Исследовательский подход к обучению студентов технических специальностей в связке бакалавриат-магистратура

В современном мире основным индикатором успешности обучения в ВУЗе становится востребованность выпускников рынком труда. Предприятия хотят получить готового к выполнению практических производственных задач специалиста, имеющего не только глубокие теоретические знания, но и практические умения по своей специальности. Этого же требуют все современные как Российские [1-9], так и международные [10-14] образовательные стандарты и рекомендации.

Особенно актуальным это становится для выпускников технических ВУЗов, так как новые технологии, а, следовательно, и потребности предприятий в специалистах, разбирающихся в них, развиваются очень быстро.

То, что всегда считалось преимуществом Российского высшего образования, - ориентированность академического классического высшего образования на глубокие теоретические знания, - для инженерных ВУЗов сегодня является скорее недостатком : оторванность теоретических знаний от практики снижает мотивацию к обучению, создает впечатление о ВУЗе как об оторванном от действительности учебном заведении, понижает шансы выпускников найти хорошую работу в дальнейшем.

Хорошим решением данной проблемы становится так называемое «исследовательское обучение», когда теоретические основы студенты познают в процессе самостоятельного или частично-самостоятельного выполнения практического задания, сформулированного (в идеале) представителями предприятий данной области.

Применение исследовательского обучения в бакалавриате.

Практикоориентированность является в настоящее время важным требованием к обучению будущих инженеров. Технические ВУЗы стараются усилить блок лабораторных и практических занятий, для чего широко применяются как классические, так и электронные средства обучения [15-23] в том числе виртуальные лаборатории [24-28], специализированные обучающие пакеты, например, для обучения математическим дисциплинам [29-35], мультиязычные обучающие программы [36-38] и др.

Исследовательский подход применяется в обучении студентов специальности «Прикладная математика и информатика» Казанского национального исследовательского технического университета им. А.Н. Туполева. В частности, интересные результаты были получены при обучении студентов по курсу «Компьютерное моделирование» с последующим развитием учебных исследовательских задач в практические в ходе выполнения бакалаврской, а затем и магистерской выпускной квалификационной работы.

Предмет «Компьютерное моделирование» изначально является практикоориентированным, и включает в себя выполнение ряда лабораторных работ в современных программных пакетах. Одним из наиболее перспективных для исследовательского обучения является программный пакет AnyLogic. Anylogic -программное обеспечение для имитационного моделирования систем массового обслуживания, разработанное российской компанией «Экс Джей Текнолоджис» (XJ Technologies), г. Санкт-Петербург. Anylogic поддерживает все подходы к созданию имитационных моделей: процессно-ориентированный (дискретно-событийный), системно динамический и агентный, а также любую их комбинацию. Моделирование применяется в науке и машиностроении, используется для получения новых знаний об объекте или для приближенной оценки поведения систем, слишком сложных для аналитического исследования. Применяют в тех случаях, когда эксперименты с реальной моделью слишком дороги, опасны, долговременны, неповторимы, невозможны и т.д. Исследовательское обучение разделяется на три этапа:

Первым этапом освоения компьютерного моделирования является выполнение лабораторных работ в пакете проектирования Anylogic. Формулируются учебные задачи, максимально тематически приближенные к возможным сферам практического применения пакета.

В частности, в процессе выполнения работы студенты должны выполнить следующее задание:

В банковский офис обращаются клиенты. Офис представляет собой автоматизированный пункт обслуживания, в котором установлен банкомат. Банкомат обслуживает одновременно одного клиента. Клиенты прибывают по экспоненциальному закону с интенсивностью λ =0,67. Одновременно в офисе может находиться не более 15 клиентов. Интервал времени работы банкомата подчиняется треугольному закону распределения с параметрами x min =0.8, x max =1,3 предпочтительное значение 1. Необходимо построить имитационную модель системы и исследовать ее эффективность. Далее модель усложняется добавлением в нее банковских кассиров, датчиков и анимации.

Для выполнения задания в руководстве к лабораторным работам дается подробное описание всех компонентов системы с иллюстрациями и пошаговой инструкцией по моделированию систем. В результате студент должен построить следующую модель:

Рис. 1. Двухканальная СМО – результат выполнения лабораторной работы и исследовать ее свойства.

Это начальный этап практического обучения.

На втором этапе студенту предлагается самостоятельно выбрать реальный объект, провести его моделирование и оптимизацию параметров. Данная работа может рассматриваться как выпускная квалификационная работа уровня бакалавриата.

Показательным примером такого исследовательского практического задания может стать работа студентки Гильмановой И. Н. (выпускница бакалавриата 2019 года). В качестве практического приложения студенткой было выбрано моделирование пассажиропотока одной из станций метрополитена г. Казани с последующей оптимизацией количества используемого на станции оборудования. Студентка формулирует проблему следующим образом: «Каждый день через станции метро проходят десятки тысяч пассажиров. Данный вид подземного транспорта пользуется успехом в силу своей скорости и доступности цены проездного билета. Однако, в некоторые промежутки времени, когда в городе происходит массовое передвижение людей к местам работы или учёбы и наоборот, создаются большие очереди, которые, в худшем случае, могут привести к сбою всей системы обслуживания. Встаёт вопрос — как свести к минимуму образование очередей в пунктах досмотра, кассовых аппаратов и турникетов, не меняя при этом структуру строения здания станции». Далее Гильманова переходит к непосредственному моделированию интенсивности пассажиропотока на основе измеренных среднего времени прохо ждения через пункты досмотра и турникеты; среднего времени обслуживания кассовых аппаратов; количества каждого элемента системы обслуживания, а также схемы северного вестибюля станции метро “Площадь Г. Тукая” и выхода к платформе.

Особо необходимо обратить внимание на то, что все перечисленные параметры системы студентка определяла самостоятельно в ходе натурных экспериментов, наблюдений и измерений. Это придало работе еще большую практическую ценность, так как исследования затронули полный цикл проектирования, как на реальном производстве. Приведем выдержки из описания проделанной студенткой исследовательской работы:

Краткое описание метода

Имитационное моделирование рассмотренной системы проводилось в среде AnyLogic 8.4.0 Professional [39]. Среда AnyLogic предоставляет помимо построения компьютерной модели системы массового обслуживания ещё и возможность анализа эффективности построенной модели, после которого можно использовать оптимизационный эксперимент, который позволит получить оптимальные значения при данных начальных условиях [40]. Задав новые значения после каждого оптимизационного эксперимента, и проводя новые, можно добиться наименьшего суммарного значения всех возникающих очередей у элементов системы обслуживания.

В работе выполнено моделирование случайного потока в СМО на примере пассажиропотока отдельно взятого вестибюля станции метро в вечерний час пик с помощью среды имитационного моделирования AnyLogic с учётом логики поведения пассажиров [41]. В модели используются такие элементы системы массового обслуживания с очередями [42], как: два вида металлоискателей, кассовые аппараты и турникеты. Также было экспериментально измерено среднее время пребывания пассажиров в каждом элементе СМО.

Пассажиры входят в вестибюль станции через один из двух металлоискателей первого типа, далее у каждого пассажира есть три возможных действия:

• -    у пассажира есть билет, и он проходит дальше в сторону металлоискателя второго вида и турникетов;

• -    у пассажира нет билета, и он идёт к кассовым аппаратам;

• -    пассажир передумал использовать этот вид транспорта до оплаты билета или его использования, и он идёт к выходу.

Далее, при первом варианте действия, пассажира могут остановить на второй пункт досмотра. После прохождения данного вида металлоискателя он продолжает движение к турникетам, проходит через один из них, спускается по эскалатору и попадает на платформу. Затем он ждёт 3 или 6 минут в зависимости от расписания поездов, и уезжает в нужном ему направлении.

Логика поведения пассажиров, осуществляющих перемещение на станции метро, показана на рис. 2.

pedSource metalDetectorA pedSelectOutput                   pedSelectOutput! turnstiles                                  pedGoToAvia pedWait pedSink!

Рис.2. Логика поведения пассажиров

На рис. 2 приняты следующие обозначения:

PedSource - вход в вестибюль метро (интенсивность входа: 2100 чел/час);

MetalDetectorA - металлоискатели первого вида (у входа в метро;

количество: 2; среднее время прохождения через них: 0,6 сек)

PedSelectOutput - разветвление логики:

• 1.    переход на PedSelectOutput1 с вероятностью 0,7 (у пассажира есть билет, он проходит мимо кассовых аппаратов);

• 2.    переход на BuyTickets с вероятностью 0,25 (нет билета, идёт к кассовым аппаратам);

• 3.    переход на PedGoTo с вероятностью 0,05 (пассажир идёт на выход из вестибюля).

BuyTickets - кассовые аппараты (количество: 6, среднее время пребывания пассажира в данной системе: 8 сек, 18 сек или 38 сек в зависимости от способа приобретения и вида приобретаемого билета);

PedGoTo - пассажир идёт к выходу;

PedSink - пассажир выходит из метро;

PedSelectOutput1 - разветвление логики:

• 1.    переход на Turnstiles с вероятностью 0,8 (пассажир идёт к турникетам);

• 2.    переход на MetalDetectorB с вероятностью 0,2 (для прохождения осмотра ручной клади);

Turnstiles - турникете (количество: 4; среднее время задержки: 3 сек);

MetalDetectorB - металлоискатель второго вида (количество: 1; среднее время пребывания пассажира в системе: 10 сек);

PedEscalator - эскалатор, движуйся вних к платформе;

PedSelectOutput2 - разветвление логики:

• 1.    переход на PedGoToAvia с вероятностью 0,45 (пассажир должен поехать в сторону станции “Авиастроительная”);

• 2.    переход на PedGoToDub с вероятностью 0,55 (должен поехать в сторону станции “Дубравная”);

PedWait, PedWait1 - пассажир ожидает поезд в зависимости от расписания маршрута;

PedSink1, PedSink2 - пассажир заходит в поезд.

Описание проведённых экспериментов

Первоначальный имитационный эксперимент с моделью, представленной на Рис.1., проведен при модельном времени, равном 64800 сек (или 18 часов - время работы казанского метро с 06:00 до 00:00), при заданном реальном количестве металлоискателей, кассовых аппаратов и турникетов. По прошествии заданного времени суммарная очередь на всех видах оборудования за весь период работы метро составила 14846 человек.

Далее необходимо задать лимиты по количеству элементов устанавливаемого оборудования исходя из площади вестибюля: металлоискатели первого вида ≤ 5, кассовые аппараты ≤ 10, металлоискатели второго вида ≤ 3, турникеты ≤ 10. После чего был запущен оптимизатор модели.

Оптимальное количество оборудований после оптимизационного эксперимента: металлоискатели первого вида = 3, кассовые аппараты = 6, металлоискатели второго вида = 2, турникеты = 6. После того, как полученные оптимальные значения были заданы в качестве параметров модели, эксперимент был проведен заново. По окончанию нового имитационного эксперимента суммарное количество пассажиров во всех очередях составило всего 26 человек.

Выводы

Имитационное моделирование позволило оптимизировать количество обслуживающего оборудования станции метро. После наиболее успешного оптимизационного эксперимента можно сделать заключение, что оптимальным решением является: количество металлоискателей первого вида - 3 шт., количество кассовых аппаратов - 6 шт., количество металлоискателей второго вида - 2 шт., и турникетов - 6 шт. При запуске модели с указанными параметрами очередей, задерживающих всю систему или выводящую её из строя, не образовалось.

Научный руководитель отметил данную работу как одну из самых успешных в выпуске. Студентка приобрела бесценный опыт по созданию реальных систем. В настоящее время Гильманова поступила на первый курс магистратуры КНИТУ-КАИ, и продолжит работы по данной теме.

Другим интересным примером исследовательского обучения по реальному проекту может стать работа студента Харисова Р. Ф. (выпускник бакалавриата 2017 года). В отличие от Гильмановой И.Н., Харисов в момент написания бакалаврского диплома был принят с испытательным сроком на логистическое предприятие. Формулируя и реализуя собственный проект, студент проходил проверку руководства. Студенту сформулировали следующее проверочное задание:

Создание имитационной модели логистического склада с целью повышения эффективности работы, оптимизации складской логистики и управления цепочками поставок на этапах: планирование, управление, контроль.

Входные данные: план-схема склада, количество грузчиков на выгрузке, на разгрузке, на перемещении, контролеров, приемщиков, количество заявок в очереди, временные интервалы заявок, интервалы прибытия грузовиков доставки, грузовиков снабжения, среднее время загрузки и выгрузки.

Выходные данные: оптимальное количество погрузчиков и грузовиков доставки, при котором не менее 30% из них будут свободными, а суммарная стоимость их эксплуатации будет минимальной.

Приведем основные моменты из описания разработки:

Разработка модели склада

При разработке модели была детально задана структуры склада с учетом его топологии: точного расположения зон, оборудования и путей движения техники. Затем задали бизнес-процессы, определяющие работу склада. Эти процессы определяют, что, когда, и с использованием какой техники делает персонал при выполнении различных операций. Затем задается график прихода товаров и поступления заказов на склад: с указанием времени, объема, номенклатуры.

Рис. 3. Структура склада

Также был разработан оптимизатор, который решает задачу линейного программирования: при заданных ограничениях (не менее 30% грузовиков доставки и погрузчиков должны быть свободны) целевая функция стоимости имеет вид

TA*TC + FA*FC→min, где TA и FA - количество грузовиков и погрузчиков,

TC и FC - стоимости их эксплуатации в час соответственно.

Результаты экспериментов

После запуска модели нам необходимо ввести входные данные. В ходе работы модели эти данные можно изменять. На 2D или 3D модели будет изображена работа склада со статистикой загруженности каждого вида ресурсов. Таким образом будет видно, каких ресурсов не хватает в тех или иных условиях.

Для бесперебойной работы склада нам необходимо 13 грузчиков, 3 контролера и 3 приемщика.

Оптимизатор решил, что для выполнения заданных ограничений и целевой функции, на складе необходимо иметь 4 погрузчика и 3 грузовика доставки.

Выводы

При вводе решения оптимизатора в качестве входных данных, в среднем 30% грузовиков доставки и погрузчиков остаются свободными. При этом суммарная стоимость их эксплуатации составляет 2500 у.е. в час.

Исследовательское практическое здание было оценено руководством предприятия как успешное, Харисов был принят в штат, а также защитил выпускную квалификационную работу на степень бакалавра с отличием, и проступил в магистратуру. Продолжением исследований в области моделирования стала его выпускная квалификационная работа в магистратуре.

Развитие исследовательского обучения в магистратуре.

Третьим этапом исследовательского обучения следует считать выполнение практических задач, сформулированных на производстве. В плане обучения подлобные задания могут выполнять студенты магистратуры, в подавляющем большинстве имеющие постоянное место работы к моменту защиты диплома.

Работая на предприятии, магистрант Харисов получил важное задание:

Создание имитационной модели перекрестка с целью повышения пропускаемости пересечения улиц Гали Динмухаметова и Ноксинский переулок.

Создать компьютерную модель и отчет с рекомендациями по организации и оптимизации дорожного движения:

• •    определение текущей пропускаемости перекрестка без светофора

• •    определение оптимальных режимов работы светофора и времени включения фаз, при котором время проезда перекрестка будет минимальным и количество автомобилей с улицы Ноксинский переулок не будет превышать 50.

Входные данные: план-схема перекрестка, количество проезжающих автомобилей в различных направлениях.

• •    Выходные данные: оптимальный режим работы светофора и время включения фаз, при котором будет обеспечена максимальная пропускная способность и количество автомобилей с улицы Ноксинский переулок не будет превышает 50.

Рис. 4. План-схема перекрестка

Используя полученный на предварительных этапах исследовательского обучения опыт, студент разработал полноценную коммерчески-реализуемую модель перекрестка:

Рис. 5. Главная страница модели

с подробными описания агентов:

– легковые автомобили. Начальная скорость – 2 км/ч.

Максимальное ускорение – 1.8 м/с, максимальное торможение – 4.2 м/с. Максимальная скорость – 160 км/ч. Ограничена моделью в 60 км/ч на дороге и 20 км/ч на парковке. Агент создается в начале каждой из улиц с разной интенсивностью, которая задается пользователем.

– Легковые грузовики. Начальная скорость – 2 км/ч.

Максимальное ускорение – 1.0 м/с, максимальное торможение – 3.0 м/с. Максимальная скорость – 110 км/ч. Ограничена моделью в 50 км/ч на дороге и 10 км/ч на парковке. Агент создается в начале каждой из улиц с разной интенсивностью, которая задается пользователем.

логики их действий:

selectNS

Г selectNS – выбор, куда поедет автомобиль. На северную сторону или южную. Задается вероятностью. Примерно 60% автомобилей сворачивают на северную сторону

timeMeasureStartToN – начинаем считать время проезда в северную сторону.

carMoveToN – движение объекта. У него есть свойство «Цель движения».

Автомобиль может двигаться к:

• •    Дороге

• •    Парковке

• •    Стоп-линии

• •    Автобусной остановке

timeMeasureFromN – Завершаем подсчет времени

carDispose – «Уничтожаем» автомобиль полноценной 2D и 3D анимацией:

Рис. 6. Вид дороги в результате работы неправильно отрегулированного светофора 2D

Рис. 7. Работа модели в 3D

и т.д. Полное описание модели является ноу-хау предприятия. В заключении студент Харисов отмечает:

• 1.    Была построена имитационная модель перекрестка улиц Гали Динмухаметовой и Ноксинский переулок.

• 2.    Были собраны данные о количестве проезжающих автомобилей в час-пик по 3-м направлениям.

• 3.    Собранные данные были внесены в построенную модель. Используя данную модель, вычислили среднее время проезда данного перекрестка с выключенным светофором, которое составило 62 секунды.

• 4.    Используя встроенный оптимизатор AnyLogic, получили оптимальное время работы светофоров в 30 секунд по главной дороге и 15 по

второстепенной. При данных параметрах среднее время проезда светофора составило 50 секунд.

Проделанная работа выполнялась по коммерческому проекту оптимизации дорожного движения г. Казани. Выполнив ее, студент завершил полный цикл исследовательского обучения, получив исчерпывающий набор как теоретических, так и практических навыков, применимых в реальных секторах экономики. По результатам выполнения, Харисов получил премию от руководства, магистерская выпускная квалификационная работа была с успехом защищена.

Выводы

Исследовательское    обучение    способно    существенно    повысить конкурентоспособность выпускников технических специальностей, позволяя им получить теоретические знания одновременно с практическими навыками, необходимыми на производстве. Целесообразным является трехступенчатый подход к подобному обучению: на первом этапе обучающиеся выполняют типовые учебные задания, приближенные к реальным. На втором этапе студенты самостоятельно выбирают реальный объект, сами формулируют исследовательскую задачу, и выполняют ее. Данный этап хорошо согласуется с целями и задачами выпускных квалификационных работ на уровне бакалавриата. Наконец студенты выполняют практические исследования по заказу реальных работодателей, выполняя коммерческие проекты. Этот этап целесообразно применять в магистратуре, где подавляющее большинство обучающихся имеют постоянное место работы. Пройдя все три этапа, выпускник будет обладать всеми необходимыми для рынка труда качествами – это готовый специалист, успешный в выбранной им профессии.