Публикационная активность
(сведения по итогам 2021 г.)
2-летний импакт-фактор РИНЦ: 0,441
2-летний импакт-фактор РИНЦ без самоцитирования: 0,408
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,704
5-летний импакт-фактор РИНЦ: 0,417
5-летний импакт-фактор РИНЦ без самоцитирования: 0,382
Суммарное число цитирований журнала в РИНЦ: 9837
Пятилетний индекс Херфиндаля по цитирующим журналам: 149
Индекс Херфиндаля по организациям авторов: 384
Десятилетний индекс Хирша: 71
Место в общем рейтинге SCIENCE INDEX за 2021 год: 196
Место в рейтинге SCIENCE INDEX за 2021 год по тематике "Автоматика. Вычислительная техника": 4
Место в рейтинге SCIENCE INDEX за 2021 год по тематике "Кибернетика" 2
Больше данных по публикационной активности нашего журнале за 2008-2021 гг. на сайте РИНЦ
Добавить в закладки
Следующий номер на сайте
Система раннего предупреждения о нарушении показателей качества питьевой воды
Аннотация:В настоящее время процесс очистки воды вызывает большой интерес в связи со сложной экологической ситуацией, обусловленной производственной и бытовой деятельностью людей. Очень важно поддерживать качество очистки воды на должном уровне, так как это напрямую влияет на здоровье человека. Поскольку со временем состояние водоисточника может меняться, необходимо адаптировать процесс водоочистки к данным изменениям. Требуется постоянно следить не только за состоянием источника поступающей воды, но и за результатами каждой водоочистки. С целью своевременного реагирования на возможную аномальную ситуацию, при которой показатели качества питьевой воды выходят за допустимые пределы, разработана система раннего предупреждения. Физико-химические показатели водоисточника и питьевой воды, полученной после очистки, а также управляемые факторы, оказывающие влияние на качество очистки, контролируются регулярно, результаты измерений образуют систему временных рядов. Процедура выявления возможной аномальной ситуации состоит из двух этапов. На первом этапе проводятся моделирование и прогнозирование факторов, характеризующих состояние источника водоснабжения, на основе под-хода векторной авторегрессии. На втором этапе для прогнозирования показателей качества питьевой воды используются кусочно-линейные регрессионные зависимости показателей качества (с разрывом по отклику) от физико-химических параметров источника водоснабжения и управляемых параметров, характеризующих работу системы водоочистки. При этом для каждого показателя качества питьевой воды строится своя модель оптимального порядка на основе моделирующей выборки оптимального объема. Качество работы системы оценивается с применением контрольной выборки.
Abstract: Nowadays water treatment process is significant and of great interest due to the difficult environmental situa-tion caused by industrial and household activities of people. It is important to maintain the water treatment quality at the proper level, as it directly affects human health. Eventually the state of the water source may be changed, so it is necessary to adapt the water treatment process to these changes. It is necessary to constantly monitor not only the state of an incoming wa-ter source, but also the results of each water treatment. An early warning system was developed to response to a possible ab-normal situation, in which drinking water quality parameters are out of rage, in time. Physical and chemical parameters of water source and drinking water obtained after purification as well as operated factors, which affect the water treatment quality, are controlled regularly and form time series system. The procedure of possible abnormal situation detection consists of two stages. The first stage includes modeling and forecasting the water source state factors based on vector autoregression approach. At the second stage piecewise linear regression dependences of quality factors (with a response break) from physi-cal and chemical parameters of water source and operated factors, which characterize the work of water treatment system, are used to forecast drinking water quality parameters. In addition, for each indicator of drinking water quality there is its own model of optimal order based on the modeling sample of the optimal volume. The system quality is estimated using a test sample.
Авторы: Бубырь Д.С. (bubir91@mail.ru) - Ульяновский государственный технический университет (аспирант), Ульяновск, Россия | |
Ключевые слова: контрольная выборка, кусочно-линейные регрессии, векторная авторегрессия, временной ряд, прогнозирование, физико-химические показатели, качество питьевой воды, система раннего предупреждения |
|
Keywords: test sample, piecewise linear regression, vector autoregression, time series, forecasting, physical and chemical parameters, drinking water quality, early warning system |
|
Количество просмотров: 9378 |
Версия для печати Выпуск в формате PDF (4.84Мб) Скачать обложку в формате PDF (0.35Мб) |
Постоянный адрес статьи: http://swsys.ru/index.php?page=article&id=4009 |
Версия для печати Выпуск в формате PDF (4.84Мб) Скачать обложку в формате PDF (0.35Мб) |
Статья опубликована в выпуске журнала № 2 за 2015 год. [ на стр. 119-123 ] |
Возможно, Вас заинтересуют следующие статьи схожих тематик:
- Адекватные междисциплинарные модели в прогнозировании временных рядов статистических данных
- Интеллектуальный подход к задаче информирования и краткосрочного прогнозирования временного ряда в онлайн-режиме
- Нейронные сети и модели ARIMA для прогнозирования котировок
- Прогнозирование временного ряда инфекционной заболеваемости
- Нейросетевая модель прогнозирования временных рядов финансовых данных
Назад, к списку статей