Статья 5416

Название статьи

РЕГРЕССИОННЫЕ МОДЕЛИ ОЦЕНКИ КАЧЕСТВА ПИТЬЕВОЙ ВОДЫ ПО
ФИЗИКО-ХИМИЧЕСКИМ ПОКАЗАТЕЛЯМ ВОДОИСТОЧНИКА

Авторы

Бубырь Дмитрий Сергеевич, аспирант, Ульяновский государственный технический университет (Россия, г. Ульяновск, ул. Северный Венец, 32), bubir91@mail.ru
Булыжев Евгений Михайлович, доктор технических наук, профессор, кафедра технологии машиностроения, Ульяновский государственный технический университет (Россия, г. Ульяновск, ул.Северный Венец, 32), ecovita05@mail.ru
Клячкин Владимир Николаевич, доктор технических наук, профессор, кафедра прикладной математики и информатики, Ульяновский государственный технический университет (Россия, г.Ульяновск, ул. Северный Венец, 32), v_kl@mail.ru
Крашенинников Виктор Ростиславович, доктор технических наук, профессор, заведующий кафедрой прикладной математики и информатики, Ульяновский государственный технический университет (Россия, г. Ульяновск, ул. Северный Венец, 32), kvrulstu@mail.ru

Индекс УДК

519.246.8:628.1

DOI

10.21685/2072-3059–2016-4-5

Аннотация

Актуальность и цели. Объектом исследования является система водоочистки Санкт-Петербургского водоканала, в которой контролируются семь показателей качества питьевой воды в зависимости от шести физико-химических параметров водоисточника и двух управляемых параметров (дозы коагулянта и флокулянта, используемых при очистке воды). Предмет исследования – качество питьевой воды. Целью исследования является разработка системы раннего предупреждения о возможном нарушении качества питьевой воды вследствие ухудшения физико-химических показателей источника водоснабжения (прогнозируется возможность выхода одного или нескольких показателей качества воды за допустимые пределы) и обеспечение управляющего воздействия (изменение доз коагулянта и флокулянта) для исключения аварийной ситуации.
Материалы и методы. Исследование качества воды проводится путем построения регрессионных моделей, которые наилучшим образом представляют зависимость показателей качества питьевой воды от физико-химических параметров водоисточника и управляемых параметров, исходя из данных мониторинга работы системы водоочистки.
Результаты. Получены модели для показателей качества питьевой воды, которые могут быть использованы для прогнозирования будущего состояния питьевой воды.
Выводы. В результате проведения регрессионного моделирования показателей качества питьевой воды установлено, что «глобальные» модели не обеспечивают необходимую для прогнозирования точность. С целью повышения значения коэффициента детерминации предлагается использование малых выборок с применением кусочно-линейных регрессий с учетом авторегрессий второго порядка. Для оценки влияния управляемых факторов (доз коагулянта и флокулянта) на показатели качества воды рекомендуется использование кусочно-квадратичных моделей. Применение предлагаемых подходов позволит обеспечить прогнозирование возможных аварийных ситуаций, при которых отдельные показатели качества питьевой воды могут выйти за допустимые пределы.

Ключевые слова

качество питьевой воды, состояние источника водоснабжения, регрессионная модель, прогнозирование, кусочно-линейная регрессия, кусочно-квадратичная модель

 

Скачать статью в формате PDF

Список литературы

1. Валеев, С. Г. Системы раннего предупреждения аномальной ситуации при анализе состояния СОЖ / С. Г. Валеев, Е. М. Булыжев // Инженерный журнал. –2011. – № 10. – С. 39–42.
2. Валеев, С. Г. Регрессионное моделирование при обработке наблюдений / С. Г. Валеев. – М. : Наука, 1991. – 272 с.
3. Клячкин, В. Н. Статистические методы в управлении качеством: компьютерные технологии / В. Н. Клячкин. – М. : Финансы и статистика : ИНФРА-М, 2009. – 304 с.
4. Х алафян, А. А. SТАТISТIСА 6. Статистический анализ данных / А. А. Халафян. – 3-е изд. – М. : Бином-Пресс, 2007. – 512 с.
5. Statistica documentation. – URL: documentation.statsoft.com (дата обращения: 31.03.2014).
6. Joaquim, P. Marques de Sá, Applied Statistics Using SPSS, STATISTICA, MATLAB and R. / P. Joaquim. – Berlin : Springer, 2007. – P. 520. 
7. Rasmussen, C. E. Gaussian Processes for Machine Learning / C. E. Rasmussen, C. K. I. Williams. – Massachusetts : The MIT Press, 2006. – P. 248.
8. Seber, G. A. F. Linear Regression Analysis / G. A. F. Seber and J. L. Alan. ‒2nd edition. – Wiley, 2003. – P. 582.
9. Nathans, L. L. Interpreting Multiple Linear Regression: A Guidebook of Variable Importance / L. Laura Nathans, L. Frederick, Nimon Kim // Practical assessment research  & evaluation. – 2012. – Vol. 17, № 9. – URL: scholarship.rice.edu/ bitstream/handle/1911/71096/2012-Nathans-%20PARE-RegressionGuidebook.pdf (дата обращения: 30.04.2015).
10. Nonlinear Modeling and Forecasting / M. Casdagli and S. Eubank (eds.) // SFI Studies in the Sciences of Complexity, Proc. Addison-Wesley. – 1992. – Vol. XII.
11. Palit, A. K. Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications (Advances in Industrial Control) / Anjoy K. Palit, Dobrivoje Popovic. ‒ L. : Springer-Verlag London Limited, 2005. – P. 372.
12. Box, G. E. P. Time Series Analysis. Forecasting, and Control / G. E. P. Box, G. M. Jenkins and G. C. Reinsel. – 3rd ed. – Prentice-Hall, Englewood Cliffs. NJ, 1994. – P. 406.
13. Крашенинников, В. Р. Кусочно-квадратичное моделирование регрессионных зависимостей при оценке качества питьевой воды / В. Р. Крашенинников, Д. С. Бубырь // Междисциплинарные исследования в области математического моделирования и информатики : материалы 3-й науч.-практ. internet-конф. (20–21 февраля 2014 г.) / отв. ред. Ю. C. Нагорнов. – Ульяновск : SIMJET, 2014. –
233–236 с.
14. Krasheninnikov, V. R. A Way to Detect the Straight Line Trajectory of an Immovable Point for Estimating Parameters of Geometrical Transformation of 3D Images / V. R. Krasheninnikov, M. A. Potapov // Pattern Recognition and Image Analysis. – 2011. – Vol. 21, № 2. – P. 280–284.

 

Дата создания: 26.12.2016 13:28
Дата обновления: 21.06.2017 10:17