Повышение эффективности оценки потребительских качеств зерна пшеницы и продуктов его переработки

Повышение эффективности оценки потребительских качеств зерна пшеницы и продуктов его переработки

На сегодняшний день в предприятиях отрасли для оценки потребительского качества зерна пользуются следующими основными показателями: натура, количество и качество клейковины, стекловидность, влажность. Однако даже комплексный учет этих показателей ввиду недостаточной своей информативности не может однозначно охарактеризовать достоинства зерна, влияющие на качество производимой из него продукции. В предлагаемой модели использованы следующие показатели: твердозерность, микробиологическая контаминация зерна, содержание тяжелых металлов, содержание поврежденных зерен, засоренность зерна.

Для оценки повышения эффективности определения потребительских качеств зерна и продуктов его переработки за счет определения показателя твердозерности и учета показателей безопасности зерна воспользовались одним из методов принятия решений — методом экспертных оценок. Сущность методов экспертных оценок заключается в том, что в его основу закладывается мнение специалиста или коллектива специалистов, основанное на профессиональном, научном и практическом опыте. Мнения обычно выражены частично в количественной, частично в качественной форме. При выполнении своей роли в процессе управления эксперты производят две основные функции: формируют объекты — показатели качества и производят измерение их характеристик — коэффициенты значимости (весомости). качество зерно пшеница микробиологический Для оценки эффективности определения потребительских качеств зерна и продуктов его переработки в описанных двух моделях вычислены так называемые весовые коэффициенты каждого показателя. Для их нахождения пользовались частным случаем метода экспертных оценок — методом ранжирования. При формирования мнения о порядке приоритета показателей качества зерна и продуктов его переработки опирались также на данные формализации и визуализации информации методом графа.

Структура совокупности показателей качества зерна и продуктов его переработки могут быть представлены графом — совокупностью непустого множества вершин и связей между вершинами, в котором вершины (узлы) — это показатели качества, а ребра (грани) — связи между этими показателями [1]. Для визуализации графов в топологии пользуются различными способами. Визуализация данных проводилась средствами программного обеспечения с открытым исходным кодом: The Open Graph Viz Platform — Gephi 0.8.1-beta. Построение графа осуществили по алгоритму равномерного распределения вершин по квадрату. Все ребра — неориентированные, при этом каждое отдельное ребро имеет свой вес [2]. Вес ребра представляет собой степень связи (коэффициент корреляции) между двумя вершинами — показателями качества.

Ранжирование узлов проводилось по показателю его степени промежуточности (betweenness) — характеристики, описываемой числом присутствия узла в кратчайших путях между любыми другими узлами (количество ребер графа, инцидентных узлу). Высокая степень промежуточности узла говорит о его высокой значимости в процессе формирования потребительского качества зерна и продуктов его переработки [3]. Рядом с каждым узлом помещена метка (label) с именем узла. Размер метки дифференцируется в зависимости от присвоенного узлу ранга: чем выше ранг, тем больше в пунктах размер шрифта метки (рисунок 1). Это позволяет визуально разделить показатели качества по их значимости в модели. Также ранжирование велось по весам узлов, при этом каждому узлу присвоен вес, исходя из средневзвешенного веса инцидентных ему ребер. В данном случае рангу узла соответствует размер его визуального представления (рисунок 2).

Рисунок 2 Структура графа показателей качества зерна и продуктов его переработки с учетом ранжирования узлов по весу.

При обработке результатов экспертного оценивания находили эффективность аддитивной статической модели :

(1).

где — весовой коэффициент для i-того показателя;

— текущее значение i-того безразмерного показателя.

При этом должно выполняться условие нормирования:

. (2).

Отсюда, с учетом ранжирования, показателям качества присвоены следующие весовые коэффициенты:

.

В стандартном случае для оценки качества зерна пользуются следующими показателями (расположены с учетом ранжирования их веса):

— влажность;

— натура;

— стекловидность;

— качество клейковины;

— количество клейковины.

Значения показателей качества получены в результате зернового анализа выборки образцов зерна пшеницы Исследованию подверглось 70 образцов зерна пшеницы.

Если монотонное повышение качества зерна и продуктов его переработки происходит при увеличении значения показателя, текущее значение определяли, исходя из максимального (базового) значения в выборке как:

(3).

где — значение показателя для j-того образца в выборке.

Данное свойство характерно для следующих показателей качества: натура, стекловидность, количество и качество клейковины, твердозерность. В случае монотонного повышения качества зерна и продуктов его переработки при уменьшении значения показателя, текущее значение определяли исходя из минимального (базового) значения в выборке как:

. (4).

Данное свойство характерно для следующих показателей качества: влажность, засоренность и поврежденность зерна, содержание тяжелых металлов, микробиологическая контаминация зерна. При обработке результатов ранжирования получено следующее значение эффективности модели:

.

.

В предлагаемой модели для оценки качества зерна использованы следующие показатели (расположены с учетом ранжирования их веса):

— засоренность зерна;

— содержание поврежденных зерен;

— содержание тяжелых металлов;

— микробиологическая контаминация;

— твердозерность.

При обработке результатов ранжирования получено следующее значение эффективности модели:

.

.

Неравенство наглядно демонстрирует повышение эффективности модели в случае определения потребительских качеств зерна и продуктов его переработки за счет определения показателя твердозерности и учета показателей безопасности зерна. Прибавка эффективности составляет 0,184, что в приводит к ее повышению на 26,98%. В потенциале существует возможность усиления, за счет указания количества повторных измерений каждого показателя для обеспечения необходимой метрологической точности.

• 1. Уилсон, Р.

  Введение

  в теорию графов. — М.: Мир, 1977. — 208 с.

• 2. Оре, О. Теория графов. — М.: Наука, 1968. — 336 с.
• 3. Кирсанов, М. Н. Графы в Maple. — М.: Физматлит, 2007. — 168 с.