CC BY
201
структуре общей смертности населения в нашей стране второе место, а инвалидизация - первое место [1]. Среди сосудистой патологии головного мозга выделяют хроническую ишемию мозга (ХИМ), как медленно прогрессирующий процесс, приводящий к многоочаговому поражению мозговых структур [2]. Прогрессирование ХИМ часто приводит к развитию деменции. В настоящее время отмечается рост эндокринной патологии, и гипотиреоза, в частности, который характеризуется гипофункцией щитовидной железы. В клинической практике часто приходится сталкиваться с пациентами, у которых ХИМ сочетается с гипотиреозом [3]. Особенности таких пациентов необходимо учитывать в проведении диагностического процесса.
Для улучшения диагностики необходимо использовать современные методы исследования, например, цветовое дуплексное сканирование брахиоце-фальных артерий, которое имеет свои особенности у пациентов с сочетанной сосудистой и эндокринной патологией [4]. Перспективным является метод вызванных потенциалов (ВП). ВП представляют собой электрические реакции нервной системы на афферентные стимулы. Афферентное возбуждение, которое возникает при раздражении рецепторов или нервов, проходит по синаптическим системам спинного мозга, ядрам ствола и подкорковых ганглиев, проецируется на кору головного мозга. Поэтому в ВП отражается вклад каждого уровня, это обеспечивает возможность определять состояние сенсорных систем в целостности и функциональное состояние каждой из афферентных систем [5]. Метод ВП позволяет регистрировать активность коры, проводящих путей и ядер ствола, спинного мозга и периферических нервов. Таким образом, неинвазив-ным путем можно диагностировать поражения на любом уровне периферической и центральной нервной системы.
В клинической практике используется метод слуховых ВП (СВП) для оценки целостности нервных структур, которые участвуют в проведении и восприятии слуховой информации, и для уточнения уровня их поражения. В качестве стимула используется короткий звуковой щелчок (до 1 мс), высокой интенсивности (около 60 - 90 дБ). Для исследования СВП применялся нейромиоанализатор НМА 4 - 01, производства России.
Цель настоящего исследования заключалось в изучении применения метода СВП в диагностическом процессе у больных с ХИМ и сопутствующим гипотиреозом. Для проведения исследования было сформировано две группы больных: группа больных с ХИМ и гипотиреозом - 23 человека, и группа больных только с ХИМ - 20 человек.
Результаты. При проведении исследования было выявлено нарушение функции структур ствола головного мозга на различных уровнях у большинства больных с ХИМ и гипотиреозом - 18 человек (78,3%). В контрольной группе, т. е. у больных только с ХИМ, этот показатель был меньше - 7 человек (35%.). Исследование медулопонтинного уровня выражалось в снижении амплитуды I, II, III компонентов при нормальных межпиковых интервалах. I волна ассоциируется с дистальной частью слухового нерва, II - с проксимальным его отрезком, III волна связана с гомолатеральным слуховым ядром и с каудальным отделом моста. Изменения на этом уровне были выявлены у 11 больных (47.8%) в исследуемой группе. В контрольной группе - у 5 человек (25%). Изменения на периферическом уровне также чаще отмечены у больных с ХИМ и гипотиреозом в виде снижения амплитуды I пика - 7 больных (30.4%), а в контрольной группе у 2 человек (10%). Эти данные позволяют говорить о дефиците стволовых структур у больных с коморбидной патологией, в частности о нарушениях кровообращения в вертебробазилярном бассейне, который кровоснабжает ствол головного мозга. Поражение вертебробазилярного бассейна во всех наблюдениях у больных с ХИМ и гипотиреозом также подтверждалось и клинически, и другими диагностическими методами исследования.
Таким образом, можно сделать вывод о том, что метод ВП является диагностически значимым в выявлении поражения вертебробазилярного бассейна у больных с сочетанием сосудистой патологии головного мозга и эндокринной патологией. Использование данного метода позволяет проводить дифференциальную диагностику и в соответствии с ней патогенетически обоснованное лечение у коморбид-ных пациентов.
ЛИТЕРАТУРА
1. Суслина З.А., Варакин Ю.Я. Клиническое руководство по ранней диагностике, лечению и профилактике сосудистых заболеваний головного мозга /Москва: МЕДпресс-информ, 2015. - 438 с.
2. Кадыков А.С., Манвелов Л.С., Шахпаронова Н.В. Хронические сосудистые заболевания головного мозга: дисциркуляторная энцефалопатия: руководство для врачей - 3-е изд., перераб. и доп.- ГЭОТАР - Медиа. 2014- 272 с.: ил.
3. Баранова Г.А. Хроническая недостаточность мозгового кровообращения при гипотиреозе // Известия высших учебных заведений. Поволжский регион // Медицинские науки. - 2011. - № 1. - С. 46-55.
4. Баранова Г.А., Баранов А.А. Особенности цветового дуплексного сканирования у больных дисци-ркуляторной энцефалопатией и гипотиреозом. Труды международного симпозиума Надежность и качество. 2016. № 2. С. 273-274.
5. Зенков Л.Р. Функциональная диагностика нервных болезней: руководство для врачей / Л.Р.Зенков, М.А.Ронкин. - 5 е изд. - М.: МЕДпресс - информ, 2013. - 488 с.: ил.
УДК 004.67
Николаев1 А.В., Прокофьев2 О.В., Тюрин1 М.В., Токарев2 А.Н.
2ФГБОУ ВО «Пензенский государственный технологический университет», Пенза, Россия 2АО «Научно-исследовательский институт физических измерений» (НИИФИ), Пенза, Россия ПРИМЕНЕНИЕ ИННОВАЦИОННОЙ ТЕХНОЛОГИИ «BIG DATA» ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВЕННОГО УРОВНЯ ФУНКЦИОНИРОВАНИЯ ЭЛЕКТРОЭНЕРГЕТИКИ
В статье показана актуальность внедрения инновационных технологий, таких как «BIG DATA» (далее — Большие данные) и системы моделирования жизнедеятельности элементов энергосистемы. Показаны преимущества интеллектуальных энергосетей, используемые для достижения нового качественного уровня энергетической отрасли. Сформулированы требования к концепции цифровой энергетики как части развития цифровой экономики страны Ключевые слова:
БОЛЬШИЕ ДАННЫЕ, ИНТЕЛЛЕКТУАЛЬНЫЕ ЭНЕРГОСЕТИ, ЦИФРОВАЯ ЭНЕРГЕТИКА
Сегодняшняя скорость развития цифровой экономики феноменальна и этот темп изменений отражается в электроэнергетике: быстрое развитие информационных технологий позволяет все больше усложнять работу электроэнергетических установок. Большие данные, Интернет вещей, беспроводные сети и облачные вычисления все чаще дают о себе знать [1, 2]. Большие данные - это термин,
обозначающий множество наборов данных столь объемных и сложных, что делает невозможным применение имеющихся традиционных инструментов управления базами данных и приложений для их обработки. Проблему представляют сбор, очистка, хранение, поиск, доступ, передача, анализ и визуализация таких наборов как целостной сущности, а не локальных фрагментов. В качестве определяющих
характеристик для больших данных отмечают «три V»: объём (англ. volume, в смысле величины физического объёма), скорость (англ. Velocity, означающее в данном контексте скорость прироста и необходимость высокоскоростной обработки и получения результатов), многообразие (англ. variety, в смысле возможности одновременной обработки различных типов структурированных и полуструктурированных данных) [1]. Ведущей характеристикой здесь является объем данных, который должен быть рассмотрен в аспекте приложений.
Увеличение вычислительной скорости и пропускной способности позволило собирать, анализировать и хранить все больший объем информации. Новые программные платформы используются для интерпретации данных и обратной информации, что позволяет оптимизировать операции и обслуживание. По мере того как скорость и изощренность аналитики в реальном времени увеличиваются, идеи могут быть быстро воплощены посредством процесса принятия решений.
Физический мир все чаще становится зависим от интернета, поскольку объекты, устройства и машины приобретают новые возможности цифрового интеллекта [1], а достижения в области связи означают, что объекты могут быть беспроводным образом интегрированы в информационные сети.
Применение больших данных в энергосистемах объединяет экспертовкак из сферы энергетики, так и информационных технологий, которые разделяют их понимание и обсуждают новыепредложения для анализа данных, диагностики, эксплуатации и управления энергосистемами. Недавние разработки в системах мониторинга и сенсорных сетей значительно увеличивают разнообразие, объем и скорость передачи данных измерений на уровне транс-портировкии распределения электроэнергии. Появилась возможность быстрой модернизации систем мониторинга, повышения доступности данных измерений, реализации больших методов обработки данных и машинного обучения для обработки высокоразмерных и пространственно-временных данных.
За последние несколько лет наблюдается огромный рост использования беспроводных датчиков и приборов на электростанциях. Типичная теплоэлектроцентраль оснащена более чем 12 000 датчиков, которые измеряют и сообщают движение, вибрацию, температуру, влажность и химические изменения в воздухе и воде [2]. Но лишь часть этих данных анализируется, а именно количественно анализируется для повседневной эксплуатации и технического обслуживания электростанции. Благодаря использованию новых аналитических программных решений и услуг возможности использования этих данных и понимания информации для снижения издержек, увеличения продаж и повышения эффективности быстро растут.Большие данные генерируют наборы данных, которые экспоненциально растут как по сложности, так и по объему. Анализ, хранение и применение этих данных представляет собой серьезную проблему.
В настоящее время электроэнергетические системы в большинстве стран модернизируются и развиваются на основе концепции глубокой интеграции электроэнергетических сетей (Power Grid) и сетей компьютерных или как их называют инфокоммуника-ционных (Network). При этом оба вида сетей не просто развиваются и обогащаются новыми функциональными элементами и протоколами взаимодействия, а порождают глубокий синергетический эффект, связанный с невиданными ранее возможностями анализа состояния целой огромной энергосистемы в реальном времени, прогнозирования процессов в ней, интерактивного взаимодействия с клиентами и управления оборудованием. Такая концепция получила название Smart Grid - интеллектуальная энергосеть. Общую функционально-технологическую идеологию этой концепции, отражает сформулированное IEEE определение Smart Grid как концепции полностью интегрированной, саморегулирующейся и самовосстанавливающейся электроэнергетической системы, имеющей сетевую тополо-
гию и включающей в себя все генерирующие источники, магистральные и распределительные сети и все виды потребителей электрической энергии, управляемые единой сетью информационно-управляющих устройств и систем в режиме реального времени. Преодолев за последние годы период исследований и начального развития, эта концепция стала де-факто стандартным подходом как для игроков электроэнергетического рынка, так и для правительственных регуляторов. В РФ этот подход находится в начальной фазе развития и реализуется в концепции Интеллектуальной электроэнергетической системы с активно-адаптивной сетью (ИЭС ААС), под которой понимается система, в которой все субъекты электроэнергетического рынка (генерация, сеть, потребители) принимают активное участие в процессах передачи и распределения электроэнергии. В составе ИЭС электрическая сеть из пассивного устройства транспорта и распределения электроэнергии превращается в активный элемент, параметры и характеристики которой изменяются в зависимости от режимов работы энергосистемы. Практическое воплощение данных направлений осуществляется во взаимосвязи и развитии положений стратегических документов ОАО «ФСК ЕЭС» - Программы инновационного развития и Политики инновационного развития и модернизации. Согласно документам программы можно выделить особенности новой концепции энергосетей.Пере-числим основные новые качества ИЭС ААС.
Обеспечение равного доступа любых производителей и потребителей электрической энергии к услугам инфраструктуры.
Создание специальных интерфейсов для унифицированного и надежного подключения к сетям возобновляемых и нетрадиционных источников энергии на условиях параллельной работы в составе энергосистемы.
Участие в управлении режимом работы ИЭС генерации, управляемых элементов сетевой инфраструктуры, потребителей электроэнергии.
Обеспечение «активности» потребителей электроэнергии за счет их оснащения интеллектуальными системами учета с возможностью ситуативного управления спросом [1].
Обеспечение за счет применения этих систем рационального использования энергии в нормальных режимах и управления потреблениемэлектроэнергии с целью поддержания требуемых параметров функционирования ИЭС.
Наиболее заметной возможностью решения этой проблемы является платформа Predix, которая позволяет производителям энергии создавать виртуальную электростанцию, которая работает в облаке. Технология позволяет производителям электроэнергии создавать цифровые двойники существующей электростанции. «Цифровая электростанция» предлагает руководителям электростанций моделирование условий в реальном времени на реальной электростанции в реальном времени, что позволяет операторам быстро корректировать и исправлять, чтобы работа станции работала максимально эффективно. Она может быть использована для управления любыми активами на электростанции.
Цифровой двойник может использоваться для запуска моделирования для определения оптимальных условий эксплуатации и улучшения в прогнозировании и предотвращении сбоя [3].
Явившийся в последнее время термин «виртуальная электростанция» был также поддержан игроками рынка. Программно-реализованная электростанция - это не просто еще одно новое маркетинговое словосочетание. Эта система позволяет производителям электроэнергии вместо добавочных расходов на горючее использовать более тонкое его использование. Энергоэффективность сети возрастает и при тех же затратах пользователи могут получить дополнительные объемы электроэнергии, эквивалентные установке новых генерирующих мощностей. Используя предиктивную аналитику, поведенческие алгоритмы и основанное на физике процессов понимание сети, система дает предприятиям видеть и управлять распределением мощности и
расходом на всей обслуживаемой территории в реальном времени. Осуществляется управление всеми доступными ресурсами для обеспечения унифицированного менеджмента и непрерывной оптимизации баланса энергопотоков. Также этот комплекс позволяет интегрировать в сеть возобновляемые источники энергии и вводить в состав сети накопители, обеспечивая управление всеми этими компонентами с наибольшей экономической эффективностью. В конечном результате сокращаются капитальные затраты, минимизируются выбросы вредных газов и соблюдаются требования регуляторов при удовлетворении потребителей.
Более широкое использование возобновляемых источников энергии, проблемы отказоустойчивости и проблемы устойчивости - всего лишь несколько факторов, стоящих за необходимостью преобразования отрасли, и оцифровка информации является одной из основных задач, способствующих этим изменениям.
В настоящее время ведется большая цифровая трансформация централизованного управления. Цифровая электростанция и подобные ей технологии
в конечном итоге станут рабочим инструментом для каждого менеджера электростанций в мире.
Гибкость - это проблема, стоящая перед производителями энергии, которые пытаются интегрировать растущие поставки прерывистого ветра и солнечной энергии в энергетическую сеть. Цифровая электростанция и подобные ей технологии помогут отрасли справиться и с этой задачей.
Именно поэтому разработка новой концепции «Цифровой электроэнергетики», которая будет посвящена вопросам, связанным с передовой аналитикой, датчиками, инновациями в области движения и управления, программными решениями и Интернетом вещей наиболее актуальна в данной отрасли [4].
В будущем, лучшая аналитика, точная физическая модель и большие данные, несомненно, принесут эксплуатационные преимущества - производительность будет диагностирована в режиме реального времени, поддерживая работоспособность и эффективность, в то время как состояние узлов будет контролироваться и прогнозироваться с повышением надежности [5-9].
1. Большие данные в энергетике
URL:
ЛИТЕРАТУРА
https:// http://denreymer.com (дата обращения 18.10.2017
г.)
2. Прокофьев О.В., Сёмочкина И.Ю. Применение интеллектуального анализа данных в системах поддержки принятия решений для управления профессиональным образованием. Современные информационные технологии. 2012. № 16. С. 140-143.
3. Добрынин, А.П. Цифровая экономика - различные пути к эффективному применению технологий / А.П. Добрынин. - InternationalJournalofOpenInformationTechnologies, 2016.- С. 4.
4. Средства измерения в энергетике - EmersonProcessManagement. - URL: http://www.emerson.com (дата обращения 22.12.2017 г.)
5. Министерство энергетики Российской Федерации. «Цифровая электроэнергетика» как часть программы «Цифровая экономика Российской Федерации»/ - URL: http://digitenergy.ru/ (дата обращения 23.10.2017 г.)
6. Сёмочкина И.Ю., Прокофьев О.В. Моделирование управления образовательным процессом на основе методологии нечёткой логики. XXI век: итоги прошлого и проблемы настоящего плюс. 2011. № 3 (03). С. 155-161.
7. Прокофьев О.В., Семочкина И.Ю. Оценка состояния региональных экономик на основе кластерного анализа. XXI век: итоги прошлого и проблемы настоящего плюс. 2015. Т.1. № 6 (28). С. 350-356.
8. Михеев М.Ю. Прогнозирование литеральных ситуаций по коротким временным рядам / Михеев М.Ю., Прокофьев О.В., Савочкин А.Е. // Труды международного симпозиума «Надежность и качество». 2017. Т.1. С. 320-324.
9. Михеев М.Ю. Модернизация алгоритма обработки больших данных для прогнозирования коротких временных рядов / Михеев М.Ю., Савочкин А.Е. // Труды международного симпозиума «Надежность и качество». 2017. Т.1. С. 53-55.
УДК 656.13
Папшев1 В.А., Тарасов2 С.Н.
1ФГБОУ ВО «Самарский государственный технический университет», Самара, Россия 2Академия управления МВД России, г. Москва, Россия
ПРОБЛЕМА РОСТА ДЕТСКОГО ДОРОЖНО-ТРАНСПОРТНОГО ТРАВМАТИЗМА В САМАРСКОЙ ОБЛАСТИ
Организация деятельности по пропаганде безопасности дорожного движения в Самарской области представляет собой одно из основных направлений региональной государственной политики. Особо актуальна эта работа в обеспечении безопасности детей. В статье приведена статистика и выявлены причины, детского дорожно-транспортного травматизма в Самарской области Ключевые слова:
ДЕТСКИЙ ДОРОЖНО-ТРАНСПОРТНЫЙ ТРАВМАТИЗМ, ПРОПАГАНДА БЕЗОПАСНОСТИ ДОРОЖНОГО ДВИЖЕНИЯ
В 2014 году данный показатель так же имел тенденцию к снижению на 10,4% (457), уменьшилось и число раненых детей на 6,9% (499), однако возросла на 8,3% смертность (13 детей).
В 2015 году наблюдался рост ДТП и раненых в них детей на 2% и 1,2% соответственно, однако количество погибших снизилось на 23,1%.
Начиная с 2016 года, зафиксирован рост уже по всем показателям детской аварийности: по ДТП на 3%, по погибшим детям на 20% и раненым на 3,8%.
Таблица 1
Статистические данные по ДДТТ
Проведенный в данном исследовании анализ дорожно-транспортных происшествий (ДТП) за пятилетний период с участием несовершеннолетних, свидетельствует о том, что на протяжении 2013 года наблюдалось снижение количества дорожно-транспортных происшествий с участием детей на 10,2%, вместе с тем, в абсолютных цифрах, это максимальное количество происшествий с детьми составляет 510 ДТП.
Год ДТП погибло ранено удельный вес
2013 510 (-10,2%) 12 (0) 536 (-12,3%) 10,7%
2014 457 (-10,4%) 13 (+8,3%) 4 99 (-6, 9%) 10,5%
2015 4 66 ( + 2%) 10 (-23,1%) 505 ( + 1, 2%) 12%
2016 480 (+3%) 12 (+20%) 524 (+3,8%) 12,5%
2017 508 (+5,8%) 13 (+8,3 %) 553 (+5,5%) 13,6 %
В 2017 году тенденция роста всех показателей наблюдалась практически в течение всего года.
Статистические данные по детскому дорожно-транспортному травматизму (ДДТТ) представлены в таблице 1 и на рисунке 1.
