Подход к подбору компрессорного оборудования судна методами статистической обработки данных

Обложка


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Введение. Компрессоры необходимы для обеспечения потребителей судовых энергетических систем и в целом судна сжатым воздухом различного давления и расхода. От грамотного подбора компрессорного оборудования зависит исправное функционирование объектов инфраструктуры водного транспорта. Отсюда возникает необходимость подробного рассмотрения этого вопроса. Если бы все переменные, т.е. рассматриваемые параметры подбора компрессоров, измерялись в одинаковых шкалах и единицах измерения, можно было бы предложить сложить все значения, однако данный подход является очень грубым. Выход – нормировка значений переменных, а затем вычисление на их основе итогового критерия.

Цель. Поиск формального критерия, по которому будет произведен подбор того или иного компрессора.

Материал и методы. Рассматривается подбор компрессорного оборудования для систем пускового и рабочего воздуха судна методами экспоненциальной и линейной нормировки. Для статистической обработки предлагаются определенные параметры компрессоров отечественных и зарубежных производителей. Последующим этапом обработка данных осуществлялась методами максимального правдоподобия и логистической регрессии.

Результаты. Результатом исследования является получение одного формального критерия – итогового рейтинга, вместо нескольких качественных параметров. На основании полученного значения определен оптимальный по совокупности своих характеристик компрессор. Произведено моделирование вероятности отнесения компрессора, с определенным набором характеристик, к положительному или отрицательному классу. Предпринято обучение модели на основе имеющихся тренировочных данных, для подбора компрессоров.

Заключение. Статистические методы обработки данных могут быть применены относительно такого объекта исследования, как компрессор. При наличии набора исходных данных (характеристик компрессора) становится возможным научить машину определить оптимальный вариант компрессора.

Полный текст

Доступ закрыт

Об авторах

Вадим Александрович Цветков

Университет ИТМО

Автор, ответственный за переписку.
Email: wadimtsvetkov@mail.ru
ORCID iD: 0000-0003-4357-0022

аспирант, ассистент

Россия, Санкт-Петербург

Владимир Александрович Пронин

Университет ИТМО

Email: maior.pronin@mail.ru
ORCID iD: 0000-0002-9278-5903
SPIN-код: 3737-3495

д.т.н., профессор

Россия, Санкт-Петербург

Александр Викторович Кованов

Университет ИТМО

Email: avkovanov@itmo.ru
ORCID iD: 0000-0003-2821-795X

аспирант

Россия, Санкт-Петербург

Екатерина Николаевна Михайлова

Университет ИТМО

Email: mikhaylova_en@mail.ru
ORCID iD: 0000-0002-2700-0348

аспирант

Россия, Санкт-Петербург

Список литературы

  1. Гофлин А.П., Шилов В.Д. Судовые компрессорные машины: учебник для судостроит. специальностей вузов. Л.: Судостроение, 1977.
  2. Тигарев П.А. Справочник по судовым компрессорам. Л.: Судостроение, 1981.
  3. Мхитарян В.С. Анализ данных: учебник для академического бакалавриата / под редакцией В. С. Мхитаряна. Москва: Юрайт, 2019.
  4. Ковалев Е.А. Теория вероятностей и математическая статистика для экономистов: учебник и практикум для вузов / под общей редакцией Медведева Г. А. 2-е изд., испр. и доп. Москва: Издательство Юрайт, 2020.
  5. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Berlin: Springer, 2014.
  6. Wasserman L. All of Statistics A Concise Course in Statistical Inference. New York: Springer-Verlag, 2004.
  7. Michie D., Spiegelhalter D.J., Taylor C.C. Machine Learning, Neural and Statistical Classification. Technometrics, 37(4), 1994. Режим доступа: https://www1.maths.leeds.ac.uk/~charles/statlog/whole.pdf
  8. Hosmer Jr. D.W., Lemeshow S., Sturdivant R.X. Applied Logistic Regression. 3rd ed. New York: John Wiley & Sons, 2013.
  9. Бабешко Л.О. Эконометрика и эконометрическое моделирование: учебник. Москва: Вузовский учебник: ИНФРА-М, 2019.
  10. Елисеева И.И. Эконометрика: учебник для бакалавриата и магистратуры. Москва: Юрайт, 2017.
  11. Де Прадо Маркос Лопес: Машинное обучение: алгоритмы для бизнеса. СПб.: Питер, 2019.
  12. James G., Witten D., Hastie T., et al. An Introduction to Statistical Learning: With Applications in R. Berlin: Springer, 2013.
  13. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Berlin: Springer, 2009.
  14. Bishop C.M. Pattern Recognition And Machine Learning. New Delhi: Springer India, 2013.
  15. Постановка и решение задачи с помощью надстройки «Поиск решения» Excel для Microsoft [internet]. – Режим доступа: https://support.microsoft.com/ru-ru/office/постановка-и-решение-задачи-с-помощью-надстройки-поиск-решения-5d1a388f-079d-43ac-a7eb-f63e45925040 Дата обращения: 11.08.2022.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© ООО "Эко-Вектор", 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.