Рус Eng Cn Перевести страницу на:  
Please select your language to translate the article


You can just close the window to don't translate
Библиотека
ваш профиль

Вернуться к содержанию

Кибернетика и программирование
Правильная ссылка на статью:

Применение методов оптимизации и машинного обучения при автоматизированном проектировании режимов работы систем управляемого светодиодного освещения

Ульянов Роман Сергеевич

аспирант, кафедра автоматизации и электроснабжения, Национальный исследовательский Московский государственный строительный университет

129337, Россия, г. Москва, Ярославское шоссе, 26, каб. 204

Ulianov Roman Sergeevich

graduate student, Automation and Power Supply Department, National Research Moscow State University of Civil Engineering

129337, Russia, g. Moscow, ul. Yaroslavskoe Shosse, 26, kab. 204

roman-prog@mail.ru
Другие публикации этого автора
 

 
Шиколенко Илья Андреевич

аспирант, кафедра автоматизации и электроснабжения, Национальный исследовательский Московский государственный строительный университет

129337, Россия, г. Москва, Ярославское шоссе, 26, каб. 204

Shikolenko Il'ya Andreevich

graduate student, Department of Automation and Power Supply, National Research Moscow State University of Civil Engineering

129337, Russia, Moscow, str. Yaroslavskoe Shosse, 26, room No. 204

shikolenkoia@mgsu.ru
Другие публикации этого автора
 

 
Величкин Владимир Александрович

кандидат технических наук

доцент, кафедра автоматизации и электроснабжения, Национальный исследовательский Московский государственный строительный университет

129337, Россия, г. Москва, Ярославское шоссе, 26, оф. 204

Velichkin Vladimir Aleksandrovich

PhD in Technical Science

Associate Professor, Department of Automation and Power Supply, National Research Moscow State University of Civil Engineering

129337, Russia, g. Moscow, ul. Yaroslavskoe Shosse, 26, of. 204

velichkinva@mgsu.ru
Другие публикации этого автора
 

 
Завьялов Владимир Андреевич

доктор технических наук

ранее профессор, кафедра электротехники и электропривода, Национальный исследовательский Московский государственный строительный университет

129337, Россия, г. Москва, Ярославское шоссе, 26, оф. 204

Zav'yalov Vladimir Andreevich

Doctor of Technical Science

Formerly Professor, Department of Electrical Engineering and Electric Drive, National Research Moscow State University of Civil Engineering

129337, Russia, g. Moscow, ul. Yaroslavskoe Shosse, 26, of. 204

vazav.mgsu@mail.ru
Другие публикации этого автора
 

 

DOI:

10.25136/2644-5522.2017.5.24012

Дата направления статьи в редакцию:

26-08-2017


Дата публикации:

30-10-2017


Аннотация: Коллективом авторов статьи были рассмотрены вопросы направленные на повышение эффективности автоматизированного проектирования освещения в части перехода от методов принятия проектных решений в области выбора режимов освещения с упраляемым спектром базирующихся на экспертное оценке, к подходам, базирующимся на человеко-машинных принципах. В данной работе указанные выше подходы применяются к одной из базовых качественных характеристик излучения источников света, а именно спектральной плотности излучения. В частности, будут изложены методы выборы оптимальных параметров искусственных излучателей, а также методы их автоматизированной классификации. В процессе исследования будут рассмотрены методы машинного анализа и оптимизации целевой функции спектрального распределения источников излучения, основанные на применение широко распространённых специализированных библиотек языка программирования Python. Результатами проведенного исследования является концептуальное описание решения двух задач, которые впоследствии могут быть востребованы как часть комплексного процесса проектирования режимов работы систем управляемого светодиодного освещения. Первая задача – оптимизация выбора мощности излучения RGB компонент светодиодной лампы при условии приближения целевой функции спектрального распределения к эталонному источнику излучения. Вторая задача – автоматизированная классификация источников света в зависимости от их спектральной характеристики в целях предварительной подготовки исходных данных для проектирования или последующей эксплуатации систем освещения. В заключительной части статьи рассмотрен способ совместного применения указанных решений в рамках системного подхода и сделано предположение об актуальности более детальной проработки указанных решений.


Ключевые слова:

САПР, проектирование, искусственное освещение, спектр излучения, оптимизация, машинное обучение, классификация, светодиод, Режим работы, идентичность

Данное научное исследование проводится при поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «УМНИК» по теме «Разработка интеллектуального модульного программно-аппаратного комплекса для генерирования программы управления регулируемыми системами освещения» в рамках договора № 11523ГУ/2017 от 19.05.2017 г.

Abstract: The authors of the article examine issues related to increasing efficiency of computer-assisted design of lighting, in particular, transferring from design decision-making methods in the process of selecting lighting modes with the manageable spectrum based on the expert evaluation towards man-computer approaches. The authors of the given research apply the aforesaid approaches to one of the basic qualitative property of light emission, in particular, spectral radiant intensity. The authors describe methods for selecting optimal properties of artificial light sources as well as methods of their automated classification. In the process of their research the authors analyze methods of computer-aded analysis and optimization of the target function of the lighting spectral distribution based on application of widely used specialized programming language libraries Python. As a result of the research, the authors offer a conceptual description of two solutions that can be used in a complex process of manageable LED lighting operations design. The first solution allows to optimize the process of selecting the LED-based lamp RGB component emission power in case of approximation of the spectral distribution target function to the emission source. The second solution offers an automated classification of lighting sources depending on their spectral properties in order to prepare initial data for desinging or operating lighting systems. In conclusion, the authors analyze how these two solutions can be used in their combination within the framework of the systems approach and make suggestions about how these solutions can be developed further. 


Keywords:

identity, operation, LED, classification, machine learning, optimization, emission spectrum, artificial lighting, designing, CAD

Введение.

В настоящее время все большее применение находят источники света на базе светоизлучающих диодов (СИД) и если на этапе их раннего массового внедрения наиболее остро стояли вопросы их стоимости и технологичности, то после приведения данных характеристик к приемлемым показателям, светотехническая в целом отрасль начала постепенно смещать акценты в сферу их функционального применения. Так в настоящее время все более активно развиваются, различные направления светодиодной техники в частности с применением белых светодиодов для изготовления ламп различного форм-фактора (ретро-лампы, лампы с удаленным люминофором, управляемые светодиодные лампы). В настоящее время рынок уже готов активно принять, управляемые источники света, основанные на белых светодиодах с различной цветовой температурой излучения [1]. Дополнительно определенный оптимизм в части развития систем светодиодного освещения с управляемым спектром излучения вселяет прогноз перспектив развития систем человеко-ориентированного освещения [2], которые также во многом наиболее рационально базировать на технологиях СИД.

В свете сказанного становится очевидной необходимость обоснованного выбора источников света сообразно решаемой перед системой освещения задаче. Однако решение данной задачи является сложным и трудоемким процессом, в виду её комплексного характера. Так в зависимости от требований заказчика, при проектировании освещения могут быть учтены не только базовые требования обеспечивающие необходимые условия безопасного и комфортного освещения, но также и определённые требования по эстетическому воздействию или незрительному воздействию освещения (например, в части управления подавлением выработки мелатонина). Данная статья продолжает развитие ранее выдвинутой коллективом авторов идеи применения в САПР новых методов проектирования, в части обследования, расстановки и выбора режимов работы осветительных приборов системы искусственного освещения [3] и дополняет их двумя концепциями решения подзадач потенциально применимых при комплексном-системном подходе к организации систем освещения с управляемым спектром излучения.

Оптимизация мощности излучения светодиодной лампы для обеспечения идентичности излучения эталонному источнику света.

Свет оказывает значимое воздействие на организм человека, создавая необходимые условия для выполнения действий связанных со зрительной активностью, а также участвует в регулировании циркадных ритмов человека путем подавления секреции мелатонина [4]. Современные светодиодные источники света имеют некоторые особенности, отличающие их излучение от традиционных источников света (ламп накаливания) близких по своему спектральному составу к непрерывному спектру излучения абсолютно черного тела, а также естественных эталонов дневного света. Однако в целях оказания наиболее благоприятного воздействия на организм излучение СИД должно быть с одной стороны приближенно к дневному свету по своему спектральному составу [5], с другой стороны необходимо чтобы излучение в диапазоне длин волн максимально воспринимаемых пигментом меланопсином было согласовано с биологическими ритмами человека [6,7].

Ввиду того, что в процессе эволюции зрительная система человека в целом и спектральная чувствительность органов зрения в частности формировались под воздействием естественного дневного света [8], возможно сделать предположение об актуальности имитации спектра излучения дневного света в системах искусственного освещения.

В данной работе решение данной задачи представлено в концептуальном виде на примере оптимизации спектра излучения управляемой светодиодной лампы с возможностью независимого регулирования по трем каналам излучения R- красный G-зеленый B-синий.

Ввиду того, что в рамках данной статьи не стоит задача анализа характеристик конкретной светотехнической продукции, а также ввиду ограниченности доступных коллективу авторов на момент выполнения исследования средств измерения [9], в данной работе не будет приведена конкретная марка светодиодной лампы. Спектр излучения данной лампы при активации RGB (справа налево) каналов излучения представлен на рисунке 1. В качестве эталонного источника была выбрана спектральная характеристика весьма распространенного стандартизованного источника дневного света – D65. В рамках проводимого исследования каждая из RGB компонент представлялась в качестве независимого источника света.

Рисунок 1. Спектр излучения лампы.

Для обеспечения унификации при проведении исследования излучение источников света рассматривалось в диапазоне длин волн от 380 до 780 нм.

Данные по каждому из источников излучения (ИИ) были представлены в виде вектора длинной 400 элементов, где первый элемент — это условная мощность излучения источника в области длинны волны 400 нм, второй элемент – 401 нм, третий 402 – нм и соответственно последний элемент – 780 нм.

Учитывая характер распределения излучения очевидно, что для каждой из отдельных составляющих RGB существенная часть данного вектора будет заполнена нулевыми значениями.

В таблице 1 представлен срез данных демонстрирующая характер распределения плотности излучения ИИ. На пересечении строк и столбцов таблицы представлена условная мощность излучения в точке.

Таблица 1. Срез спектральной характеристики ИИ

ИИ

456 нм

457 нм

458 нм

459 нм

460 нм

...

611 нм

612 нм

613 нм

614 нм

615 нм

D65

117.4904

117.5708

117.6512

117.7316

117.812

...

89.40906

89.21902

89.02898

88.83894

88.6489

B

6.8000

5.1000

2.5500

5.1000

2.550

...

0.00000

0.00000

0.00000

0.00000

0.0000

G

0.0000

0.0000

0.0000

0.0000

0.000

...

0.00000

0.00000

0.00000

0.00000

0.0000

R

0.0000

0.0000

0.0000

0.0000

0.000

...

12.70000

10.20000

10.20000

10.20000

12.7000

В рамках данной статьи наиболее наглядно будет выглядеть графическое распределение спектральной характеристики, представленное на рисунке 2. В данном случае все ИИ приведены к единому относительному масштабу, масштабирование проводилось относительно максимальной величины излучения для каждого источника. В данном случае RGB составляющие показаны вместе на одной кривой.

Рисунок 2. Спектральное распределение излучения ИИ

Некоторые отличия от распространённой колоколообразной формы идеальных кривых спектрального распределения можно объяснить, как отмеченным ранее несовершенством доступной измерительной техники, так и особенностями конструкции светодиодной лампы. Тем не менее в рамках данного исследования эти отклонения не носят критически значимого характера.

Для обеспечения идентичности масштаба необходимой для оптимизации мощности излучения, условная мощность излучения ИИ была на основании спектральной характеристики была приведена к условной мощности характерной для светового потока в 100 лм. Затем в рамках данной условной задачи для мощности излучения RGB составляющих ИИ были применены следующие соотношения масштабов (близкие к реальным): R=G*0.62, B= G*0.44.

Определив исходные данные рассмотрим целевую функцию. С одной стороны, очевидно, что:

`f(rgb)=wb*B+wg*G+wr*R`

где:

f(rgb) – спектральная плотность распределения лампы

wb,wg,wr – соответственно весовые коэффициенты мощности излучения для ИИ

B,R,G, - спектральные плотности распределения мощности ИИ.

При этом необходимо, чтобы разница между спектральной характеристикой лампы и эталонного источника были минимальными. В данном случае для обеспечения определенной независимости результата целевой функции от масштаба исходных данных для целевой функции была принята следующая формула:

`|f(rgb)- f(D65)| / f(D65) rarrmin`

где:

f(D65) – спектральная плотность распределения источника D65

для упрощения процедуры минимизации целевой функции воспользуемся готовыми программными разработками реализованными в библиотеке scipy.optimize [10]. Оптимизации в данном случае будут подлежать весовые коэффициенты при функциях спектральных распределений ИИ. Учитывая, ограниченней накладываемые на коэффициенты весов физической природой процесса, для оптимизации необходимо применять методы, предполагающие ограничение аргумента, с одной стороны областью неотрицательных значений, с другой стороны разумными пределами мощности, в данном случае были приняты ограничения в диапазоне от 0 до 1 (100%). В рамках используемой библиотеки представлены три метода поддерживающие оптимизацию с ограничениями аргумента: Sequential Least SQuares Programming optimization algorithm (SLSQP), L-BFGS-B, Truncated Newton algorithm (TNC).

Результаты оптимизации целевой функции по каждому из трех алгоритмов представлены в таблице 2.

Таблица 2. Результаты работы алгоритма оптимизации.

Показатель

SLSQP

L-BFGS-B

TNC

Целевая функция

0.5848510726139161

0.58485890975147781

0.5849879754009486

wb

0.44395136

0.44188506

0.45042302

wg

0.74228265

0.74074713

0.74234659

wr

0.69531804

0.69514211

0.69500065

Как видно из таблицы, различия между методами незначительны, далее будут приняты результаты оптимизации по алгоритму – SLSQP.

Рассмотрим полученные результаты в графическом виде (рисунок 3)

Рисунок 3. Спектральное распределение излучения ИИ после оптимизации.

Безусловно ввиду изначальных ограничений светодиодов, установленных в лампе, невозможно достижение полного соответствия кривых, однако ввиду четкой детерминированности и математической обоснованности результата, предполагается возможным выдвинуть гипотезу о том, что полученная характеристика, превзойдет большинство вариантов установленных вручную оператором, при условии, что он полагается исключительно на субъективные ощущения. Сравним координаты цветности источников. Для D65 характерны следующие координаты цветности в цветовом пространстве CIE 1931 для случая стандартного наблюдателя: x=0.31271, y=0.32902, аналогично для излучения искусственного ИИ получим следующие координаты: x=0.2883 0.3694, что можно приблизительно трактовать как значение цветовой температуры соответствующее области около 7500 К. Безусловно отклонение значительное, однако оно с одной стороны всё-таки позволяет отнести полученное излучение к классу дневного освещения, а с другой стороны полученный результат вполне вероятно может быть улучшен при соответствующем изменении целевой функции, за счет добавления в нее параметров связанных с критерием идентичности цветовой температуры ИИ.

Схожим образам, возможно оптимизировать и управление интенсивностью излучения (освещенностью в помещении) от светильников, в том числе с учетом их оптимального расположения. Объединение данных условий может оказать синергетический эффект.

Автоматическая классификация ИИ с помощью их спектральных характеристик.

В ранее опубликованной работе коллектива авторов статьи предлагалась концепция интеллектуального модульного ПАК для генерации программы управления регулируемыми системами освещения [11], данной концепцией предполагался сбор данных непосредственно на объекте строительства в целях верификации исходных данных и принятых предварительных проектных решений. Учитывая потенциально значительные объемы световых точек, которые могут быть предусмотрены проектом, целесообразно автоматизировать максимально возможное количество операций (с учетом, технико-экономического обоснования). Одной из таких операций является классификация источника света, данная операция может применять как на этапе подготовки исходных данных, так и в процессе дальнейшей эксплуатации системы освещения в рамках жизненного цикла объекта строительства.

В настоящее время существует множество инструментов, позволяющих автоматизировать процедуру классификации данных, при этом многие задачи имеют схожие способы решения, таким образом, например, обзор данных средств, представленный в исследовательской работе коллектива из МГТУ им. Баумана [12], во многом актуален и для данной работы несмотря на различные сферы применения. Для решения задачи классификации был выбран язык общего назначения Python и разработанная для него распространенная библиотека машинного-обучения scikit-learn, в частности набор алгоритмов для классификации Random Forest Classifier («Случайный лес») [13]. Ввиду того, что задача классификации источников света по разным параметрам на основании спектральной характеристики – достаточно обширная тема, выходящая за рамки данной статьи, в настоящей работе будет рассмотрен только демонстрационный пример, отражающий данную концепцию.

Для наглядности демонстрации рассмотрим задачу двуклассной классификации, по условиям задачи будет необходимо разработать модель, способную по спектральным характеристикам ИИ различить люминесцентную лампу и лампу на базе СИД.

Набор данных состоит из обучающей и тестовой выборки соотношение объектов в выборке представлено в таблице 3.

Таблица 3. Распределение элементов в наборе данных.

Группа ИИ

Кол-во элементов.

Учебная выборка (шт.)

Кол-во элементов.

Контрольная выборка (шт.)

Светодиодные лампы

30

11

Люминесцентные лампы

30

11

Спектральные характеристики ИИ по одному для каждой из групп представлены на рисунке 4.

Рисунок 4. Спектральные характеристики светодиодная лампа (сверху), люминесцентная лампа (снизу).

Для удобства классификации спектральные характеристики ИИ были приведены к единой форме в виде 300 признаков являющихся по сути условной мощностью излучения в дискретном диапазоне длин волн от 390 до 690 нм. Целевой меткой для каждой из записей является отнесение к одному из двух классов ИИ: 0 -СИД лампа, 1 – люминесцентная лампа.

Срез таблицы данных обучающей выборки представлен в таблице 4

Таблица 4 Срез данных обучающей выборки.

390

391

392

688

689

690

Метка

0.63750

0.0

1.699999

0.0

0.0

0.0

0

39.0637

41.8491

47.0

2.0

2.0

2.0

0

4.0

4.0

4.0

6.0

6.0

6.0

0

8.93622

8.0

7.0

7.0

7.0

7.0

0

2.0

3.0

4.0

4.0

4.0

4.0

0

10.0

9.0

10.03232

2.222462

2.0

2.0

0

6.0

7.0

7.688888

2.0

2.0

2.0

1

0.0

1.0

1.0

2.0

0.0

0.0

1

Для классификации применялась модель «Случайный лес» с количеством «решающих деревьев» равным 300, максимальная глубина «дерева» составляет 5. Результаты предсказания модели обученной на данной выборке применительно к контрольной выборке представлены в таблице 5.

Таблица 5 Результаты работы модели.

№ позиции

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

Пред. класс

0

1

0

0

0

0

0

0

0

0

0

1

1

1

1

0

1

0

1

1

1

1

Факт. класс

0

0

0

0

0

0

0

0

0

0

0

1

1

1

1

1

1

1

1

1

1

1

Точность предсказания

0.86

Как видно модель, обученная на демонстрационном наборе данных, обеспечивает достаточно высокую точность предсказания. Отдельно необходимо отметить, что ввиду, того что в выборке присутствуют ИИ различного качества излучения и назначения, например, RGB СИД лампы, лампы белого света, компактные люминесцентные лампы и трубчатые - с электромагнитным и электронным ПРА. Учитывая схожесть спектральных характеристик для некоторых типов светодиодных и люминесцентных ламп, даже опытному специалисту может быть затруднительно провести ручную классификацию с более высокими показателями точности.

Также возможно проведение классификации по другим параметрам излучения ламп: по индексу цветопередачи, интенсивности излучения, цветовой температуры, воздействию на секрецию мелатонина и др.

Автоматическая классификация кривой силы света осветительных приборов.

Другим возможным примером применения технологий машинного обучения, для облегчения задачи светотехнического проектирования является решение задачи классификации источников света на основании их распределения интенсивности излучения в пространстве или по-другому на основании так называемых кривых сил света (КСС) осветительного прибора. С одной стороны, необходимо отметить, что в нормативных документах четко прописана методика, позволяющая на основании аналитических процедур классифицировать определить кривые силы света на основании соответствующего коэффициента и углового диапазона максимальной силы света [14].

Также необходимо отметить, что квалифицированный специалист, может не прибегая к формулам аналитического определения типа КСС, провести его классификацию основываясь исключительно на эмпирическом подходе.

Тем не менее целесообразно проверить возможность качественного решения данной задаче с помощью инструментария машинного обучения. Ввиду наличия аналитической формулы приемлемым результатам классификации можно принять исключительно 100% соответствие определенных моделью типов КСС их фактическому типу. Из представленного набора данных [15] были выбраны осветительные приборы с КСС следующих типов: Г, Д, Л. Данные типы КСС имеют существенные отличия и могут быть достоверно классифицированы специалистом даже при беглом визуальном анализе без необходимости применения математического аппарата.

Количество элементов в выборке, используемой для исследования распределено следующим образом (таблица 6):

Таблица 6. Количество элементов в наборе для классификации КСС.

Тип выборки/ Тип КСС

Концентрированная (К), шт.

Косинусная (Д), шт.

Полуширокая (Л), шт.

Обучающая

39

39

28

Контрольная

12

12

9

В качестве признаков используется сила света при азимутальном угле равном нулю и в диапазоне полярных углов от 0 до 180, с шагом 10. В качестве меток типов КСС применялись следующие значения: 1 – К, 3 – Д, 4 – Л. Для процедуры классификации также применялась модель Random Forest Classifier, с предварительно проведенным масштабированием сил света каждой записи таблицы, таким образом значения сил света в каждом стоке находились в диапазоне от 0 до 1.

Результаты классификации представлены в следующем виде (предсказано, фактическое):

(1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (1, 1), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (3, 3), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4), (4, 4)

Таким образом в данном случае, модели удалось достигнуть требуемой 100% точности предсказания, сопоставимые с результатами характерными для эмпирического и аналитического решения задачи.

Применение полученных решений с позиции автоматизированного проектирования.

Кратко рассмотрим перспективы практической применения полученных результатов в целях совершенствования существующих подходов проектирования.

  1. Оптимизация спектральной характеристики излучения. Данная функция может быть востребована при разработке сценариев управления системой освещения в том числе с учетом достигаемого экономического и биологического эффекта. В настоящее время при решении данной задачи специалисту в подавляющем большинстве случаев приходится ориентироваться на грубые эмпирические методы или же проводить трудоемкую аналитическую оценку. Полученные результаты показали приемлемое качество оптимизации излучения источника света с целью достижения максимально возможной в рамках технических и конструктивных ограничений идентичности требуемому эталону, при этом трудоемкость данного метода существенно ниже за счет применения методов автоматической оптимизации.
  2. Классификация ИИ по их спектру. Данная функция может быть востребована в качестве вспомогательной функции в случае предварительной обработки исходных данных источников света, таким образом в случае непредставлении производителем необходимых данных о типе источника света, применение средств машинного обучения может значительно упростить процедуру их корректной идентификации проектировщиком, что может быть критично для тех случаев, когда искусственное освещение должно быть организованно с применением конкретных типов ИИ.
  3. Классификация осветительных приборов по КСС. В случае способа применения методов машинного обучения аналогичного указанному в демонстрационном примере, решение задачи с применением методов машинного обучения не имеет существенных преимуществ перед существующей аналитической методикой при условии автоматизации вычислений. Однако при развитии данной идеи, возможно обучение модели для более тонкой классификации КСС в рамках поддиапазонов, когда заложенный в нормативе тип КСС может быть дополнительно разбит пользователем на подгруппы, применение которых будет наиболее адекватно для каждого конкретного случая. В таком случае процедура перенастройки модели может оказаться существенно менее затратной по сравнению с разработкой аналитических критериев и не потребует от пользователя высокой классификации в области математического анализа.

Заключение.

В данной работе были представлены две концепции, направленные на улучшение процедуры автоматизированного проектирования систем искусственного освещения, базирующиеся на оценке спектральных характеристик ИИ. Несмотря на возможную актуальность применения данных концепций по отдельности, наибольшего эффекта возможно достичь при их совместном применении, в том числе в рамках упомянутой выше концепции интеллектуального модульного ПАК, что особенно актуально учитывая комплексный характер решаемой задачи. Так, например, автоматизированный подбор спектральных характеристик, должен быть увязан с критериями комфорта и безопасности отраженными в существующей нормативной документации, при этом необходимо учесть требования по энергосбережению, перспективы биологического воздействия выбранных режимов работы систем освещения, расположение осветительных приборов и простоту последующей эксплуатации систем освещений, а также с процедурой программирования вычислительных систем на этапе пуско-наладки. Основываясь на изложенном выше материале представленной работы, можно сделать заключение об актуальности дальнейшего развития концепции как в части разработки ее отдельных элементов, так и их объединения в рамках системного подхода.

Библиография
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
References
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.