|
Для широкого класса задач априорная неопределенность может быть сведена к параметрической, когда вероятностные законы распределения для исследуемых ситуаций, величин и наблюдаемых процессов известны с точностью до конечного числа параметров. Системой можно управлять либо на основе априорных сведений в виде программы на весь период функционирования системы, либо с помощью процедур адаптивного и рекуррентного оценивания для устранения априорной параметрической неопределенности с использованием принципов управления с обратной связью. В этом случае принятие решения не сводится к единичному акту, а продолжается в ходе наблюдения за управляемым объектом. В связи с тем, что система управления является многоуровневой, необходимо выделить имеющиеся уровни управления и создать на каждом уровне управления систему контроля состояния процессов, обладающую необходимым разнообразием для целей управления. Для создания системы контроля состояния процессов с позиций каждого уровня управления нужно будет построить систему обобщенных показателей процессов и найти методы, позволяющие количественно оценить эти показатели. Одно из основных требований к системе контроля состоит в том, чтобы она не только описывала состояние системы, но и позволяла выявить необходимость и виды воздействия на состояние системы и получить количественные оценки результатов таких воздействий. Правильно обработав данные (т.е. сформировав обобщенные образы процессов в динамике и статике) и имея начальный временной фрагмент, мы сможем получить оценки состояния процессов и дать прогноз наиболее вероятного хода этих процессов. При принятии решения о проведении того или иного вида управляющего воздействия мы сталкиваемся с необходимостью сравнивать состояния системы между собой с точки зрения разных процессов и моделей. Но если гетерогенны по своей природе, т.е. имеют различные признаки, разное при |
-процедура принятия решения базируется на неполной информации, т.е. нечетких посылках; -неопределенность проявляется при агрегации правил и моделей, исходящих от разных источников знаний или от диспетчеров различных уровней управления (эти правила и модели могут быть противоречивыми, избыточными и т.п.). Необходимость работы в этих условиях затрудняет использование стандартных систем автоматики и АСУ ТП. Особенно сложным является описание областей допустимых режимов работы оборудования в таких условиях, т.к. задание жестких (четких) ограничений для АСУ ТП и систем автоматики приводят в настоящее время к отключению этих систем диспетчером. Поэтому крайне важной представляется возможность использования для описания и формализации областей допустимых режимов работы оборудования теории нечетких множеств. Когда технолог или диспетчер сталкиваются с неопределенностью реальной системы в процессе принятия решений, то он поступает самыми различными способами: 1. чаще всего сознательно (или бессознательно) игнорирует существование неопределенности и использует детерминированные модели; 2. выбирает один наиболее существенный, с его точки зрения, вид неопределенности и использует соответствующую теорию, так как разработанные в настоящее время количественные методы принятия решений помогают выбрать наилучшие из множества возможных решений лишь в условиях конкретного вида неопределенности [162]; 3. проводит дополнительные исследования системы или получает информацию в ходе контроля (адаптация и обучение) [240] или управления (дуальное управление системой) [229]. Особенности решения задач в реальном масштабе времени приводят к тому, что недостаток вычислительных возможностей (несоответствие вычислительных ресурсов сложности задачи) эквивалентен, в некотором смысле, недостатку информации об условиях задачи. Согласно работе М. Блэка [110], неопределенность имеет место, когда универсальное множество состоит более чем из одной точки. Если для этих элементов множества заданы соответствующие вероятности или другие вероятностные характеристики, то имеет место вероятностная неопределенность. Если известны только граничные элементы множества интервальная неопределенность. И, наконец, при задании для каждого элемента множества соответствующей степени принадлежности нечеткость. Неопределенность можно проклассифицировать по степени неопределенности (полная определенность, вероятностная, лингвистическая, интервальная, полная неопределенность), по характеру неопределенности (параметрическая, структурная, ситуационная) и по использованию получаемой в ходе управления информации (устранимая и неустранимая) [162]. Для широкого класса задач априорная неопределенность может быть сведена к параметрической, когда вероятностные законы распределения для исследуемых ситуаций, величин и наблюдаемых процессов известны с точностью до конечного числа параметров. Системой можно управлять либо на основе априорных сведений в виде программы на весь период функционирования системы, либо с помощью процедур адаптивного и рекуррентного оценивания для устранения априорной параметрической неопределенности с использованием принципов управления с обратной связью. В этом случае принятие решения не сводится к единичному акту, а продолжается в ходе наблюдения за управляемым объектом. подход не охватывает всех функций, возлагаемых на систему контроля сложного процесса, и поэтому не может быть принят в качестве основного метода. К его недостаткам можно отнести также большую субъективность при анализе системы, слабую способность к обобщению и полное отсутствие возможности адаптации и обучения системы контроля. 3. Распознавание последовательности симптомов — метод, основанный на сравнении реальной последовательности симптомов с эталонными, которые хранятся в памяти ЭВМ. Этот метод обладает тем преимуществом, что позволяет легко расширять "словарь" эталонных последовательностей симптомов, но имеет некоторые недостатки: необходимость хранения нескольких однотипных эталонных последовательностей симптомов; трудность представления нецифровой информации (например, описание структуры процесса); трудность учета влияния субъективного фактора при разработке эталонов; в существующих системах кодируется лишь наличие или отсутствие симптома (0 или 1) и эталоны записываются в виде кодовых последовательностей. Применение одного лишь этого подхода едва ли перспективно, поскольку в лучшем случае позволяет автоматизировать процесс нахождения уже известных способов описания и формирования признаков. При этом многие кардинальные вопросы (о полноте признаков и т.д.) остаются открытыми. Часто такие признаки бывают неточными, плохо формализуются и их выработка специалистами представляет собой очень длительный и неформальный процесс. 4. Создание достаточно полных математических моделей дифференцируемых процессов. Тогда задачу дифференциальной диагностики обычно сводят к отнесению наблюдаемого состояния к такому виду, модели которого оно больше соответствует. Для условий сложных одновременно протекающих процессов эта задача становится далеко не тривиальной, и создание полной математической модели сложного процесса пока невозможно. В данной работе главное внимание уделено проблеме получения интегральных показателей, позволяющих с позиций системы управления "сжать" исходную информацию и предоставить ее разработчику в виде, удобном для принятия решений. Значение показателя R будет определяться исходя не только из текущего состояния процесса на основе функционального преобразования вектора , но и из компетентности каждого измерения xi в данной ситуации, т.е. задача оценки ситуации напоминает процесс принятия решения с помощью коллектива решающих правил. При создании системы контроля и управления необходимо учитывать, что создание отдельных (даже очень эффективных) методов и программ мало вносит нового в процесс контроля и управления системой, предоставляя разработчику лишь некоторое количество разрозненной информации к размышлению. Методы принятия решений остаются неформальными и малоэффективными. Поэтому встает неотложная задача определения формальных объективных характеристик ситуаций. Причем для целей управления эти характеристики должны отражать не только текущую ситуацию, но и динамику процессов, давать возможность для сравнения различных подсистем в целом и по отдельным процессам с выделением доминирующих процессов. Система должна осуществлять контроль, прогноз и управление при значительной неопределенности информации, управлять самим процессом диагностики и помогать разработчику в процессе принятия самых различных решений. В связи с тем что система управления является многоуровневой, необходимо выделить имеющиеся уровни управления и создать на каждом уровне управления систему контроля состояния процессов, обладающую необходимым разнообразием для целей управления. Для создания системы контроля состояния процессов с позиций каждого уровня управления нужно будет построить систему обобщенных показателей процессов и найти методы, позволяющие количественно оценить эти показатели. Одно из основных требований к системе контроля состоит в том, чтобы она не только описывала состояние системы, но и позволяла выявить необходимость и виды воздействия на состояние системы и получить количественные оценки результатов таких воздействий. Правильно обработав данные (т.е. сформировав обобщенные образы процессов в динамике и статике) и имея начальный временной фрагмент, мы сможем получить оценки состояния процессов и дать прогноз наиболее вероятного хода этих процессов. Особенности создания понятийных моделей сложных процессов При принятии решения о проведении того или иного вида управляющего воздействия мы сталкиваемся с необходимостью сравнивать состояния системы между собой с точки зрения разных процессов и моделей. Но если гетерогенны по своей природе, т.е. имеют различные признаки, разное признаковое пространство, то методы сопоставления этих процессов, основанные на едином признаковом пространстве, неприемлемы. Сопоставлять эти процессы можно (и просто необходимо для целей управления) на более высоком уровне абстракции, где эти процессы имеют общие точки соприкосновения: оба процесса имеют предельные состояния, которые хорошо отражают значимость данного процесса в системе, позволяют определить стадию каждого из процессов и в случае доминирования какого-либо процесса принять меры по борьбе с ним. В настоящее время многими исследователями отмечается необходимость использования новых математических методов в процессе принятия решений в диагностике и планирование мероприятий по управлению процессом. Но математические методы, эффективные сами по себе, могут оказаться бесполезными при наличии неясной терминологии и описании процессов. Поэтому необходимо все основные понятия сформулировать более точно и на их основе создать адекватный язык для принятия решений в разработке. Для распознавания образов в настоящее время наиболее характерен "экстраполяционный" подход. Возможность его применения для решения нашей задачи ограничена в связи со слабыми "обобщающими" возможностями этого метода. Он также не позволяет получить количественную оценку для текущего состояния процесса по небольшому числу экспериментальных данных. Для нахождения оценок сложных процессов по небольшому числу опытных данных необходимо привлечение априорных данных о физике процессов и свойствах восстанавливаемых правил оценки. Процесс переработки исходного описания в образ процесса должен идти последовательно. Необходимо определить понятие процесса, и в связи с большой сложностью процесса в целом использовать для его определения на разных стадиях различные признаки и характеристики процесса. Полученные на уровне исходного описания параметры системы довольно слабо связаны с интуитивными понятиями и образами сложных явлений и с их лингвистическими определениями. Разрыв между параметрами и образом сложного процесса можно устранить двумя путями: переводом исходного описания на естественный язык и управления системой в рамках естественного языка; размыванием образа (его лингвистического описания), построением функции принадлежности состояния системы к тому или иному классу. Каждый из подходов имеет свои преимущества и недостатки. Так, первый подход позволяет |