Россия
Россия
Статья посвящена разработке методики проектирования средств измерений для систем мониторинга и контроля параметров производственных процессов, основанной на принципах управления техногенным риском. Основное внимание уделено обеспечению требуемых метрологических характеристик средств измерений при ограниченных ресурсах и необходимости их обоснованного выбора. Теоретическую основу методики составляет критерий взаимосвязи «ущерб-СКП», связывающий метрологические параметры (среднюю квадратическую погрешность измерения) приборов с уровнем техногенного риска и величиной возможных экономических потерь, возникающих при аварийных и чрезвычайных ситуациях. На его базе реализованы этапы структурной и параметрической оптимизации, а также экономическая оценка эффективности внедрения прибора. Такой подход обеспечивает согласованное рассмотрение метрологических, конструктивных и стоимостных факторов в единой системе критериев. В качестве примера применения методики рассмотрено проектирование оптико-пирометрического газоанализатора, включающее анализ альтернативных схем, математическое моделирование измерительного преобразования и оценку метрологических характеристик. Разработанный подход отличается универсальностью, поскольку его можно применять для проектирования различных типов средств измерений и на всех этапах их жизненного цикла (от структурной оптимизации до экономической оценки эффективности). Он прошел практическую апробацию и может быть использован при проектировании и модернизации промышленных систем мониторинга и управления техногенными рисками.
средства измерений, система мониторинга и контроля, техногенный риск, среднеквадратическая погрешность, критерий «ущерб-СКП», структурная оптимизация, параметрическая оптимизация, экономическая оценка эффективности, проектирование средств измерений
1. Гуменюк В.И., Ломасов В.Н. Радиационная, химическая и биологическая безопасность. СПб.: Санкт-Петербургский политехнический университет, 2016. 347 с.
2. Акимов В.А., Лесных В.В., Радаев Н.Н. Основы анализа и управления риском в природной и техногенной сферах. М.: Деловой экспресс, 2004. 352 с.
3. Фурсова Т.В., Фатеев К.В. Износ основных фондов на предприятиях России как проблема реализации программы импортозамещения // Вестник МФЮА. 2024. № 1. С. 209–216.
4. Predictive maintenance and intelligent sensors in smart factory / M. Szostak [et al.] // Sensors. 2021. Vol. 21. № 5. Article 1728.
5. Machine Learning – Enabled Smart Sensor Systems // ResearchGate. 2019.
6. Self calibration methods for uncontrolled environments in sensor networks: a reference survey / J.M. Barceló Ordinas [et al.] // Ad Hoc Networks. 2019. Vol. 88. P. 142–159.
7. MathWorks Blog. Virtual Sensors with AI and Model Based Design MathWorks Blogs: Deep Learning. 2023.
8. AI-Driven Sensing Technology: Review // Sensors. 2024. № 24 (10). Article 2958.
9. Hardware for machine learning: challenges and opportunities / Z. Wang [et al.]. 2016.
10. Гарелина С.А. Снижение риска чрезвычайных ситуаций на производственных объектах // Научные и образовательные проблемы гражданской защиты образования. 2023. № 4 (59). С. 30–42.
11. Гарелина С.А., Гусев А.Л., Захарян Р.А. Основы разработки оптико-пирометрического газоанализатора // Альтернативная энергетика и экология (ISJAEE). 2023. № 12. С. 12–18.
