Помощь в написании студенческих работ
Антистрессовый сервис

Математическое моделирование аэротенков на очистных сооружениях с привлечением знаковых методов

Диссертация: Математическое моделирование аэротенков на очистных сооружениях с привлечением знаковых методов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Основная проблема моделирования очистных сооружений связана с тем, что большинство из них используют биологическую очистку стока. В этих условиях получение необходимой информации трудоемко и длительно по времени, а доступные данные, как правило, неоднородны, содержат аномальные значения и пропуски. Кроме того, имеется большое количество случайных факторов, которые можно учесть, применив… Читать ещё >

Математическое моделирование аэротенков на очистных сооружениях с привлечением знаковых методов (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. ОБЪЕКТ ИССЛЕДОВАНИЯ. ОСНОВНЫЕ ЭТАПЫ РЕШЕНИЯ ЗАДАЧИ
    • 1. 1. Типовая схема очистных сооружений предприятия
    • 1. 2. Стадия биологической очистки сточных вод. Аэротенки
    • 1. 3. Задачи исследования
    • 1. 4. Этапы моделирования очистных сооружений
      • 1. 4. 1. Подходы к моделированию систем биологической очистки сточных вод. Обоснование выбранного подхода
      • 1. 4. 2. Определение сходности функционирования аэротенков с применением непараметрического дисперсионного анализа Крускала-Уолиса
    • 1. 5. Выводы
  • Глава 2. ПОЛУЧЕНИЕ НЕОБХОДИМОЙ ИНФОРМАЦИИ И ЕЕ ПРЕДВАРИТЕЛЬНЫЙ АНАЛИЗ
    • 2. 1. Организация эксперимента на аэротенке
    • 2. 2. Предварительный анализ данных
      • 2. 2. 1. Задачи предварительного анализа данных
      • 2. 2. 2. Преобразования, стабилизирующие дисперсию
      • 2. 2. 3. Анализ аномальных наблюдений
      • 2. 2. 4. Оценка интервала дискретности измерения характеристик процесса очистки
      • 2. 2. 5. Соотношение частот измерения различных переменных
      • 2. 2. 6. Выявление взаимосвязей между переменными, характеризующими процесс очистки
    • 2. 3. Определение влияния концентрации ТЧН/ в промышленном стоке на качество очистки сточных вод
    • 2. 4. Исследование сравнительной эффективности систем аэрации аэротенка
    • 2. 5. Выводы
  • Глава 3. ПРИМЕНЕНИЕ РОБАСТНЫХ И НЕПАРАМЕТРИЧЕСКИХ МЕТОДОВ В ИДЕНТИФИКАЦИИ ПРОЦЕССОВ ОЧИСТКИ ПРОМЫШЛЕННОГО СТОКА
    • 3. 1. Непараметрические методы обнаружения особенностей в данных
      • 3. 1. 1. Критерий серий
      • 3. 1. 2. Критерий инверсий
    • 3. 2. Принципы построения робастных методов
    • 3. 3. Непараметрическая регрессия
      • 3. 3. 1. Обзор непараметрических методов
      • 3. 3. 2. Знаковый метод
      • 3. 3. 3. Модифицированный алгоритм знакового метода
    • 3. 4. Знаковый и модифицированный знаковый алгоритм оценки параметров авторегрессии
    • 3. 5. Сравнительный анализ эффективности модифицированного алгоритма знакового метода
    • 3. 6. Выводы
  • Глава 4. ИДЕНТИФИКАЦИЯ ПАРАМЕТРОВ ПРОЦЕССА ОЧИСТКИ СТОЧНЫХ ВОД ПРЕДПРИЯТИЯ
    • 4. 1. Оценка качества уравнения регрессии
    • 4. 2. Выбор вида модели
      • 4. 2. 1. Применение метода полного перебора для нахождения зависимости
      • 4. 2. 2. Применение бутстреп-метода для анализа смещения оценки параметров модели
      • 4. 2. 3. Построение зависимости для определения ХПК в очищенном стоке
      • 4. 2. 4. Построение зависимости для определения КН4+ в очищенном стоке
      • 4. 2. 5. Построение зависимости для определения N в очищенном стоке
      • 4. 2. 6. Построение зависимости для определения №Эз~ в очищенном стоке
    • 4. 3. Выводы

Очистные сооружения предназначены для нейтрализации и очистки сточных вод. От того, как работают очистные сооружения, во многом зависит состояние окружающей среды. Известно, что в связи с обострением экологических проблем требования к качеству очистки постоянно ужесточаются. Удовлетворить эти требования возможно, применяя адекватные математические модели для управления процессом очистки промышленных и хозяйственно-бытовых стоков.

Применение математических моделей позволяет предсказывать степень нейтрализации и очистки поступающего стока в зависимости от значения технологических переменных очистных сооружений и переменных, характеризующих состав сточных вод. Появляется возможность обоснованно выбирать такие режимы работы, которые позволяют не только повысить степень очистки сточных вод, но и снизить затраты на эксплуатацию самих сооружений. Кроме этого, возможно решение и ряда других задач, таких как выяснение причин превышения допустимого уровня концентраций загрязняющих веществ в очищенном стоке и формирование гибкого и эффективного плана контроля за переменными на различных этапах очистки.

Основная проблема моделирования очистных сооружений связана с тем, что большинство из них используют биологическую очистку стока. В этих условиях получение необходимой информации трудоемко и длительно по времени, а доступные данные, как правило, неоднородны, содержат аномальные значения и пропуски. Кроме того, имеется большое количество случайных факторов, которые можно учесть, применив стохастические методы построения математической модели. Если влияние случайных факторов велико, стохастические методы являются более точными по сравнению с детерминированными методами.

Вопросы разработки моделей на основе стохастических методов содержатся в работах В. С. Балакирева, В. А. Вавилина, Ю. В. Первушина, И. В. Гордина, В. В. Найденко, В. В. Кафарова, Р. Н. Каримова и др. В большинстве работ предполагается, что соблюдаются основные постулаты классического статистического анализа, например, что все наблюдения независимы, распределены нормально, в них отсутствуют выбросы. Опыт эксплуатации большинства технологических объектов показывает, что нормальное распределение переменных, характеризующих работу очистных сооружений, практически никогда не выполняется.

В данной работе предлагается модель статики процесса очистки сточных вод, разработанная на основе стохастических методов в условиях нарушения основных постулатов классического статистического анализа. Поэтому при построении модели уделяется большое внимание организации плана эксперимента для получения необходимой для создания модели выборки. Моделирование производится на основе непараметрических методов, то есть методов, применение которых не требует знания закона распределения исследуемых данных. Для оценки параметров полученной регрессионной модели необходима разработка нового алгоритма знакового оценивания, что обуславливает актуальность, экономическую целесообразность и практическую ценность данной работы.

Цель исследования. Разработка регрессионной модели для прогнозирования процесса биологической очистки промышленных сточных вод в условиях нормальной эксплуатации очистных сооружений. Для достижения этой цели в работе решены следующие задачи:

— проведение разведочного анализа для построения предварительной модели;

— 7- формирование плана проведения эксперимента для получения данных, необходимых для создания модели;

— разработка непараметрического алгоритма оценивания регрессионных и авторегрессионных моделей;

— построение модели зависимостей переменных очищенного стока от характеристик сточных вод на входе аэротенка и технологических переменных, задающих режим работы аэротенка.

Научная новизна:

— с помощью параметрических и непараметрических методов выявлены основные свойства переменных, характеризующих процесс очистки сточных вод, что необходимо для более детального анализа информации с применением развитых статистических процедур и для дальнейших этапов построения модели;

— получена методика проведения исследований по оценке эффективности работы биологической стадии очистки на основе разработанной процедуры предварительной обработкиразработанная методика применена к задаче исследования систем подачи воздуха, что снизило потребление электроэнергии аэротенками;

— при помощи непараметрического дисперсионного анализа Крускала-Уолиса подтверждена гипотеза о статистической неразличимости работы аэро-тенков в отношении процесса нитрификации, что дало возможность построить формальную модель биологической очистки;

— предложено использование характеристик особых точек исследуемой последовательности для оценки частоты измерения переменных, характеризующих процесс очистки сточных вод, в условиях наличия в реализациях длительных по времени групп пропусков;

— разработан новый непараметрический алгоритм знакового оценивания параметров регрессионных и авторегрессионных моделей, позволяющий получать точечные и интервальные оценки при наличии в данных аномальных наблюдений и неизвестном законе их распределения;

— на основе регрессионного анализа построена модель биологической стадии очистки сточных вод, позволившая связать переменные, характеризующие очищенный промышленный сток, с концентрациями вредных веществ на входе аэротенка, что повысило качество очистки и снизило стоимость эксплуатации сооружений за счет соответствующих изменений режимов их работы.

Практическая значимость. Практическую значимость представляют:

— разработанный комплекс прикладных программ, позволивший реализовать основные результаты проведенных исследований в управлении очистных сооружений;

— методика оценки эффективности работы биологической стадии очистки сточных вод при незначительных затратах на проведение эксперимента за счет максимального использования априорной информации;

— с использованием методики проведено сравнение эффективности работы различных систем аэрации на очистных сооружениях предприятия ООО «Саратоворгсинтез», что снизило потребление электроэнергии на биологической стадии очистки сточных вод;

— материалы работы были применены в учебном процессе специальности 220 200 «Автоматизированные системы обработки информации и управления» в Саратовском государственном техническом университете.

На защиту выносятся:

— новая методика проведения разведочного анализа данных, определяющая подход к построению регрессионной модели аэротенков при нормальных режимах эксплуатации;

— модифицированный алгоритм непараметрического оценивания параметров регрессионной и авторегрессионной модели, применимый в условиях наличия в данных аномальных значений и не требующий знания закона распределения остатков уравнения регрессии;

— математическая модель функционирования аэротенка в условиях нормальной эксплуатации, состоящая из уравнений множественной регрессии, полученных в условиях наличия аномальных наблюдений, малости выборки и неизвестном распределении откликов;

— методика внедрения разработанного математического обеспечения на предприятиях органического синтеза химической промышленности.

Внедрение. Результаты теоретических исследований использованы при моделировании очистных сооружений ООО «Саратоворгсинтез» и сравнении эффективности систем аэрации, что позволило скорректировать план контроля за основными переменными, характеризующими процесс очистки, а также обоснованно принять решение о выборе системы аэрации на основе титановых барботажных элементов и сократить затраты на эксплуатацию очистных сооружений. В диссертации приведен акт о внедрении, подтверждающий практическое использование результатов исследования.

Апробация. Основные теоретические положения и практические результаты диссертационной работы обсуждались и докладывались на V Международной электронной научной конференции (Воронеж, 2000) — Второй Всероссийской научно-технической конференции (Нижний Новгород, 2000) — Международной научно-практической конференции «Окружающая природная среда и медицинская экология» (Пенза, 2001) — Всероссийской конференции «Экологизация подготовки специалистов в вузах. Утилизация и переработка отходов» (Саратов, 2001) — III Международной научно-практической конференции «Хозяйственно-питьевая и сточные воды: проблемы очистки и использования» (Пенза, 2001).

Публикации. По теме диссертации опубликовано 8 работ.

Структура и объем диссертации

Диссертация содержит 145 страниц и состоит из введения, четырех глав, заключения, списка использованных источников, включающего 144 наименования, 29 рисунков, 37 таблиц.

4.3. ВЫВОДЫ.

Построена модель аэротенка на основе регрессионного анализа, которая позволяет предсказывать качество очистки сточных вод в зависимости от технологического режима работы аэротенка и от концентраций в стоке вредных веществ. Модель применима на большинстве очистных сооружений, использующих метод биологической очистки сточных вод.

Решена задача выбора уравнения регрессии, адекватно описывающего имеющиеся данные, и пригодного к прогнозу. Адекватность подтверждена при проверке бутстреп-методом и проверкой на реальных данных, не использовавшихся при создании модели.

Определено смещение полученных оценок параметров уравнений регрессий, вызванное ошибками измерения регрессоров. Это позволило скорректировать имеющиеся зависимости и получить достоверный прогноз качества очистки сточных вод, причем ошибка предсказания в основном не превышает погрешности методик измерения откликов.

Произведено сравнение оценок, полученных разными методами, для параметров уравнений регрессии. Сравнение показало, что разработанный знаковый алгоритм позволяет получать оценки параметров с более узкими доверительными интервалами, по сравнению с оценками по методу наименьших квадратов и параметрическому робастному методу модифицированных весов.

— 132.

Показано, что в условиях нормальной эксплуатации очистных сооружений, т. е. при отсутствии залповых сбросов содержание органических веществ в очищенном стоке в основном зависит от поступающего объема сточных вод и от концентрации азота аммонийного в стоке на входе в аэротенк.

Выявлено, что протекание первой стадии процесса нитрификации главным образом зависит от концентрации фенола в промышленном стоке на входе аэротенка. Определено, что концентрация нитратов в очищенном стоке зависит от концентраций фосфатов, азота аммонийного, объема поступающего стока и объема ила на выходе аэротенка. Процесс денитрификации зависит от концентраций фенола и фосфатов в промышленном стоке. Соответствующие изменения объема подаваемого стока, концентраций вредных веществ в промышленном стоке за счет разбавления сточных вод речной водой позволили снизить поступление вредных веществ в окружающую среду.

Заключение

.

1. На основе непараметрического дисперсионного анализа Крускала-Уолиса подтверждена гипотеза о статистической неразличимости работы аэротенков в отношении процесса нитрификации. Это подтверждает возможность создания модели биологической очистки сточных вод. Поставлена и решена задача предварительного анализа данных, характеризующих работу очистных сооружений предприятия на биологической стадии очистки промышленного стока.

2. Разработана методика анализа особенностей работы очистных сооружений, позволившая повысить эффективность их функционирования. Ее преимуществом является использование ретроспективных данных и возможность применения на большинстве очистных сооружений предприятий органического синтеза.

3. Предложен новый алгоритм непараметрического оценивания параметров регрессионных и авторегрессионных моделей, не требующий априорной информации о законе распределения данных. Разработанный алгоритм знакового оценивания позволяет получать оценки параметров модели по данным, содержащим аномальные значения, в тех случаях, когда классический метод наименьших квадратов неприменим, и дает более точные оценки по сравнению с параметрическими робастными методами.

4. На основе математического аппарата непараметрического регрессионного анализа построена модель процессов биологической очистки, позволяющая прогнозировать состав сточных вод на выходе очистных сооружений.

5. Предложена методика внедрения разработанного математического обеспечения на предприятиях органического синтеза химической промышленности.

Показать весь текст

Список литературы

  1. Ю.П., Гадолина И. В., Ляндрес М. Н. Бутстреп-моделирование при построении доверительных интервалов по цензурированным выборкам // Заводская лаборатория, 1987, № 10,с.90−94.
  2. Дж. Стохастические системы/Перевод с англ. Н. Г. Волкова,-М.:Мир, 1987.-376с.
  3. Т.В. Восстановление функции с конечным числом разрывов 1 рода по зашумленным данным // Математика, 2001, № 7,с.65−68.
  4. М. Линейные стохастические системы с постоянными коэффициентами. Статистический подход: Пер. с англ./Под ред. Ю. А. Розанова.М. :Наука, 1989.-3 04с.
  5. И.Н., Бородюк В. П., Полвонов Ф. Ю. Формирование оптимальной регрессионной структуры по данным пассивного эксперемента // Заводская лаборатория, 1987, № 10,с.94−99.
  6. В.И. Теория планирования эксперимента:Учеб. пособие для вузов по спец. «Прикл. математика».-М.:Радио и связь, 1983.-248с.
  7. В.Б., Кутенков Р. П. Модели и методы планируемого эксперимента: Учеб. пособие для студ. спец.2202,2204.-Саратов:СГТУ, 1994.-50с.
  8. B.C., Дудников Е. Г., Цирлин A.M. Экспериментальное определение динамических характеристик промышленных объектов управления. М.:Энергия, 1967.
  9. К. и др. Технические записки по проблемам воды. М.:Стройиздат. 1983 .Т. 1,2.
  10. Бенда^ Джулиус С., Пирсол А. Д. Применения корреляционного и спектрального анализа/Пер. с англ. А. Кочубинского, В.Е. Привальского-Под ред. И. Н. Коваленко.-М.Мир, 1983.-312с.
  11. С.Л., Погодаев А. К. Пошаговая нелинейная регрессия по последовательно поступающим данным // Заводская лаборатория, 1995, № 10,с.57−58.
  12. П.Б., Островский Е. И. Адаптивное оценивание регрессии, плотности и спектра // Заводская лаборатория, 1996, № 7,с.57−58.
  13. М.В., Симонова Г. И., Тюрин Ю. Н. Знаковый статистический анализ линейных моделей.М.:Наука, Физматлит, 1997.288с.
  14. A.A. Математическая статистика: Оценка параметров. Проверка гипотез.Учеб. пособие для мат. и физ. спец. вузов.-М.:Наука, 1984−472с.
  15. Брауне Яг А. Обработка результатов и планирование эксперимента: Учеб. пособие для спец. 2903.-РИГА:РПИ, 1989.-66с.
  16. Бунич A. J1. Идентификация дискретных линейных объектов с большим отношением сигнал/шум // Автоматика и телемеханика, 2001, № 3,с.53−62.
  17. Ю.Б., Воробейчиков С. Э. Обнаружение разладки процесса авторегрессии, наблюдаемого с помехами // Автоматика и телемеханика, 2000, № 3,с.76−89.
  18. В.Н., Гуреев А. Б., Новиков Д. А., Цветков A.B. Эффективность ранговых систем стимулирования // Автоматика и телемеханика, 2000, № 8,с.115−125.
  19. Ю.Ф. О возможности использования ранговых критериев однородности при сертификационных испытаниях // Заводская лаборатория, 1995, № 7,с.54−55.
  20. А.Д., Буштрук Т. Н. Структурная идентификация нелинейных динамических объектов в режиме пассивного эксперимента // Автоматика и телемеханика, 2001, № 8,с.61−67.
  21. В.А. Нелинейные модели биологической очистки и процессы самоочищения в реках.-М.:Наука, 1983.
  22. В.А. Унифицированная модель для расчета аэротенков и фильтров//Самоочищение воды и миграция загрязнений по трофической цепи.-М.:Наука, 1984.С.34−41.
  23. В.А., Кузьмин С. С. Сравнительная оценка математических моделей, применяемых для расчета биофильтров//Водные ресурсы, 1982, № 2,с. 109−115.
  24. В.Б., Топников В. Е. Динамика процесса биоочистки активным илом.//Самоочищение воды и миграция загрязнений по трофической цепи. М.:Наука. 1984.С.132−138.
  25. С.Я. Статистическая обработка результатов исследования случайных функций.-М.:Энергия, 1979.-320с.
  26. С.Я. Статистические методы исследования систем автоматического регулирования.-М.?Советское радио, 1967.-200с.
  27. В.В. Модели случайных процессов для вероятностных задач синтеза АСУ. Генеральная совокупность реализаций. Эргодичность. Единственная реализация.-М.:Изд-во МЭИ, 1998.-64с.
  28. В.В., Каримов Р. Н. Оценка корреляционных функций в промышленных системах управления.-М. ¡-Энергия, 1979.-80с.
  29. Е.Т. и др. Планирование и организация измерительного эксперимента.-Киев:Вища шк., 1987.-279с.
  30. К.В., Королева О. И., Никифоров В. О. Робастное управление нелинейными объектами с функциональными неопределенностями // Автоматика и телемеханика, 2001, № 2,с. 112−121.
  31. Я., Шидак 3. Теория ранговых критериев. Перевод с англ. Д. М. Чибисова. Под ред. Л. Н. Большева.М., Наука, 1971.-375с.
  32. А.Ю. О выпуклой задаче оптимизации в пространстве мер с моментными ограничениями // Автоматика и телемеханика, 2000, № 8,с.37−46.
  33. В.А., Кафаров В. В., Павлов П. Г. Логическое управление технологическими процессами. М.?Энергия, 1978.-272с.
  34. И.В. Технологические системы водообработки. Л.:Химия.1987.- 13 737. Гордин И. В., Манусова Н. Б., Смирнов Д. Н. Оптимизация химико-технологических систем очистки промышленных сточных вод. Л.:Химия, 1977.-176с.
  35. С.Д. Восстановление пропусков в данных методом неиерархических разбиений // Автоматика и телемеханика, 2001, № 3,с.134−140.
  36. Л.Т. Основы экспериментальных исследований:Учеб. пособие.-Фрунзе:ФПИ, 1989.- 101с.
  37. В.И., Попов A.A. Пакет программ оптимального планирования эксперимента.-М.:Финансы и статистика, 1986.-158с.
  38. Н., Лион Ф. Статистика и планирование эксперимента в технике и науке: Методы обраб. данных/Пер. с англ. под ред. Э. К. Лецкого.-М.:Мир, 1980.-6 Юс.
  39. Н., Смит Г. Прикладной регрессионный анализ.-М.:Финансы и статистика, кн.1, 1986.-366с.
  40. Н., Смит Г. Прикладной регрессионный анализ.-М.:Финансы и статистика, кн.2, 1987.-351с.
  41. А.Л. Алгоритм идентификации характеристик динамической системы по данным наблюдений // Автоматика и телемеханика, 2000, № 5,с.58−66.
  42. И.Р. Формирование прямых наблюдений и аппроксимация плотности вероятности при округлении экспериментальных данных // Автоматика и телемеханика, 2000, № 3,с.90−101.
  43. A.M. и др. Многомерные статистические методы: Учеб. для экон. спец. вузов/А.М. Дубров, B.C. Мхитарян, Л. И. Трошин.-М.:Финансы и статистика, 1998.-350с.
  44. К. Применение статистики в промышленном эксперименте/Пер. с англ. под ред. Э. К. Лецкого.-М.:Мир, 1979.-300с.
  45. М.А., Брагинский Л.И, Оптимизация биохимической очистки сточных вод. М.:Стройиздат.1979.
  46. А.И., Шамаров П. А. Прямой проекционный метод в задаче полных наименьших квадратов // Автоматика и телемеханика, 2000, № 4,с.77−87.
  47. В.Н. Робастная стабилизация параметрически возмущаемой системы // Автоматика и телемеханика, 2001, № 2,с.122−134.
  48. Э.Л. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975.-416с.
  49. Э.Л. Статистические методы при автоматизации производства. М.:Энергия, 1964, — 192с.
  50. Э.Л., Соркин Л. Р. Оперативное управление непрерывным производством: задачи, методы, модели. М.:Наука, 1988.-160с.
  51. Р.Н. Обработка экспериментальной информации. Часть 1. Разведочный анализ. Анализ качественных данных. Учебное пособие/СГТУ, Саратов, 1999,-104с.
  52. Р.Н. Обработка экспериментальной информации. Часть 2. Регрессионный анализ. Учебное пособие/СГТУ, Саратов, 1999.- 104с.
  53. Р.Н. Статистика нестационарных случайных процессов в АСУ. Учебное пособие/СПИ, Саратов, 1986.-80с.
  54. Р.Н., Бабакова О. В., Усов Д. П. Разведочный анализ в системах биологической очистки сточных вод для выявления особенностей их функционирования//Вода и экология: проблемы и решения. № 2/ -Санкт-Петербург: 2001- с. 20−24.
  55. Р.Н., Усов Д. П., Бабакова О. В. Моделирование процессов, происходящих в аэротенке при очистке сточных водЮкологизацияподготовки специалистов в ВУЗах. Утилизация и переработка отходов.: Сборник научных трудов. -Саратов: СГТУ, 2001,-с. 54−57.
  56. Р.Н., Усов Д. П., Бабакова О. В. Построение управляющей модели в системе технологического процесса//Вопросы преобразовательной техники, частотного привода и управления: Межвуз. науч. сб.-Саратов: СГТУ, 2001.
  57. Р.Н., Усов Д. П. Знаковый метод оценки статических характеристик объектов в системах управления//Вопросы преобразовательной техники, частотного привода и управления: Межвуз. науч. сб. -Саратов: СГТУ, 2000,-с. 43−48.
  58. Р.Н., Усов Д. П. Модификация знакового метода оценки параметров модели//Современные проблемы информатизации в технике и технологиях: Труды V Международной электронной научной конференции. -Воронеж: ЦЧКИ, 2000,-с. 22.
  59. .В., Козачок А. Г. Планирование и организация измерительного эксперимента: Учеб. пособие для студентов ст. курсов всех форм обучения.-Новосибирск:ИЭТИ, 1980,-115с.
  60. В.Б. Методы кибернетики в химии и химической технологии. М.:Химия.1985.
  61. М.Дж., Стьюарт А. Многомерный статистический анализ временных рядов. М.:Наука, Гл.ред.физ.-мат.лит., 1976.736с.
  62. И.Н. Вероятностный расчет и оптимизация.-Киев:Наук. думка, 1989.-191с.
  63. Г. И. Методика выбора оптимального плана эксперимента при идентификации статистических нелинейных объектов с заданной точностью // Заводская лаборатория, 1993, № 1,с.54−57.
  64. .В. Применение весового метода для нахождения оценок параметров закона распределения // Заводская лаборатория, 1993, № 10,с.55−56.
  65. С.Г. Об ошибках в описании F-критерия и кое-что об односторонних статистических критериях // Заводская лаборатория, 1993, № 7,с.56−57.
  66. О.И., Никифоров В.О, Нелинейное робастное управление линейным объектом // Автоматика и телемеханика, 2000, № 4,с.117−128.
  67. В.И. Многофакторные кусочно-линейные модели.-М.?Финансы и Статистика, 1984.-216с.
  68. Ю.А. Асимптотические свойства бутстреп-оценок (Обзор) // Заводская лаборатория, 1987, № 10,с.76−82.
  69. В.А. Автоматизация статистического анализа данных: Пакеты прикладных программ.-М.:Наука, 1988.-230с.
  70. JI.A., Толстова Т. А. Определение оптимального базиса аппроксимации экспериментальных данных // Заводская лаборатория, 1995, № 10,с.53−56.
  71. О.М. Исследование алгоритмов гарантирующего оценивания в задачах прогнозирования и интерполяции случайных процессов // Автоматика и телемеханика, 2001, № 4,с.67−79.
  72. Э.Л. Теория точечного оценивания/Перевод с англ. Ю. В. Прохорова,-М.:Наука, 1991.-443с.
  73. И., Ляга И. Основные таблицы математической статистики. М.:Финансы и статистика, 1985.-356с.
  74. Н.В., Федоткин М. А. Вероятностная модель адаптивного управления конфликтными потоками. Качественное и численное исследование // Автоматика и телемеханика, 2000, № 6,с.69−78.
  75. P.A., Рубин Д. Б. Статистический анализ данных с пропусками/Пер. с англ.-М.:Финансы и статистика, 1991.-336с.
  76. E.H. Статистические методы построения эмпирических формул:Учеб. пособие для втузов.-М.:Высш. шк., 1988.-238с.
  77. Л. Идентификация систем. Теория пользователя: Пер. с англ./Под ред. Я. З. Цыпкина.-М.Наука. Гл. ред. физ.-мат. лит., 1991.-432с.
  78. В.Д. Планирование измерений и обработка результатов эксперимента: Учеб. пособие/Санкт-Петербург. гос. техн. ун-т.-СПб. :СП6ГТУ, 1992.-26с.
  79. Майндональд Джон Вычислительные алгоритмы в прикладной статистике/Пер. с англ. Б. И. Клименко, A.B. ГмырщПод ред. Е. З. Демиденко.-М.Финансы и статистика, 1988.-348с.
  80. Г. А., Померанцев А. Л. Последовательное байесовское оценивание параметров регрессии // Заводская лаборатория, 1995, № 7,с.55−57.
  81. A.B., Мусаев A.A. Робастные методы результатов измерений: Учеб. пособие/Под ред. Г. В. Стогова.-М.:М-во обороны СССР, 1980.-144с.
  82. Е.В., Маслак A.A. Рандомизация и статистический вывод,-М.:Финансы и статистика, 1986.-208с.
  83. Математические модели в экологии и генетике. М.:Наука, 1981.
  84. Математические модели сложных систем. Надежность и обработка информации: Сб.ст./Под ред. Н. Г. Баринова, В. П. Скитовича.-Л.:ЛГУ, 1986,-180с.
  85. Г. Я. Характеристики стохастической взаимосвязи и их измерения.-М. :Энергоиздат, 1982.-320с.
  86. Монтгомери, Дуглас К. Планирование эксперимента и анализ данных/Сокр. пер. с англ. В. А. Коптяева.-Л.Судостроение, 1980.-383с.
  87. Ф., Тьюки Д. У. Анализ данных и регрессия/Пер. с англ. Ю.Н. Благовещенского- Под ред. и с предисл. Ю. П. Адлера.-М.:Финансы и статистика, 1982.-319с.
  88. В.В., Кулакова А. П., Шеренков И. А. Оптимизация процессов очистки природных и сточных вод. М.:Стройиздат, 1984.152с.
  89. В.В., Щербина В. М., Козюберда А. И. Управление системой биологической очистки сточных вод//Водоснабжение и сантехника.-1987, № 10,с.23−27.
  90. Новые идеи в планировании эксперимента. М.:Наука, 1969.-336с.- 14 296. Обнаружение изменения свойств сигналов и динамических систем: Пер. с англ./М. Бассвиль, А. Вилски, А. Банвенист и др.- Под ред. М. Бассвиль, А. Банвениста.-М. Мир, 1989.-278с.
  91. A.B. Робастное оценивание коэффициентов регрессионной модели // Заводская лаборатория, 1996, № 5,с.54−55.
  92. М.А. Методы статистического оценивания параметров случайных процессов.-М.-Энергоиздат, 1990.-206с.
  93. A.M. Оптимизация контроля состава полезных ископаемых и продуктов их переработки // Заводская лаборатория, 1993, № 10,с.53−58.
  94. А.И. Методы поиска наиболее информативного множества признаков в регрессионном анализе // Заводская лаборатория, 1995, № 1,с.52−55.
  95. А.И. О реальных возможностях бутстрепа как статистического метода // Заводская лаборатория, 1987, № 10,с.82−85.
  96. В.О., Шевчук Б. И. Интенсификация работы водоочистных сооружений. Киев: БудивЭлнык, 1989.-125с.
  97. Ю.Л., Хенинен А. Я. Проблема усиления гипотез регрессионного анализа // Заводская лаборатория, 1995, № 1,с.57−58.
  98. М., Слейтер Л. Динамическая регрессия: теория и алгоритмы/Пер. с англ.- Под ред. Э. Б. Ершова.-М.:Финансы и статистика, 1984.-310с.
  99. Э. Основы теории статистических выводов/Пер. с анг. И. А. Маховой, М.В. Хатунцевой- Под ред. А. Н. Ширяева.-М.Мир, 1986.-104с.
  100. В.И., Воронина Е. Д. Теоретические основы организации и анализа выборочных данных в эксперименте. Под ред. A.B. Башарина.-Л.:Изд-во Ленингр. ун-та, 1979.-232с.
  101. Дж. Справочник по вычислительным методам статистики/Перевод с анг. B.C. Занадворова- Под ред. и с предисл. Е. М. Четыркина.-М. ¡-Финансы и статистика, 1982,-344с.
  102. P.A., Пых Ю.А., Швытов И. А. Динамические модели экологических систем.-Л.:Гидрометиздат, 1982.
  103. .Б., Хрущев В. А. Бутстреп как метод оценки изменчивости геолого-технологических параметров руд (Обобщающая статья) // Заводская лаборатория, 1987, № 10,с.86−90.
  104. В.А., Шмидт Л. И. Очистка сточных вод в химической промышленности. Л: Химия, 1977.464 с.
  105. Н.Е. Приближенный метод поиска оптимального управления нелинейных стохастических систем с ограничениями // Автоматика и телемеханика, 2001, № 3,с.63−72.
  106. М.Р. Метод планирования эксперимента при общих предположениях о виде модели объекта // Заводская лаборатория, 1993, № 1,с.53−57.
  107. Р.П. Справочник по непараметрической статистике: Соврем. подход/Пер. с англ. Е.З. Демиденко- Предисл. Ю. Н. Тюрина.-М.:Финансы и статистика, 1982.-198с.
  108. А.И. Улучшенный алгоритм редукции для проверки гипотез при мультиколлинеарной модели регрессии // Автоматика и телемеханика, 2001, № 5,с.94−104.
  109. П.Н., Севрук А. И. Критерий разладки процесса при наличии линейной регрессии // Заводская лаборатория, 1993, № 7,с.52−54.
  110. Дж. Линейный регрессионный анализ: Пер. с анг. -М.:Мир, 1980.-456с.
  111. Д.М. Модели в экологии: Пер. с англ. под ред. Базыкина.-М.:Мир, 1976.
  112. A.A. Планирование эксперимента при исследовании технологических процессов.-М.: Машиностроение, 1981.-184с.
  113. Д.У. Анализ результатов наблюдений ¡-Разведочный анализ/Пер. с англ. А. Ф. Кушнира и др.- Под ред. В. Ф. Писаренко.-М.:Мир, 1981.-693с.
  114. Ю.Н., Макаров A.A. Анализ данных на компьютере.-М.:ИНФА-М, Финансы и статистика, 1995.-384с.
  115. Д.П. Один из подходов к повышению качества очистки сточных вод//Хозяйственно-питьевая и сточные воды: проблемы очистки и использования: Сборник материалов III Международной научно-практической конференции. -Пенза: ПДЗ, 2001,-с. 56−58.
  116. Д.П. Роль статистических методов в оптимизации работы очистных сооружений предприятия/Юкружающая природная среда и медицинская экология: Сборник материалов Международной научно-практической конференции. -Пенза: ПДЗ, 2001,-с. 97−99.
  117. Устойчивые статистические методы оценки данных/Под ред. Р. Л. Лонера, Г. Н.Уилкинсона- Перевод с англ. Ю.И. Малахова- Под ред. Н. Г. Волкова.-М. Машиностроение, 1984.-231 с.
  118. Л.З. О сохранении областей притяжения при дискретизации непрерывных систем // Автоматика и телемеханика, 2000, № 5,с.93−98.
  119. А.Б. Модели и методы технической диагностики.-М.:3нание, 1990.-47с.
  120. Д. Анализ процессов статистическими методами.-М. Мир, 1973.-957с.
  121. М., Вульф М. Непараметрические методы статистики./Пер. с англ. под ред. Ю. П. Адлера, Ю. Н. Тюрина.-М.:Финансы и статистика, 1983.
  122. A.C., Палагин Ю. И. Прикладные методы статистического моделирования.-Л.Машиностроение. Ленингр. отд-ние, 1986.-320с.
  123. В.И. Формирование системных свойств и статистический подход // Автоматика и телемеханика, 2001, № 6,с.57−68.
  124. Г. Дисперсионный анализ/Перевод с англ. Б. А. Севастьянова, В .П. Чистякова.-М. :Наука, 1980,-512с.
  125. В.Ф. Методика расчета параметров корреляционных функций выходных координат управляемых объектов // Заводская лаборатория, 1993, № 7,с.53−55.
  126. В.Ф., Шумилов В. В. Определение параметров аппроксимирующей корреляционной функции методом наименьших модулей // Заводская лаборатория, 1995, № 10,с.52−55.
  127. В.М., Рождественский Ю. Б. Определение МНК-оценок с учетом плохой обусловленности (вырожденности) получающихся систем нормальных уравнений // Заводская лаборатория, 1994, № 1,с.52−55.
  128. А.М. Прикладная стохастика: робастность, оценивание, прогноз.-М.:Финансы и статистика, 2000.-224с.
  129. Р. Стохастический анализ и его приложения/Пер. с англ. М.Г. Элуашвили- Под ред. А. Н. Ширяева.-М.:Мир, 1986.-351с.
  130. . Нетрадиционные методы многомерного статистического анализа: Сб. статей: Пер. с англ./Предисловие Ю. П. Адлера, Ю. А. Кошевника.-М.: Финансы и статистика, 1988.-263с.
  131. С.В. и др. Биологическая очистка производственных сточных вод. Процессы, аппараты и сооружения. М.:Стройиздат, 1985.
  132. Bohms Н.М. Reference Models for Industrial Automation.-Dutch, 1991,-150p.
  133. Hollander M., Wolfe D.A. Nonparametric Statistical Methods.-New York: Wiley, 1973.
  134. Lehmann E.L. Nonparametrics Statistical Methods Based on Ranks.-San Francisco: Holden-Day, 1975.
  135. Schroeder, Roger G. Operations Management. Decision Making in the Operations Function.-3d edition.-New York: McGraw-Hill Publishing Company, 1989.-794p.1. АКТо внедрении результатов диссертационной работы.
  136. Была проведена работа по определению возможности моделирования очистных сооружений с составлением отчета.
  137. Результаты показали, что предложенный подход обеспечивает получение достоверных сведений при незначительных затратах на проведение эксперимента.
  138. Главный инженер ООО «Саратоворгсинтез1. А.В.Ханин
  139. Начальник центральной лаборатор ООО «Саратоворгсинтез»
  140. СПРАВКА об использовании результатов кандидатской диссертационной работы Усова Дмитрия Петровича
  141. Комиссия в составе: председатель д.т.н., профессор А. Ф. Резчиков, члены комис^ЙЙГ к/г.н.', доцент Н. П. Митяшин, к.т.н., доцент Ю. Б. Томашевский составили настоящую справку о том, что результаты
  142. Н.П. Митяшин Ю. Б. Томашевский
Заполнить форму текущей работой

Сессия? Спокойно!