и уже существующих на АБЗ ПСУ. Это позволяет осуществлять поэтапное и модульное внедрение предлагаемых технологий на предприятии или их объединении, учитывая потребности лица принимающего решение и имеющиеся ресурсы.

6. В соответствии с выработанными рекомендациями разработано и реализовано программное обеспечение, включающее в себя механизмы предобработки, очистки данных, алгоритмы расчета гранулометрии, инструменты автоматизированной и ручной обработки данных, систему поиска и хранения информации в созданной базе данных «Подбор состава АБ». База данных показала свою эффективность и пригодность для проведения дальнейших исследований и оптимизации управления качеством асфальтобетонных смесей.

Публикации по теме работы

ИЗ ПЕРЕЧНЯ ВАК

1. Баланцева М.А. Исследование вариации содержания битума и изменения прочности асфальтобетонной смеси/ Баланцева М.А. // Вестник МАДИ, вып. 3(30). - М.: МАДИ, 2012. - С.84-92.

В ДРУГИХ ИЗДАТЕЛЬСТВАХ

2. Баланцева М.А. Архитектура автоматизированной системы распознавания дефектов дорожного покрытия / Баланцева М.А., Николаев А.Б., Ла Суан Тханг, Власов Д.А. // Интерактивные технологии моделирования и управления: сб. науч. тр. МАДИ, вып.2 (46). - М., 2010. - С.162-165.

3. Баланцева М.А. Управление качеством асфальтобетона с использованием интеллектуального анализа данных / Баланцева М.А. // Теория и практика электронного документооборота в промышленности: сб. науч. тр. МАДИ, вып.2 (50). - М., 2011. - С.160-169.

4. Баланцева М.А. Современные методы повышения эффективности хранения данных / Баланцева М.А. // Автоматизация и управление на транспорте и в дорожном строительстве: сб. науч. тр. МАДИ, вып.1 (49). - М., 2011. - С.177-183.

5. Баланцева М.А. Управление данными по контролю качества асфальтобетонных смесей / Баланцева М.А., Николаев А.Б. // Теория и практика электронного документооборота в промышленности: сб. науч. тр. МАДИ, вып.2 (50). - М„ 2011. - С.128-135.

Подписано в печать: 19.10.2012 Тираж 100 экз. Заказ №909 Отпечатано в типографии «Реглет» г. Москва, Ленинградский пр-т д.74 (495)790-74-77 www.reglet.ru

ВВЕДЫ ML

1 АНАЛИЗ МЕТОДОВ И ПОДХОДОВ К УПРАВЛЕНИЮ КАЧЕСТВОМ АСФАЛЬТОБЕТОНА

1.1 Технолсния произволе гва асфалыобетонной смеси

1.2 Обзор с> шествующих методов управления качеством аефалыобеюпа

1.3 Об юр существующих технологий оптимизации произволеIва и управления качеспзом продукции

1.4 Анализ методов эффективного использования данных

1.5 Задачи автоматизированной системы на различных этапах юхполотического процесса производства АБС

2 РАЗРАБОТКА ЭФФЕКТИВНОСТИ АСФАЛЬТОБЕТОНА

МЕТОДИКИ УЕ1РАВЛЕНИЯ

ЕЮВЫШЕНИЯ КАЧЕСТВОМ

2.1 Общий подход

2.2 Формализация и сi>кi>pa задач управления качеством

2.3 Определение и расчет параметров свойств материалов, влияющих на качество смеси

2.4 Оперативная рабоиг с данными, подбор состава смеси

2.5 Использование накопленных данных для контроля качесиза асфальЕобеюнных смесей

3 РАЗРАБОТКА АНАЛИТИЧЕСКОЙ СИСТЕМЫ КАЧЕСТВОМ АСФАЛЬТОБЕТОНА

ИНФОРМАЦИОННО-ДЛЯ УПРАВЛЕНИЯ

3.1 Разработка мешдов и алгоритмов прогнозирования показателей качества покрытия в соответствии с технологией КДД

3.2 Ллюри1м npoi позирования прочности состава с использованием модуля Data Miner пакета Statistica 8.0.

3.3 Перспективные направления использования современных технологий обработки данных в обласш конi роля качес I ва асфалы обе i она

3.4 Разработка структуры базы данных

4 РАЗРАБОТКА СТРУКТУРЫ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ УПРАВЛЕНИЯ КАЧЕСТВОМ АСФАЛЬТОБЕТОННЫХ СМЕСЕЙ

4. i Обоснование выбора программно] о обеспечения для реализации информационно-аналитической системы

4.2 Система S'l A f IS ПСА Dala Miner

4.3 Общая стрмспра информационно-аналитической ^ системы } правления качеспюм АБС

4.4 Архитектора общей системы управления качеством ^ асфальгобеюна

4.5 Перспективы внедрения информационно-аналитической сислемы в составе комплексной системы управления 1 ,, производством АБС

Актуальность темы. Контроль качества асфальтобетонных смесей является актуальной задачей, гак как от пего напрямую зависит качество дорожного покрытия и, как следствие, безопасность дорожного движения. Обеспечение качества дорожного покрытия осложняется тем, что процесс формирования покрытия неоднозначен и завершается гораздо позднее укладки и уплотнения смеси. И, несмотря на накопленный опыт в вопросах управления качеством асфальтобетонных смесей, проблема далека от разрешения. Срок службы асфальтобетонных покрытий в нашей стране существенно ниже аналогичных показателей промышленно развитых стран. Низкий срок службы асфальтобетонных покрытий связан с высокой вариацией качества асфальтобетона. Это происходит из-за нестабильности характеристик компонентов, неконтролируемых изменений свойств смеси при ее транспортировке, нестабильности параметров ее укладки и уплотнения. Особо остро эта проблема встает при использовании местных материалов.

Основные слагаемые успешной реализации программы качества при устройстве дорожных покрытий состоят в создании эффективной системы контроля качества, как на стадии устройства покрытия, так и па предприятиях-изготовителях, производящих асфальтобетонные смеси. Наличие сбоев и выход из строя оборудования характерны даже для самых современных и высокоточных отраслей промышленности. В этом случае крайне важной становится проблема оценки качесхва произведенной продукции на возможно более ранней с 1 алии.

В условиях асфальтобетонного завода (АБЗ) реальным направлением решения данной проблемы является создание систем управления, компенсирующих нестабильность характеристик и стабилизирующих качество готовой асфальтобетонной смеси, что и определяет актуальность настоящей диссертационной работы.

Цель диссертационной работы состоит в повышении качества производимых АБС за счет использования информационно-аналитической системы, в которой реализованы алгоритмы обработки и анализа данных па этапах проектирования состава АБС и их производства, с учетом эксплуатационных характеристик дорожного покрытия.

Задачами автоматизации обработки данных о качестве АБС являлись: ^ контроль качества материалов, используемых в АБС; проектирование состава АБС на основе действующей нормативнотехнической документации; эффективное управление качеством продукции АБЗ; снижение влияния человеческого фактора на качество продукции и облегчение труда специалистов-материаловедов.

Решение поставленных выше задач включает в себя следующие основные части:

1. Сравнительный анализ и исследование различных способов обработки и анализа данных с целыо выбора оптимального решения, позволяющего провес 1и наиболее полную автоматизированную обработку.

2. Разработка методики повышения эффективности управления качеством асфальтобетона.

3. Разработка и реализация алгоритмов обработки и анализа данных на этапах проектирования состава АБС и их производства, с учетом эксплуатационных характеристик дорожного покрытия.

4. Разработка методики и построение модели для прогноза качества дорожного покрытия.

5. Разработка специализированного программного обеспечения, позволяющего определять и регистрировать количественно качественный состав смеси, а также оценивать будущее эксплуатационное сосюяние дорожного покрытия на основе разработанной аналитической модели.

Объект исследования. В качестве объекта в диссертации рассмотрен 1ехнологический процесс производства АБС.

Методы исследования. Результаты диссертационной работы получены на основе использования технологий интеллектуального анализа данных, теории баз данных, ГШ.-подхода к формированию инфраструктуры программных средств, а также результатов исследования уже наработанных экспериментальных методик управления качеством асфальтобетонных смесей.

Научная новизна /щссертации состоит в теоретической и практической реализации методов и моделей прогнозирования показателей качества покрытия, интеграции современных технологий обработки и интеллектуального анализа данных для решения поставленных задач, разработке структуры взаимодействия информационно-аналитической системы управления качеством асфальтобетонных смесей с комплексной АСУ АБЗ.

Практическая ценность и реализация результатов работы. Полученные в диссертации результаты позволяют производить оперативный контроль качества смеси и материалов, прогнозировать качество покрытия, повысить точность проектирования состава и снизить количество ошибок, связанных с человеческим фактором, использовать получаемую информацию для установления сложных многофункциональных зависимостей в вопросах управления качеством асфальтобетона. Это позволяет использовать данные резулыаты для планирования сроков ремонтных работ, организации эффективного взаимодействия между всеми участникам технологического процесса. Научные результаты, полученные в диссертации, доведены до практического использования. Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения на ряде предприятий, а также используются в учебном процессе в Московском автомобильно-дорожном государственном техническом университете (МАДИ).

Апробация результатов. Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение: на Российских, межрегиональных и международных научно-технических конференциях и семинарах (2009-2012 гг.); на заседаниях кафедры АСУ МАДИ.

На защиту выносятся следующие результаты:

• модифицированный алгоритм подбора оптимального содержания битума в асфальтобетонной смеси; методика кластеризации (сегментации) и предобработки данных для построения прогноза;

• модели прогнозирования физико-механических показателей АБС и алгоритм прогнозирования, реализованный в модуле Data Miner;

• концешуальпая модель базы данных для хранения информации о результатах процесса формирования и контроля качества АБС.

Публикации. Основное содержание диссертационной работы опубликовано в 5 печатных работах.

В первой главе диссертации рассматриваются и анализируются основные проблемы, с которыми сталкиваются производители АБС при использовании существующей технологии. Проведен обзор некоторых из существующих систем контроля качества, определены и сформулированы их основные возможности, а так же сформулирована проблематика решаемого вопроса -автоматизации процесса обработки получаемых данных. Приведено краткое описание технических возможностей технологии КДД, применяемой для сбора и обработки информации, подходов к оптимизации производства и эффективных способов построения моделей для анализа Перечислены основные проблемы, возникающие в процессе применения получаемых данных, определены основные направления и пели исследования.

Во второй главе диссертационной работы описаны основные преимущества предлат аемого подхода к автоматизации технологических процессов производства и контроля качества АБС на основе обработки и анализа данных, получаемых, в том числе, и в результате мониторинга объектов УДС. Разработана структура информационного взаимодействия системы управления качеством АБС с комплексной системой управления АБЗ и другими подсистемами. Сформулированы основные задачи информационно-аналитической системы и требования к ее реализации. Описаны методики обработки экспериментальных данных при оценке качества АБС. Приведены алгоритмы моделирования вариаций параметров материалов, состава смеси и технологического процесса и исследованы зависимости показателей качества смеси от этих изменений. Рассмотрены и математически обоснованы конкретные процедуры расчета гранулометрии состава и содержания битума с использованием современных программных средств. Приведены результаты численных экспериментов, подтверждающие эффективность предлагаемых методов.

В третьей главе разработана методика кластеризации и подготовки данных для построения прогноза. Для исследуемых данных построены классификаторы и реализованы прогнозирующие модели. В качестве меры повышения эффективности информационного обеспечения предложено по мере накопления данных итеративно улучшать модель с помощью пошагового выполнения сохраненных процедур. В процессе построения модели решена задача нелинейной регрессии в условиях грязных, зашумленных данных со сложными многофак горными зависимостями. Описаны перспективные направления использования разработанных методик и алгоритмов для решения задач обеспечения качества асфальтобетонного покрытия. В соответствии с выработанными рекомендациями разработана база данных БД «Подбор состава АБ» для управляемого технологического процесса производства асфальтобетонной смеси.

В четвертой главе определены принципы построения, состав и характеристики программного и аппаратного обеспечения, необходимые для практической реализации разработанной системы управления качеством асфальтобетонных смесей. Проведен сравнительный анализ способов внедрения информационно-аналитических технологий, исходя из целей и возможностей предприятия, а также сравнительный анализ доступных программных средств для реализации интеллектуального анализа данных в сфере промышленного производства. Разработана архитектура системы управления качеством асфальтобетона. Обсуждены перспективы внедрения информационно-аналитической системы в составе комплексной системы управления производством АБС, выработаны рекомендации по поэтапному внедрению методов и алгоритмов на отдельных предприятиях и их объединении.

В заключении представлены основные результаты работы.

Приложение содержит акты внедрения результатов диссертационной работы, интерфейс пользователя БД «Подбор состава АБ», список условных обозначений и общую справочную информацию по асфальтобетонным смесям.

Объем диссертации. Диссертационная работа состоит из введения, четырех глав и заключения, изложенных на 173 страницах машинописного текста, содержит 57 таблиц, 102 рисунка, список литературы из 174 наименований и приложения.

Выводы но главе 4.

1. Определены принципы построения, состав и характеристики программного и аппаратного обеспечения, необходимые для практической реализации разработанной системы управления качеством асфальтобетонных смесей. Предложенный подход позволяет реализовать модульное и поэтапное внедрение системы управления с учетом того, что частота обновления данных отличается более чем на три порядка.

2. Проведенные исследования и полученные результаты моделирования позволяют реализовать выдвинутую концепцию создания информационно-аналитической системы для управления качеством АБС в составе комплексной САУ производством асфальтобетонной смеси на базе стандартной СУБД Access и универсальных статистических пакетов. Разработан интерфейс пользователя автоматизированной системы «Подбор состава АБ», который рассчитан па оператора (пользователя), обладающего начальными навыками работы с персональным компьютером (см. Приложения).

3. Анализ показал, что на рынке присутствует значительное число современных средств и систем, реализующих функции интеллектуального анализа данных для промышленных предприятий. Современные системы обработки данных позволяют оперативно контролировать все необходимые характеристики и реализовать разработанную концепцию. Сравнительный анализ способов внедрения подобных технологий, позволяет подобрать оптимальное решение, исходя из целей и возможностей предприятия.

4. Разработана архитектура автоматизированной системы управления качеством асфальтобетона. Комплекс технических средств для системы управления производством должен состоять из персонального компьютера, на базе которого будет реализована также информационно-аналитическая система, и технических средств для связи с технологическим процессом, локальными САУ, а также уже имеющимися на АБЗ системами управления качеством.

ЗАКЛЮЧЕНИЕ

В итоге выполнения работ, отраженных в данной диссертации, получены следующие основные результаты, определяющие научную новизну и ее практическую значимость:

1. Предложен комплексный подход к автоматизации технологических процессов проектирования и контроля качества составов АБС, состоящий в сборе данных со всех этапов жизненного цикла АБС, их автоматической обработке, актуализации БД, что позволяет существенно повысить объективность и качество анализа информации в рассматриваемой предметной области,

2. Разработан модифицированный алгоритм подбора оптимального содержания битума в асфальтобетонной смеси. Алгоритм включает в себя моделирование управления прочностью АБС вариацией расхода битума на основе использования основных материаловедческих принципов и системы критериев оценки качества управления, а также использование технологии добычи данных для определения того содержания битума, которое позволит получить соотношение физико-механических характеристик смеси, максимально отвечающих требованиям ГОСТ для данного состава.

3. Разработана методика кластеризации (сегментации) и предобработки данных для построения прогноза, и реализовано семейство алгоритмов, позволяющее осуществить все необходимые процедуры подготовки данных к осуществлению прогноза. На основании разработанной методики построены прогнозирующие модели для различных типов выборок данных, в зависимости oi поставленных задач.

4. Разработаны модели прогнозирования физико-механических показателей АБС и алгоритм прогнозирования, реализованный в модуле Data Miner. Впервые для прогнозирования качества покрытия применена технология добычи данных, которая позволила в автоматическом режиме исследовать сложные многофункциональные зависимости. Экспериментально доказано, что алгоритмы кластеризации, классификации данных и прогнозирования прочности, реализованные в разработанном программном обеспечении, дают погрешность не более 5 %, то есть показывают высокую степень достоверности. Использование результатов диссертационной работы позволило ускорить процесс принятия решений о проектировании состава асфальтобетона не менее чем в 2 - 2.5 раза. При этом разработанные алгоритмы универсальны и могут быть адаптированы для другого набора данных и других показателей.

5. Разработана концептуальная модель базы данных для хранения информации о результатах процесса формирования и контроля качества АБС Разработана общая структурная схема взаимодействия информационно-аналитической системы управления качеством АБС с комплексной АСУ АБЗ на основе интеграции OLAP, DM, реляционных СУБД и уже существующих на АБЗ ЛСУ. Это позволяет осуществлять поэтапное и модульное внедрение предлагаемых технологий на предприятии или их объединении, учитывая потребности лица принимающего решение и имеющиеся ресурсы.

6. В соответствии с выработанными рекомендациями разработано и реализовано программное обеспечение, включающее в себя механизмы предобработки, очистки данных, алгоритмы расчета гранулометрии, инструменты автоматизированной и ручной обработки данных, систему поиска и хранения информации в созданной базе данных «Подбор состава АБ». База данных показала свою эффективность и пригодность для проведения дальнейших исследований и оптимизации управления качеством асфальтобетонных смесей.

Внедрение в повседневную практику проектирования, производства и контроля качества асфальтобетонного дорожного покрытия предлагаемых решений обеспечит следующие результаты: ♦:♦ Технологические результаты о Стабилизация качества асфальтобетонной смеси не на выходе АБЗ, а непосредственно на месте проведения работ по укладке и уплотнению смеси. о Постоянный мониторинг качества компонентов асфальтобетонной смеси и анализ связи качества компонентов с качеством готового покрытия позволит стабилизировать качество компонентов. Экономические и социальные результаты о Повышение качества проектирования асфальтобетонной смеси ведет к повышению качества покрытия и срока службы автомобильных дорог о Внедрение автоматизированной системы обработки и анализа данных существенно улучшает условия труда на АБЗ, делает рабочие места более привлекательными, исключает рутинные ручные операции. Организационные результаты о Эффективный и взаимовыгодный обмен информацией и построение модели процесса для использования ее всеми участниками будет способствовать информационной открытости предприятий и организации общих коммерческих действий группы предприятий, о Организация и концентрация информации: о компонентах асфальтобетонной смеси позволяет более эффективно и обоснованно организовать закупки, о качестве продукции позволяет синхронизировать данные обо всех параметрах технологического процесса и качестве смеси, обеспечить поставку потребителям качественной сопроводительной документации, о Масштабируемость и реконфигурация производства. Научные результаты

Концентрация упорядоченной (по времени, компонентам, участкам готовою покрытия) информации и разработанные методики позволяют идентифицировать эффективные модели связи качества компонентов, смеси с показателями качества готового покрытия.

1. Александров, А.Е. Автоматизация управления прочностью бетона: автореферат канд. диссертации / А. Е. Александров; МАДИ (ГТУ). М., 1999.

2. Александров, А.Е. Автоматизированное управление составом асфальтобетона / А. Е. Александров М.: «Строительные материалы», № 11, 1999.

3. Анализ бизнес информации основные принципы. // BascGroup Labs: сайт. URL: http://www.basegroup.ru/library/methodology/analysisbusinessdata/

4. Аналитическая платформа Deductor 4. Руководство пользователя. // BaseGroup Labs: сайт. URL: http://www.basegroup.ru.

5. Арустамов, А. Анализ больших объемов данных. // BaseGroup Labs: сайт. URL: http://www.basegroup.ru/library/methodology/verylargedata/

6. Арустамов, А. Ядро OLAP системы. // BaseGroup Labs: сайт. URL: http :// w ww.basegroup. ru.

7. Баланцева, М.А. Исследование вариации содержания битума и изменения прочности асфальтобетонной смеси/ М.А. Баланцева // Вестник МАДИ, вып. 3(30). 2012. С.84-92.

8. Баланпева, М.А. Современные методы повышения эффективности хранения данных / М.А. Баланцева // Автоматизация и управление на транспорте и в дорожном строительстве: сб. науч. тр. МАДИ, вып.1 (49). -М., 2011. С.177-183.

9. Баланцева, М.А. Управление данными по контролю качества асфальтобетонных смесей / М.А. Баланцева, А.Б. Николаев. // Теория ипрактика электронного документооборота в промышленности: сб. науч. тр. МАДИ, вып.2 (50). M., 2011. - С. 128-135.

10. Баланцева, М.А. Управление качеством асфальтобетона с использованием интеллектуального анализа данных / М.А. Баланцева // Теория и практика электронного документооборота в промышленности: сб. науч. тр. МАДИ, вып.2 (50). М., 2011. - С.160-169.

11. Барсегян, A.A. Методы и модели анализа данных: OLAP и Data Mining. / A.A. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. СПб.: БХВ-Петербург, 2004. - 336 с.

12. И.Баскин, В.А. Структурно параметрическое описание систем и технологий: международная конференция «Электроника и информатика 2002» / В. А. Баскин, В. LI. Брюнин, Д. А. Сударенко, Г. К. Огапджанов. М.: МИЭТ, 2002,- 115 с.

13. Берк, К. Анализ данных с помощью Microsoft Excel. / К. Берк, Г1.М. Кейри -Издательский дом "Вильяме", 2005. 560 с.

14. Богуславский, A.M. Теоретические основы процесса деформирования асфальтового бетона: дис. докт. техн. наук. / Богуславский A.M. M., 1970.-- 343 с.

15. Богуславский, A.M. Прогнозирование сдвиго- и грещиностойкости асфальтобетонных аэродромных покрытий / А. М. Богуславский //

16. Строительство аэродромов : Тр. МАДИ. — М., 1974. — Вып. 57. — с. 4958.

17. Божко, В.П. Информационные технологии в статистике: учебник для вузов по специальности "Статистика" / В. Г1. Божко, Л. В. Хорошилов. М.: Финстатинформ, 2002 . - 144 с.

18. Бокс Дж. Анализ временных рядов. Прогноз и управление. В 2-х т. / Бокс Дж., Дженкинс Г. М.: Мир, 1974. - 579 с.

19. Большаков, П.С. Уникальные возможности STATISTICA Data Miner. // URL: http://www.statsoft.ru/home/applications/dataminer.htm

20. Боровиков, В.П. STATISTICA. Искусство анализа данных на компьютере. / В.П. Боровиков. 2-е изд.- СПб.: ПИТЕР, 2003. - 688 с.

21. Боровиков, В.П. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: учеб. пособие. 2-е изд., псрераб. и доп. / В.П. Боровиков, Г.И. Ивченко. М.: Финансы и статистика, 2006. - 368 с.

22. Борт, Д. Очистка данных. // Computerworld, 1996, №34. URL: http://www.osp.ru/cw/1996/34/13838/

23. Будихин, A.B. Создание баз данных в среде СУБД Access. Методические указания к лабораторным работам по курсу "Организация баз данных". / A.B. Будихин, C.B. Гоголин, A.B. Остроух, И.М. Исмоилов. М: МАДИ,2001

24. Будихин, С.А. Методы нечеткой кластеризации для управления рисками на предприятии. / С.А. Будихин, A.C. Горячев, Шень Янь. // Межвузовский сборник научных трудов "Теория и практика информационных технологий" М.: МАДИ (ГТУ), 2006. С. 57-66.

25. Будихин, С.А. Применение Data Mining для анализа данных и прогнозирования / С.А. Будихин, И.Е. Пронин. // Новые технологии в автоматизации управления: сб. науч. тр. МАДИ (ГТУ). М.,2006. - с. 1116.

26. Бунькин, И. Ф. Иерархия задач автоматизации производства асфальтобетонной смеси / И. Ф. Бунькин, В.А. Воробьев //Известия вузов. Строительство, 2001, №7. с.51-56.

27. Бунькин, И.Ф. Автоматизация управления производством асфальтобетонов: автореферат докторской диссертации. / И.Ф. Бунькин. -М.: МАДИ, 2002.-33с.

28. Бунькин, И.Ф. Моделирование и оптимизация управления составом асфальтобетонных смесей / И.Ф. Буиькии, В.Л. Воробьев, В.П. Попов и др. М.: Изд-во Российской инженерной академии, 2001. - 328 с.

29. Буч, Г. Объектно-ориентированное проектирование / Г. Буч. М.: Конкорд, 1992.-68 с.

30. Васильев, А. П. Ремонт и содержание автомобильных дорог: справочник инженера- дорожника / А. П. Васильев, В. И. Баловнев и др.; Под. ред. А. П. Васильева. — М.: Транспорт, 1989. 287 с.

31. Вейскас, Дж. Эффективная работа: Microsoft Office Access 2003. / Дж. Вейскас. СПб: Питер, 2005. - 1168 с.

32. Веренько, В.А. Дорожные композишые материалы. Структура и механические свойства / В.А. Веренько, под ред. И.И. Леоповича. -Минск: изд. Наука и техника, 1993. 246 с.

33. Вон Ким. Три основных недостатка современных хранилищ данных / Вон Ким. Пер. с англ. - Открытые системы, 2003, №2.

34. Воробьев, В. А. Тенденции и перспективы автоматизации производства асфальтобетона / В.А. Воробьев, Д. Н. Суворов, А. И. Доценко // Известия вузов. Строительство. 2005. - N 8. - С. 43-48

35. Воробьев, В.А. Автоматизация технологических процессов производства асфальтобетонных смесей. / В.А. Воробьев, А.А. Кальгин, Е.В. Марсова, В.П. Попов. М: изд-во секции «Строительство» Российской инженерной академии, 2000.

36. Воробьев, В.А. Динамическое управление прочностью. / В.А. Воробьев, В.Л. Горшков, Д.Н. Суворов, Л.Н. Каледин // Известия ВУЗов. Строительство и архитектура, 1978 г., N10. с. 54-58.

37. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К.Вороновский, К.В.Махогило, С.Н.Петрашев, С.А. Сергеев,—X.: ОСНОВА, 1997,— 112 с.

38. Вуколов, Э.А. Основы статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов STATIS TICA и Excel. / Э.А. Вуколов. М: Изд-во Форум. 2-е изд. 2008 г. - 464 с.

39. Гаврилова, Т. А. Состояние и перспективы разработки баз знаний интеллектуальных систем / Т. А. Гаврилова. М.: Ассоциация ИИ, 1996.-№1,- 32 с.

40. Гаврилова, Т.А. Базы знаний интеллектуальных систем: учебник. / Т.А. Гаврилова, В.Ф. Хорошевский СПб: Изд-во "Питер", 2000.-382с.

41. Гайдышев, И. П. Решение научных и инженерных задач средствами Excel, VBA и C/C++. / И Л. Гайдышев СПб.: БХВ-Петербург, 2004. - 512 с.

42. Галагап, А. Информационная интеграция цель оправдывает средства. // Ulli, : http : //www. о 1 ар. гu/trends/opl ар. asp

43. Галушкин, А.И. Теория нейронных сетей. Кн.1: учеб. пособие для вузов / АЛ. Галушкин. М.:И11РЖР, 2000.-416с.

44. Гладков, В.Ю. Стандарты ИСО и система управления качеством продукции дорожно-строительного предприятия / В.Ю. Гладков, Л.Н. Павлова // Труды ГП РОСДОРНИИ. Вып. И. М.: Фирма ВЕРСТКА,2003. с .20-32.

45. Глушаков, C.B. Базы данных: учеб. курс. / C.B. Глушаков, Д.В. Ломотъко. -М.: ООО «Издательство ACT», 2002. 504с.

46. Гольнев, Д.М. Автоматизация производства асфальтобетонной смеси на базе экспертной системы: автореферат канд. диссертации. / Д.М. Гольнев. -М.: МАДИ, 2003

47. Горев, Л. Эффективная работа с СУБД. / Р. Лхаян, Л. Горев, С. Макашарипов. «Питер Пресс», 1997. - 700с.

48. Горелышев, Н.В. Асфальтобетон и другие битумоминеральные материалы: учеб. пособие / Н.В. Горелышев. М.: Можайск-Тера, 1995.-176 с.

49. ГОСТ 12801-98. Материалы на основе органических вяжущих для дорожного и аэродромного строительства. Методы испытаний./Госстрой России,-М.: 1998.

50. ГОСТ 22245-90. Битумы нефтяные дорожные вязкие. Технические условия. /Госстрой России. М.: 1990.

51. ГОСТ 23558-94. Смеси щебеночно-гравийнопесчаные и грунты, обработанные неорганическими вяжущими материалами для дорожного и аэродромного строительства. Технические условия. / Минстрой России. Пост. 18-1 21.07.94.

52. ГОСТ 31015-2002. Смеси асфальтобетонные и асфальтобетон щебеночпо-мастичные. Технические условия ./Госстрой России. -М.: 2002.

53. ГОСТ 3344-83. Щебень и песок шлаковые для дорожного строительства. Технические условия. Госстрой СССР Пост. 281 20.10.83.

54. ГОСТ 8267-93. Щебень и гравий из плотных горных пород для строительных работ. Технические условия./Госстрой России. М.: 1993.

55. ГОСТ 8736-93. Песок для строительных работ. Технические условия. /Госстрой России. М.: 1993.

56. ГОСТ 9128-2009. Смеси асфалыобетонные дорожные, аэродромные и асфальтобетон. Технические условия.

57. ГОСТ Р 52056-2003 Вяжущие полимерно-битумные дорожные па основе блок-сополимеров типа СБС. Технические условия./Госстрой России. -М.:2003.

58. ГОСТ Р 52129-2003. Порошок минеральный для асфальтобетонных и органоминеральных смесей. Технические условия./Госстрой России. М.: 2003.

59. Давыдов, A.A. Knowledge Discovery and Data Mining в системной социологии. // URL: http://www.isras.ru/DavydovKnowledge.html#l

60. Дебок, Г. Анализ финансовых данных с помощью самоорганизующихся карт / Гвидо Дебок, Тейво Кохонен. Альпина, 2001. - 317с.

61. Джексон, П. Введение в экспертные системы : учеб. пос / П. Джексон . М.: Изд. Дом «Вильяме», 2001. 624 с.

62. Допенко, А. И. Основные принципы комплексного управления производством асфальтобетона / А. И. Доценко // Известия вузов. Строительство, № 7 2005. - С. 87-92

63. Доценко, А.И. Комплексная автоматизация производства асфальтобетонной смеси с учетом влияния факторов ее транспортировки, укладки и уплотнения: автореф. дисс. на соиск. степ, д.т.н. / А.И. Доценко. -М: 2005. -44 с.

64. Доценко, А.И. Нути повышения качества автомобильных дорог с асфальтобетонными покрытиями / А.И. Доценко // Проблемы транспорта. Вып. 12. - СПб.: Изд-во СЗТУ, 2009. - С. 213-217.

65. Дьяконов, В.П. MATLAB. Анализ, идентификация и моделирование систем. / В.П. Дьяконов, В.В. Круглов СПб.: ПИТЕР, 2002.

66. Дюк, В. Data Mining состояние, проблемы, новые решения. // URL: http://on. wplus.net/sparm/science/Datamining. html.

67. Ежов, A.A. Пейрокомпыотинг и его применение в экономике и бизнесе / А.А.Ежов, С.А.Шумской.// URL: http:Wwww.neuroproject.ru.

68. Елизарова, H.H. Использование программных средств статистическойобработки данных при формировании информационного обеспечения управления. / H.H. Елизарова. // Вестник ИГЭУ, вып.З, 2009. с.76-80.

69. Заде, JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений : сборник статей «Математика сегодня» / J1. А. Заде. -М.: Знание, 1994. С. 5 49.

70. Золотарев, В.А. О вкладе составляющих асфальтобетона в его прочность. // Повышение эффективности использования материалов при строительствеасфальтобетонных и черных покрытий: Труды Союздорнии. М.: 1989. -с.78-84.

71. Ивахпенко, A.M. Автоматизация системы контроля качества при производстве асфальтобетонных смесей. Вестник МАДИ (ГТУ) выи.2(13) МАДИ (ГТУ).-М., 2008. -С.70-73.

72. Ивахненко, A.M. Методика прогнозирования технико-экономических показателей транспортных предприятий по модели факторного анализа / В.И. Нестеренко, А.Ч. Ахохов, A.M. Ивахпенко // Вестник МАДИ(ГТУ) вып.2(13) / МЛДИ(ГТУ).-М., 2008. -С.74-77.

73. Ивахпенко, A.M. Моделирование контроля качества технологических процессов и промышленной продукции. Монография / A.M. Ивахпенко, А.Ч.Лхохов // М.: Техполиграфцеитр». 2008. -146 с.

74. Ипгланд, Р. Овладевая ITIL. Скептическое руководство для ответственных лиц / Роб Инглаид; Пер. с англ. М.: Лайвбук, 2011. - 200 с.

75. Интегрированная автоматизированная система управления. Отраслевая методика определения экономической эффективности автоматизированных систем управления предприятиями и произволе!венными объединениями. М. : НИАТ, 1982. 70 с.

76. Интеллектуальные модели анализа экономической информации: электронный курс лекций. / BaseGroup Labs, 2005. URL: www.basegroup.ru.

77. Калан, Р. Основные концепции нейронных сетей / Р. Калан: Пер. с англ.-М.: Вильяме, 2001. -288с.

78. Кацко, И.А. Практикум по анализу данных на компьютере: учеб. пособие. / И.А. Кацко, Н.Б. Паклип. М. «КолосС», 277 с.

79. Качество дорожных работ. // Росавгодор: сайт. URL: http://www.rosavtodor.ru/information.php?id=65&counter=7

80. Кирюхин, Г.Н. Проектирование асфальтобетона по показателям сдвигоустойчивости и трещиностойкости в покрытии / Г.Н. Кирюхин // Юбилейи. вып. (Сб. науч. тр. /ФГУГ1 «Союздорнии») М., 2002. - с. 102

81. Кирюхии, Г.Н. Строительство дорожных и аэродромных покрытий из тцебеночно-мастичных асфальтобетонных смесей / Г.Н. Кирюхин, Е.А. Смирнов // Информационный сборник. — М.: Ипформавтодор, 2003. — №2.-96 с.

82. Кнеллер, Д.В. Применение систем усовершенствованного управления // Датчики и системы, 2009, № 4.

83. Коровкип, С. Д. Решение проблемы комплексного оперативного анализа информации хранилищ, данных / С. Д. Коровкип, И. А. Левенец, И. Д. Ратманова, В. А. Старых, J1. В. Щавелёв. // СУБД, 1997. № 5-6. - с. 47-51.

84. Котлярский, Э.В. Строительно-технические свойства дорожного асфальтового бетона: учеб. пособие / Э.В. Котлярский; МАДИ (ГТУ). М., 2004. - 194 с.

85. Кречетов, П. Продукты для интеллектуального анализа данных. / П. Кречетов, П. Иванов // ComputerWeek-Москва, 1997. № 14-15. - с. 32-39.

86. Круглов, В.В. Искусственные нейронные сети. Теория и практика. / В.В.Крупюв, В.В.Борисов. -М.: Горячая линия Телеком, 2001 . - 382 с.

87. Курицкий, Б.Я. Поиск оптимальных решений средствами Excel 7.0. / Б.Я. Курицкий. СПб.: BITV- Санкт-Петербург, 1997. - 384с.

88. Логовский, A.C. Зарубежные нейропакеты: современное состояние и сравнительные характеристики.- Нейрокомпьютер, 1998, №1, 2.

89. Потоцкий, В.Л. Перспективы применения виртуальных анализаторов в системах управления производством / В.А. Потоцкий, В.М. Чадеев, Е.А. Максимов, H.H. Бахтадзе // Автоматизация в промышленности, 2004, № 5. С.23-29.

90. Лукашевич, В.Н. Технология производства асфальтобетонных смесей, оптимизированная по критерию прочностных свойств асфальтобетона: автореферат докторской диссертации./ В.Н. Лукашевич. Томск. ТГАСУ. 2001.-39с.

91. Люгер, Дж. Ф. Искусственные интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер. с англ. / Дж.Ф. Люгер М.: Издательский дом «Вильяме», 2003. - 864 с.

92. Мандель, И.Д. Кластерный анализ. -М.: Финансы и статистика, 1988. 176 с.

93. Марухин, A.B. Автоматизация управления состава асфальтобетонной смеси: автореферат канд. дис./ A.B. Марухин. М.: МАДИ, 1999 г.

94. Милосердии, O.IO. Автоматизация лаборатории асфальтобетонного завода: автореферат канд. дис./ О.Ю. Милосердии. М.: МАДИ, 2004 г.

95. Мипько, A.A. Принятие решений с помощью Excel. Просто как дважды два. / A.A. Минько,- М.: Эксмо, 2007. 240с.

96. Нейронные сети STATISTICA Neural Networks: Методология и технология современного анализа данных. / Под ред. В.П. Боровикова. 2-е изд. перераб. и доп. - М.: Горячая линия - Телеком, 2008. -392 с.

97. Овчинников, Е.М. Корпоративные информационные системы и технологии / Е.М. Овчинников: конспект лекций М.: Учебный Центр ОАО Газпром, 1999. - 78 с.

98. Остроух, A.B. Методы проектирования информационных систем: Учебное пособие. / A.B. Остроух, Н.Е.Суркова. - М.: РосНОУ, 2004. - 171 с.

99. Питенко, A.A. Использование нейросетевых технологий при решении аналитических задач в ГИС/ A.A. Питенко// Методы пейроииформатики. Сборник научных фудов. Красноярск: КГТУ, 1998, стр.89-96.

100. Подвальный, СЛ. Имитационное управление технологическими объектами с гибкой структурой/ СЛ. Подвальный, B.JI. Бурковский-Воронеж : ВГУ, 1988.-251 с.

101. Пособие по строительству асфалыобегонных покрытий и оснований автомобильных дорог и аэродромов (к СНиП 3.06.03-85 3.06.06-88). / Союздорнии. М., 1991.

102. Пржиялковский, В. В. Сложный анализ данных большого объема: новые перспективы компьютеризации. / В.В. Пржиялковский // СУБД, 1996. № 4. - с. 71-83.

103. Проектирование состава асфальтобетона и методы его испытаний: обзорная информация. / Автомобильные дороги и мосты, вып. 6. -М., 2005.

104. Раден П. Данные, данные и только данные // ComputerWeek-Москва, № 8, 1996. с. 28.

105. Румянцева, ЕЛ. Информационные технологии: учеб. пособие / E.JI. Румянцева, В. В. Слюсарь; под ред . Гагариной Л.Г . М ,:ФОРУМ: ИНФРА-М, 201 1 . -255 с.

106. Ш.Сахаров, А. А. Концепция построения и реализации информационных систем, ориентированных на анализ данных. / А. А. Сахаров // СУБД, 1996. № 4. - с. 55-70.

107. Сахаров, А. А. Принципы проектирования и использования многомерных баз данных (на примере Oracle Express Server) / A.A. Сахаров // СУБД, № 3, 1996. с. 44-59.

108. Сиденко, В.М. Управление качеством в дорожном строительстве. / В.М. Сиденко, С.Ю. Рокас. М.: Транспорт, 1981. 252 с.

109. СНиП 3.06.03-85. Автомобильные дороги. / Госстрой СССР. М: 1989.

110. Сошникова, JI.A. Многомерный статистический анализ в экономике: учеб. пособие для вузов. / Л.А.Сошникова, В.Н.Тамашевич, Г.Уебе, М.Шефер; под ред. проф. В. Н. Тамашевича. М.: ЮНИТИ-ДАНА, 1999. -598 с.

111. Туо, Дж. Инструменты для анализа информации на настольных ПК / Дж. Туо. Пер. с англ. // ComputerWeek-Москва, 1996. № 38. - с. 34-35, 46.

112. Туо, Дж. Каждому пользователю свое представление данных. / Дж. Туо. Пер. с англ. // ComputerWeek-Москва, 1996. - № 38. - С. 1, 32-33.

113. Хапссп Г. Базы данных: разработка и управление. / Г. Хансен, Д. Хансен. Пер. с англ. - М.: ЗАО "Издательство БИНОМ ", 1999. - 704 с .

114. Чаудхури, С. Технология баз данных в системах поддержки принятия решений. / С. Чаудхури, У. Дайал, В. Гаити. Открытые системы, №01/2002

115. Черняк, Л. Управление знаниями и информационные технологии. / Л. Черняк. Computerworld, Россия №23/2000. - URL: http://www.kmtec.spb.su/publications/library/select/uprknowlgandit.shtml.

116. Чубукова, И.A. Data Mining/ И.А. Чубукова. БИНОМ. Лаборатория знаний, 2008. -384с.

117. Шахиди, А. Деревья решений общие принципы работы. // 1995 - 2012 BaseGroup Labs. URL: http:// www. basegroup .ru/1 ibrary / analy si s/tree/description/

118. Щавелёв, Л. В. Способы аналитической обработки данных для поддержки принятия решений // СУБД, № 4-5, 1998.

119. Электронный учебник по статистике. StatSoft, Inc. (2001). // М.: StatSoft. WEB: http://www.statsoft.ru/home/textbook/default.htm.

120. Эсбенсен К. Анализ многомерных данных. / К. Эсбенсен ИПХФ РАН, 2005,- 160с.

121. Agrawal, S. On the Computation of Multidimensional Aggregates. Proc. VLDB Conf., Morgan Kaufmann, San Francisco, 1996

122. Alalouf , C. Hybrid OLAP . / С. Alalouf St. Laurent , Canada: Speedware Corporation Inc., 1997. - p. 55.

123. An Introduction to Multidimensional Database Technology. Kenan Systems Corporation, 1995. - p. 147,412.

124. Analysis of Information Management. // URL: www.aspentech.com.

125. BAAN IV Enterprise Modeler for Microsoft Windows NT. // Baan Development В. V., 1996. 32 p.

126. Brusilovsky, R. Adaptiv and intelligent technologies for web based education. / R. Brusilovsky, In C. Rollinger, С. Peylo (eds.). Special Issue on Intelligent Systems and Teleteaching, konstliche intelligent, 4. - P. 19-25.

127. Cholawsky W.J. Real-Time Manufacturing Database Architecture. / Walter J. Cholawsky , Mike Pantaleano. // Program4 Engineering — Control Engineering, 8/1/2004.

128. Codd, E. F. Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate. / E.F. Codd, S.B. Codd // C.T. S E. F. Codd & Associates, 1993. -p. 245.

129. Continuous Acquisition and Life-cycle Support (CALS) // UK National Codification Bureau, 2005. URL: http://www.ncb.mod.uk/cals.

130. David J. Skyrme. Knowledge Management Solutions / David J. Skyrme. The IT Contribution, URL: www.skreme.com

131. Demarest, M. Building the Data Mart. / M. Demarest. // DBMS, 1994. № 7. -P. 44-50.

132. Dong, G. Sequence Data Mining. / G. Dong, J. Pei. Springer, 2007.

133. Erhard Ram, Hong Hai Do. Очистка данных: проблемы и актуальные подходы. 01.12.2000 // OLAP: сайт. URL : http : //www. о 1 ар. г u/ba s i с/dat ас 1 e an. a sp

134. Esmaeili, M. Finding Sequential Patterns from Large Sequence Data / Mahdi Esmaeili, Fazekas Gabor // International Journal of Computer Science Issues, IJCSI, Vol. 7, Issue 1, No. 1, January 2010.

135. Future Bright for Configuration Management Technology // The PDM Information Center, 2004. URL: http://www.pdmic.com.

136. Galhardas, FI. Declarative Data Cleaning: Model, Language, and Algorithms. / H. Galhardas et al. Proc. VLDB Conf., Morgan Kaufmann, San Francisco, 2001

137. Ganti, V. Mining Very Large Data Sets. / V. Ganti, J. Gehrke, R. Ramakrishnan. Computer, Aug. 1999

138. Goodwin, P. Decision Analysis for Management Judgment. / P. Goodwin, G. Wright / Wiley, Chichester, 3rd edition, 2004.

139. Gray, J. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals/ J. Gray, S. Chaudhuri, A. Bosworth etc. // Data Mining and Knowledge Discovery, 1997. № 1. - P. 29-53.

140. Flan, J. Data Mining: Concepts and Techniques. / J. Flan, M. Kamber. Morgan Kaufmann, San Francisco, 2001

141. Han, J. OLAP Mining: An Integration of OLAP with Data Mining. / J. Han // IFIP, 1997. 18 p. URL: ftp://ftp.fas.sfu.ca/pub/cs/han/kdd/olapm.ps.gz.

142. Harinarayan, V. Implementing Data Cubes Efficiently / V. Elarinarayan, A. Rajaraman, J. D. Ullman // SIGMOD Conference. Montreal, CA, 1996.

143. Hernandez, M. The Merge/Purge Problem for Large Databases. / M. Hernandez, S. Stolfo. Proc. SIGMOD Conf., ACM Press, New York, 1995

144. Inmon, W. IT. Building the Data Warehouse (Second Edition). / W. H. Inmon. -NY: John Wiley, 1993.

145. Jain, A.K. Data clastering: a review. / A.K. Jain, M.N. Murty, P.J. Flynn // ACM Computing Surveys, 1999. Vol.31, № 3. p. 264-323.

146. Kim, W. A Taxonomy of Dirty Data. / W. Kim, B. Choi, E. Hong, S. Kim, D. Lee. // Journal of Data Mining and Knowledge Discovery. The Kluwer Academic-Publishers, 2003

147. Machine Learning, Neural and Statistical Classification / Ed. D. Mitchie et al. -Ellis Horwood, Chichester, UK, 1994. 304 p.

148. Mayer, R. A framework and a suite of methods for business process reengineering / R. Mayer. // URL: http://www.idef.com.

149. Mumick, I. S. Maintenance of Data Cubes and Summary Tables in a Warehouse. / I. S. Mumick, D. Quass, B. S. Mumick. // Stanford University, Database Group, 1996. URL: http://www-db.stanford.edu/pub/papers/cube-maint.ps.

150. New Directions in the Aerospace and Defense Industry: The Integration of Product Data Management and Enterprise Resource Planning Systems // The PDM Information Center, 1996. URL: http://www.pdmic.com.

151. Newquist, H.P. Data Mining: The AI Metamorphosis / FI. P. Newquist // Database Programming and Design, 1996. № 9.

152. OLAP for the Masses. // Business Objects S. A., 1996 URL: http://www.businessobjects.com /product/olap/olap.htm.

153. Parsaye, K. A Characterization of Data Mining Technologies and Processes / K. Parsaye // The Journal of Data Warehousing,! 998.-№ 1. p. 27-29

154. Parsaye, К. OLAP and Data Mining: Bridging the Gap. / К. Parsaye // Database Programming and Design, 1997. № 2.

155. Parsaye, K. Surveying Decision Support: New Realms of Analysis. / K. Parsaye // Database Programming and Design, 1996. № 4.

156. Poncelet, P. Data Mining Patterns: New Methods and Applications / P. Poncelet, F. Masseglia, M. Teisseire. Information Science Reference, 2007. -319 p.

157. Quinlan, J. R. C4.5: Programs for Machine learning. / J. Ross Quinlan. -Morgan Kaufmann Publishers, 1993.

158. Sarawagi, S. User Adaptive Exploration of OLAP Data Cubes. Proc. VLDB Conf., Morgan Kaufmann, San Francisco, 2000

159. Shrivastava, A. Managing storage: trends, challenges and options (2007-2008) / Alok Shrivastava. // EMC Corporation, Hopkinton, Massachusetts. -UM,: www.EMC.com/

160. SPSS для Windows. Руководство пользователя SPSS. // SPSS: сайт. URL:http://www. predictivcsolutions.ru/products/spss/

161. Understanding Product Data Management // Courtesy of Hewlett-Packard Company, 2001. URL: http://www.pdmic.com.

162. Wang, X.Z. Data mining and knowledge discovery for process monitoring and control / X.Z. Wang // Springer, London, 1999.

163. Welander P. Driving Plant Optimisation with Advanced Process Control / P. Welander // Control Engineering, 14/12/2009.

164. Wenger, J. An ITIL-Based Approach to Building Effective Storage Capacity Management in Support of ILM / Joel Wenger // Expert Reference Series of White Papers, 2004. EMC Corporation: сайт. URL: www.globalknowledge.com.

165. Williams, C. S. How the Technology has Evolved / Christopher S. Williams. // URL: http://www.ncb.mod.uk/cals.htm

166. Willis, M. Advanced Process Control. / M.Willis, M. Tham. // School of Chemical Engineering and Advanced Materials, 1994. URL:http://lorien.ncl.ac.uk/ming/advcontrl/apc.htm.