Содержание к диссертации
Введение
1. CLASS Введени CLASS е 5
2. Анализ управления организационно-техническими процессами 20
2.1. Анализ объектов и методов управления 20
2.1.1. Технические объекты 22
2.1.2. Организационные объекты 29
2.1.3. Организационно-технические объекты 36
2.2. Обоснование выбора класса объектов управления 42
2.3. Анализ задач автоматизации организационно-технических процессов 46
2.4. Постановка проблемы исследования 51
3. Методология синтеза интеллектуального управления организационно-техническими процессами 56
3.1. Принципы интеллектуального управления организационно-техническими процессами 56
3.2. Показатели интеллектуальности системы управления 61
3.3. Универсальная комбинированная процедура принятия управленческих решений 64
3.3.1. Выбор цели, критерия и нормы (метрики) 66
3.3.2. Выбор метода достижения цели 68
3.3.3. Анализ неразрешимости проблемы 70
3.3.4. Критерий достижения цели 71
3.3.5. Графическое описание комбинированного метода 71
3.4. Эвристики, интеллектуальные и регулярные методы решения задач управления 75
3.5. Представление знаний в универсальной комбинированной процедуре принятия решений 79
3.6. Компонента интеллектуального управления 82
4. Синтез интеллектуальной системы управления производством композитных изделий 86
4.1. Характеристика производства изделий из композитных материалов .86
4.2. Задачи интеллектуализации производства изделий из композитных материалов 92
4.2.1. Выбор материалов 94
4.2.2. Раскрой материалов 94
4.2.3. Построение математических моделей производства многослойных изделий из композитных материалов 92
4.2.4. Оптимизация режима термообработки многослойных намоточных изделий из композитных материалов .^ff!4^ 301
4.3. Разработка интеллектуальной автоматизированной системы производства изделий из композитных материалов 103
5. Создание интеллектуальных автоматизированных обучающих систем 112
5.1. Анализ обучения как объекта управления 112
5.2. Постановки задач управления обучением 114
5.3. Синтез автоматизированных комбинированных обучающих систем 116
5.3.1. Синтез управления в комбинированной обучающей системе 119
5.3.2. Определение психофизиологических характеристик операторов.. 119
5.3.3. Оценка психофизиологических характеристик и знаний операторов на основе нечеткой логики 124
5.4. Реализация интеллектуальной автоматизированной обучающей системы 131
6. Синтез интеллектуальных систем в медицине и экологии 138
6.1. Анализ медико-экологических процессов как объекта управления... 138
6.2. Постановка задачи 140
6.3. Построение интеллектуальной организационно-технической системы управления медицинской диагностикой 141
6 А. Создание экспертной системы диагностики нозологических заболеваний ...151
6.5. Синтез системы поддержки принятия управленческих решений об использовании природных цеолитов в медицине и экологии 156
6.5. Создание экспертной системы для производства лекарственных и ароматических препаратов из растительного сырья 165
7. Интеллектуализация процессов поддержки принятия управленческих решений в отраслевых организационо-техническихсистек4ах 169
7.1. Анализ задач поддержки принятия управленческих решений в организационно-технических системах 169
7.2. Интеллектуальная система управления газокомпрессорной сетью .172
7.3. Интерпретирующая экспертная система рассмотрения претензий на железнодорожном транспорте 186
7.4. Экспертная система ситуационного управления документооборотом бланков строгой отчетности 194
7.5. Планирующая экспертная система организации работ на автотранспортном предприятии 204
7.6. Интеллектуальная система поддержки принятия управленческих решений в речном и озерном рыбном хозяйстве 221
8. Создание интеллектуальных автоматизированных систем экономического учета организационно-техническими объектами 235
8.1. Анализ систем экономического учета как объекта автоматизации... 235
8.2. Задачи автоматизации и интеллектуализация экономического учета и методика их решения 250
8.3. Реализации системы автоматизации и интеллектуализации экономического учета 255
9. Заключение 264
Литература 267
Список сокращений 297
Приложения 299
- Анализ задач автоматизации организационно-технических процессов
- Эвристики, интеллектуальные и регулярные методы решения задач управления
- Построение математических моделей производства многослойных изделий из композитных материалов
- Оценка психофизиологических характеристик и знаний операторов на основе нечеткой логики
Введение к работе
Актуальность темы. Увеличивающаяся сложность управления современными системами в промышленности, экономике, социальной сфере, их взаимная интеграция, функционирование в условиях жесткой конкуренции вызывают необходимость рассмотрения новых классов процессов управления. Наряду с задачами управления достаточно хорошо изученными техническими и организационными системами появилась потребность в эффективном управлении новыми типами объектов — организационно-техническими (технологическими) или технико-организационными процессами. Наличие в них человека как активного элемента в объекте и/или системе управления не позволяет использовать традиционные методы формирования управляющих воздействий.
Классическая и современная теории автоматического управления позволяют успешно синтезировать системы управления классом технических объектов, обладающим широким спектром свойств по отношению к таким характеристикам, как линейность (линеаризуемость в малом), стационарность, распределенность координат, возможность построения регулярных математических моделей и др. Для технических процессов, характеризующихся неопределенностями, которые не могут быть описаны статистически, предприняты попытки применения методов искусственного интеллекта. Однако эти методы в основном используются как дополнительные, подчиненные основной схеме синтеза систем управления техническими процессами. При этом созданные относительно немногочисленные устройства и алгоритмы (программы) управления часто выступают в роли своеобразного компенсатора таких особенностей технических систем, как неопределенность координат, качественный характер переменных и др.
Для синтеза систем управления классом организационных процессов, характеризующихся такими свойствами, как активность, открытость, самоорганизация, нестационарность, нелинейность, обычно применяются эвристики и способы, отражающие многолетний человеческий опыт. Несмотря на попытки формализации, в этой области по-прежнему превалирует субъективность принимаемых управленческим персоналом решений. Известны лишь немногочисленные попытки использования формализованных подходов и методов искусственного интеллекта для поддержки принятия управленческих решений в организационных системах на верхних уровнях иерархии (Бурков В.Н. - теория активных систем; Новиков ДА. -теория игр, принятие решений и механизмы управления; Канторович Л., Лурье Л., Новожилов В. - теория математического моделирования и оптимального планирования). Они основаны на формализации знаний по выработке управляющих воздействий при типовых ситуациях функционирования организационных систем.
Новый класс организационно-технических процессов (ОТП) несет в себе черты как технических, так и организационных систем. Наиболее важными свойствами, которые необходимо учитывать при синтезе систем управления ОТП, являются многомерность, сложность и изменчивость структуры, наличие многих целей, недетерминированность, активность, открытость и ряд других. Гибридный характер организационно-технических процессов или систем объясняет тот факт, что применение только формализованных (регулярных) методов или только эвристик синтеза систем управления, хорошо зарекомендовавших себя, соответственно, для технических и организационных объектов, не дает здесь желаемого результата. Поэтому для построения эффективно функционирующих систем управления ОТП требуются комбинированные подходы, сочетающие в себе дос-
таинства как формализованных методов, так и/или методов искусственного интеллекта. Более того, опыт использования этих методов при решении задач синтеза управления ОТП целесообразно накапливать, систематизировать и использовать при решении вновь возникающих задач управления.
Для создания систем управления организационно-техническими процессами на основе концепции комбинированного подхода в настоящее время созданы все необходимые условия: существенно возросла мощность компьютеров и вычислительных сетей; имеются развитые базы данньж, современные информационные технологии. Перспективными для создания систем управления организационно-техническими процессами являются: экспертные системы (ЭС), принципы нечеткой логики, системы естественного языкового общения, распознавания образов, системы, основанные на знаниях, нейронные сети.
Однако недостаточная изученность задач формализации и автоматизации организационно-технических систем, отсутствие методов синтеза интеллектуальньж систем управления ОТП обусловливают необходимость проведения научных исследований в этом направлении. В основе предлагаемой автором концепции синтеза систем управления новым классом организационно-технических процессов содержатся принципы совместного использования как регулярных и интеллектуальньж методов, так и эвристических способов.
Целью диссертационной работы является повышение эффективности функционирования систем управления новым классом организационно-технических процессов на основе их интеллектуализации.
Научная проблема, соответствующая этой цели, заключается в создании методологии синтеза и реализации интеллектуальных автоматизированных систем управления (АСУ), основанньж на знаниях (эвристиках) и комбинированных подходах к принятию решений.
Для достижения данной цели необходимо решить следующие задачи: сформулировать принципы создания интеллектуальньж систем принятия управленческих решений и показателей степени интеллектуальности АСУ организационно-техническими процессами;
выполнить анализ свойств организационно-технических процессов как класса объектов управления;
разработать комбинированный метод принятия управленческих решений в сложных организационно-технических системах;
разработать методику применения принципов интеллектуализации на основе комбинированного подхода для систем управления ОТП;
провести апробацию методологии синтеза комбинированных интеллектуальньж систем управления для конкретных типов ОТП.
Методы исследований. Для решения поставленных задач использовались теория управления, методы искусственного интеллекта и математического моделирования, системный анализ, теория принятия решений.
Достоверность и обоснованность диссертационных исследований подтверждается результатами программного моделирования, успешным внедрением разработанньж алгоритмов и программньж средств и интеллектуальньж систем управления в различных организациях и предприятиях.
На защиту выносятся: 1. Методологическая и технологическая концепция синтеза интеллектуальньж АСУ, имеющая междисциплинарный характер и учитывающая как технологиче-
ские аспекты проблемы, так и гуманитарные.
Комбинированный метод принятия управленческих решений в организационно-технических системах управления, основанный на совместном использовании формализованных и интеллектуальньж методов, а также эвристик.
Методология построения автоматизированных интеллектуальньж обучающих систем с учетом психофизиологических характеристик обучаемых.
Подход к интеллектуализации программ автоматизации бухгалтерского, налогового и оперативного учета, основанный на использовании в них интеллектуальньж компонент поддержки принятия управленческих решений.
Результаты реализации концепции синтеза в виде интеллектуальньж систем принятия решений и управлений различными ОТП (промышленность, транспорт, медицина, экология, образование, экономика).
Научная новизна:
создан универсальный комбинированный метод принятия управленческих ре
шений в интеллектуальньж автоматизированных системах управления организа
ционно-техническими процессами;
сформулированы показатели степени интеллектуальности (интеллектуализации) системы управления организационно-техническими процессами;
синтезированы эвристические комбинированные процедуры решения задач
управления большой размерности;
поставлены и решены задачи оптимизации обучения как оптимального управления организационно-техническим процессом;
разработаны методы построения и реализации интеллектуальньж систем управления в промышленности, медицине, экологии, обучении, основанные на использовании встроенньж интеллектуальньж компонент поддержки принятия управленческих решений.
Практическая полезность заключается в расширении возможностей и повышении эффективности функционирования организационно-технических процессов (систем) независимо от области применения на основе повышения интеллектуальности систем управления:
разработанная методология и созданная на ее базе объектно-структурная технология интеллектуализации систем управления положены в основу построения большого числа внедренных в эксплуатацию экспертных систем управления и поддержки принятия решений;
предложенная концепция проектирования и построения интеллектуальньж систем управления представляет интерес для вузов, в учебные программы которьж входят дисциплины, связанные с искусственным интеллектом;
предложенная методология построения обучающих автоматизированных систем, основанная на комбинированном принципе и учете психофизиологических характеристик обучаемых, позволяет проектировать высокоэффективные интеллектуальные обучающие системы. &ш системы целесообразно использовать при групповом и особенно индивидуальном, дистанционном обучении;
разработанные алгоритмы и программы для принятия решений, основанные на
комбинированном интеллектуальном подходе, применимы для самьж различ
ных областей функционирования организационно-технических процессов.
Реализация результатов. Результаты диссертационной работы использованы при создании ряда экспертных систем, внедренных в промышленности, медицине, образовании, экологии и т.п.:
КОМПОЗИТ (система поддержки принятия управленческих решений при про
изводстве изделий из композитных материалов);
«Экспертная система рассмотрения претензий о просрочке в доставке грузов железной дорогой»;
ЦЕОЛИТ (выбор цеолитов для использования в медицине, экологии и т.п.);
АОЭС (автоматизированная обучающая система с учетом психофизиологических характеристик обучаемых);
МЭТЭК (моделирование процесса функционирования транспортно-экспедигорской компании с учетом экологических характеристик); «Учет документов строгой отчетности»;
ФС (Финансовая система) и МНУ (Модуль налогового учета).
Предложенная концепция проектирования и построения интеллектуальных систем управления организационно-техническими процессами применяется при обучении студентов кафедры «Системы искусственного интеллекта» СПУ. Методические материалы автора используются при чтении лекций по интеллектуальным системам в АПУ, ТГТУ, МГУИЭ, Ташкентском ХГИ. Созданная автоматизированная обучающая экспертная система внедрена и функционирует в СПУ, Ташкентском ГТУ, АПУ, ТГТУ, Ташкентском ХГИ. Разработанные автором методы обучения с учетом психофизиологических характеристик позволили существенно сократить время обучения, заметно повысить уровень знаний бухгалтеров и студентов. Комплекс интеллектуальных программ автоматизации бухгалтерского, налогового и оперативного учета успешно внедрен и функционирует на предприятиях корпоративных заказчиков, малых и средних предприятиях с существенным экономическим эффектом.
Апробация работы. Результаты работы докладывались на Всесоюзной НК «Автоматизация в химической промышленности» (Тамбов, 1986); на МНК «Математические методы в химии и химической технологии» (Тула, 1996; Новомосковск, 1997; Владимир, 1998); «Новые информационные технологии в медицине и экологии» (Украина, Крым, Ялта-Гурзуф, 1997 - 1999, 2004); «Математические методы в технике и технологиях» (Новгород Великий, 1999; Санкт-Петербург, 2000; Смоленск, 2001; Тамбов, 2002; Санкт-Петербург и Ташкент, 2003; Кострома, 2004); «Информационные технологии в науке, образовании, телекоммуникации, бизнесе и охране природных ресурсов» (Украина, Крым, Ялта-Гурзуф, 1999) и опубликованы в тезисах и материалах научных конференций.
Публикации. Основные положения диссертации отражены в 89 публикациях, в том числе в 4 монографиях, 12 статьях в центральных научно-технических журналах, рекомендованньж ВАК (3 - в печати), 15 свидетельствах Роспатента на программы для ЭВМ, 1 свидетельстве на изобретение. Без соавторов опубликовано 18 работ.
В работах, опубликованных в соавторстве, личный вклад автора состоит в формулировании проблемы, постановке задач, создании теоретических основ для их решения, а также в участии в процессе исследования на всех этапах.
Структура и объем диссертации. Диссертационная работа состоит из 9 разделов, списка использованной литературы и приложений. Основная часть диссертации изложена на 298 страницах, содержит 51 рисунок, 18 таблиц.
Анализ задач автоматизации организационно-технических процессов
Синтез системы управления организационно-техническим процессом, как и любой сложной управляемой системы, можно представить в виде последовательности этапов:
1. Формулирование цели G системы управления ОТП.
2. Формирование целевых критериев (функций, функционалов) z = J(I,G ).
3. Определение границ процесса F, выявление его особенностей, как объекта управления.
4. Синтез структуры str модели FM(strfa,x,y) ОТП F. метров а є л
5. Параметрический синтез, т.е. идентификация параметров аеА,ъ модели FM(str,ayx,y) ОТП F.
6. Синтез управления и = y(I,G ) ОТП.
7. Реализация системы управления.
Рассмотрим эти частные задачи и их особенности в соответствии с описанной схемой синтеза управляемых ОТП.
Формулирование цели G является плохо формализуемой задачей. Для нее пока не существует строгих теоретических методов решения. Единственным методом ее решения остается экспертный. Один из подходов может заключаться в следующем. Группе экспертов предлагается сгенерировать цели G проектируемой системы управления ОТП. Затем одним из методов групповой экспертной работы осуществляется их ранжирование с последующим принятием решения об окончательном выборе желаемой цели G .
Одной и той же цели могут соответствовать различные критерии J. Как и выбор самой цели формирование множества альтернативных и неальтернативных критериев также приходится выполнять с привлечением экспертов. Для этого нужно создание базы критериев, накопление информации о предпочтениях тех или иных критериев, формирование системы весовых коэффициентов для их ранжирования, т.е. обобщение опыта и знаний экспертов в форме ЭС.
Аналогично с помощью экспертов решаются задачи связанные с описанием объекта управления - организационно-технической системой на этапах выявления границ ОУ и синтеза его структуры.
Как видим, выполнение первых трех этапов связано с использованием знаний и опыта экспертов в области управления организационно-техническими объектами в соответствующих отраслях промышленности, ;дицины, экологии, образования и т.д.
Для повышения эффективности выполнения этих этапов, оказывающих определяющее значение на содержание и результат последующих этапов синтеза системы управления, целесообразно осуществлять интеллектуализацию процедуры построения систем управления.
Задача синтеза структуры str ОТС существенно осложняется такими особенностями, как слабая изученность, нестационарность как структуры, так и параметров объекта управления, непредсказуемость повеления из-за наличия активных элементов.
Поэтому весьма вероятно, что формализованные регулярные методы Ч р окажутся мало подходящими для этой задачи. Поэтому целесообразно, не отбрасывая методы 4х привлечь опыт экспертов и использовать эвристики Ч э для синтеза структуры str в модели FM(str,a,x,y). Таким образом, описание структуры sir может быть построено и в нематематической форме. В общем случае для синтеза структуры str будем использовать комбинацию как регулярных методов, так и интеллектуальных, в том числе эвристических способов: = Ч ,хЧ 1,хЧРэ, т.е. искать решение на расширенном множестве У. Задача идентификации вектора параметров а в модели FM(str,a,x,y) осуществляется по результатам активных экспериментов и/или пассивных наблюдений за состоянием объекта управления I = cond = (х у). Построение адекватных математических моделей в сложных условиях, например, при сильной зашумленности данных, их пропусках, малом объеме выборки при большом количестве переменных; а также невозможности сделать допущения о линейности объекта; качественный характер информации является трудной, чаще всего некорректной задачей [91, 92], например, по Адамару, и требует выбора метода для ее регуляризации.
Нередко задачу идентификации сводят к экстремальной. При этом искомые значения параметров а трактуются как решение задачи нахождения аргумента а , доставляющего минимум функции (функционалу) JM, задающей степень близости наблюдаемых значений на выходе объекта управления у и модели, .у FM{str,a,xiyj)=G. ± Jr (2 3)
Отметим, что параметры а в соотношение (2.2) входят неявно через решение у (а). Для вычисления значения критерия JM при некоторых заданных значениях а необходимо подставить эти значения в (2.3) для вычисления переменной у (при этом полагается, что х = х). В свою очередь, очень редко модель (2.3) удается записать, разрешив ее относительно переменной у. Обычно приходится выполнять математическое моделирование, т.е., например, в случае, если FM - система дифференциальных уравнений, то провести интегрирование, как правило, численное. При определенных условиях (например, плохой обусловленности матрицы, т.е. жесткой системы уравнений) эта операция также может оказаться достаточно сложной в математическом отношении.
Эвристики, интеллектуальные и регулярные методы решения задач управления
Множества эвристических способов У,, интеллектуальных „ и регулярных Ч р методов решения задач управления не являются строго изолированными друг от друга. В процессе накопления опыта решения задач управления различными классами объектов и процессов, расширения сферы круга этих задач происходит переход способов, алгоритмов и методов из одного множества в другое.
Формализованные регулярные методы Ч г решения проблемы (3.13), как уже отмечалось, являются корректными в смысле Адамара, т.е. искомое управление существует, единственное и является устойчивым. Однако при расширении свойств объекта управления, нарушении ряда условий, например, степени выпуклости целевого критерия, ранее регулярный метод может уже не обеспечивать требуемых условий корректности решения по Адамару. Для восстановления корректности используют дополнительную априорную информацию. Например, в данном примере осуществляют «овыпукливание» целевого критерия с помощью ввода в него дополнительного функционала «JN стабилизатора с некоторым регуляризирующим параметром. Величина этого параметра может определяться на основании знания дополнительной инфор мации, не входящей в множество X, например, погрешности измерения вы ходной переменной объекта управления или вычисления критерия помощью ММ. Таким образом, в «расширенной» задаче регулярный метод дополняется эвристикой, основанной на дополнительной априорной информации, что позволяет восстановить корректность постановки задачи управления. Использование таких эвристик позволяет сделать метод более устойчивым. Однако в целом для эвристических способов не доказана справедливость условий корректности решений по Адамару, т.е. эвристические решения могут быть неединственными, неустойчивыми и даже отсутствовать вообще. Тогда вместо точных решений получаем псевдорешения, которые во многих случаях устраивают JII IP.
Многократный и разносторонний опыт использования эвристик для решения определенного класса задач или некоторой задачи позволяет формализовать ряд эвристических приемов и уменьшить количество условий, некорректных но Адамару. Тем самым эвристический способ преобразуется в интеллектуальный метод,
Целью научных исследований должно быть преобразование вида: эвристические способы (приемы, алгоритмы) - интеллектуальные методы (способы) - формализованные регулярные методы, а также комбинированные процедуры со встроенными в формализованные методы эвристиками.
В пространстве состояний поиска эвристика определяется как набор правил для выбора тех ветвей из пространства состояний, которые с наибольшей вероятностью приведут к приемлемому решению задачи [1].
Эвристики целесообразно использовать в двух ситуациях.
1. Задача не имеет точного решения из-за неопределенности в постановке задачи и/или в исходных данных.
2. Задача может иметь точное решение, но «стоимость» его поиска является слишком высокой.
Во многих задачах рост пространства возможных состояний носит экспоненциальный характер, т.е. число возможных состояний растет экспоненциально с увеличением глубины поиска. Этот класс, получивший название класса NP-сложных задач (Nondeterministically Polynomial), включает проблемы, которые не могут быть решены за разумное время без использования эвристики. Этому классу принадлежат почти все задачи поиска. В этих случаях методы поиска решения "в лоб" типа поиска в глубину или ширину могут занять слишком много времени. Эвристика позволяет избежать сложности и вести поиск по наиболее "перспективному" пути, исключая из рассмотрения неперспективные состояния и их потомков. Поэтому эвристики, как правило, могут остановить этот комбинаторный рост и найти приемлемое решение.
Согласно проведенным автором в подразделах 2.3 и 3.2 исследованиям, обе эти ситуации являются характерными при решении проблемы (3.13). Действительно, например, процесс формулирования цели организационно-технической системы, соответствующих критериев относится к числу неформализованных задач. С другой стороны поиск управления м, приводящего к цели G часто для ОТІЇ сводится к решению задач дискретного программирования со свойством NP-полноты.
В теории искусственного интеллекта [1] для описания эвристик э, их
сравнения используют такие показатели как:
допустимость (гарантирует нахождение кратчайшего пути к решению);
монотонность (позволяет последовательно находить кратчайший путь к каждому состоянию информированность (нахождение кратчайшего пути при меньшем количестве проверяемых состояний). Использование этих характеристик позволяет оценить эффективность
использования эвристик в конкретных задачах, выбрать «лучший» эвристический способ. Однако установление справедливости данных свойств часто представляет собой самостоятельную сложную задачу, подобно определению линейности объекта для формализованных регулярных методов.
Некоторая условность результатов расчетов на основе регулярных методов возникает из-за того, что для их применения требуется какая-то математическая модель. При построении ММ реальные явления (операции) существенно упрощаются. Искусство составления математической модели проявляется в том, что требуется учесть все существенные факторы и вместе с тем обеспечить достаточную простоту модели, чтобы не усложнять математический аппарат и не получать трудно обозримые результаты. В ряде случаев бывает трудно (а иногда и просто невозможно) построить более или менее точную математическую модель исследуемого процесса (комбинаторный характер задач, недостаточная информация и т. д.). Еще труднее найти решение задач исследования операций, когда им присуща неопределенность (стохастические задачи) и возникает потребность в выборе компромиссного решения. Полноценной теории компромисса пока не существует и окончательный выбор компромиссного решения остается за человеком. При решении задач со значительной неопределенностью может использоваться метод экспертных оценок, который достаточно близок к эвристическим способам.
К числу неформализованных относятся также сложные задачи, в которых эффективность операций определяется на основе не одного, а нескольких критериев. Традиционно оптимальное решение обеспечивается только при решении по одному скалярному критерию. Решение же по векторному критерию пока строгими методами не достигаегся. Только человек умеет принимать разумные решения не по скалярному, а по векторному критерию. еется определенная общность тенденций в развитии регулярных и интеллектуальных методов и эвристических способов: при разработке строгих методов наблюдается тенденция создания универсального инструментария, который можно применять для решения широкого круга задач математического программирования (метод штрафных функций); Лч аналогичный процесс создания универсальных процедур расчетов су ществует и в области эвристических способов, в частности, когда это касается решения илохоформализованных задач. Отличия заключаются в основном в степени точности, но эвристические способы являются более гибкими и приспособленными к реальной постановке задач. Они дополняют строгие методы, причем по мере развития науки, как отмечалось, некоторые из эвристических приемов, способов решения формализуются, приобретают необходимую строгость и переходят в разряд регулярных методов.
Построение математических моделей производства многослойных изделий из композитных материалов
Свойства ИКМ в значительной мере зависят от способа производства. Изделия из композитных материалов получают прессованием, напылением, экструзией и намоткой. Эти способы существенно различаются по аппаратурному оформлению. Но все они характеризуются рядом последовательных, иногда совмещенных во времени технологических процессов. Режимы этих технологических процессов также существенно влияют на свойства композитных материалов (КМ) и качество изделий из них. Рассмотрим кратко основные
1. Подготовительная стадия, на которой осуществляется выбор исходных материалов и компонент, участвующих в получении композитных (композиционных) материалов (КМ), подбор рецептур, технологических режимов отдельных стадий производства і
2. Получение наполнителя. В композитных (композиционных) материалах применяют разнообразные волокнистые наполнители: керамические, полимерные и т. п. и реже металлические. Выбранный тип наполнителя предопределяет технологический процесс, например, стеклянные волокна получают с помощью продавливания через фильеры расплавленной стекломассы. Основной функцией наполнителя в КМ является обеспечение заданных прочностных, и частично теплофизических свойств. Поэтому качество наполнителя оценивают его прочностными характеристиками, адгезионной способностью и термостабильностыо.
3. Получение связующих. Связующие составы предназначены для образования монолитной трехмерной структуры в КМ и объединения волокон наполнителя в единое целое. Отверждениос связующее в КМ обеспечивает равномерное распределение силовой нагрузки между волокнами наполнителя, защищает их от химических и отчасти от тепловых воздействий.
4. Пропитка наполнителя связующим. Пропитка представляет собой процесс проникновения жидкого связующего в поры и зазоры между волок нами наполнителя. Процесс пропитки характеризуется рядом показателей, основным из которых являются относительная пористость полуфабриї
5. Формование изделии. На этом этане полуфабрикату придается нужная форма. В зависимости от технологии изготовления изделий процесс формования может быть совмещен с пропиткой и почти всегда предшествует отверждению связующего. Из большого числа технологий изготовления изделий из КМ наибольшее распространение получили контактное формование, напыление, прессование, вакуумирование, протяжка и особенно намотка [101, 102]. Намотка рулонных материалов (холстов, тканей) или нитей, жгутов, лент является наиболее распространенным методом формования изделий с высокими прочностными свойствами.
6. Отверждение изделий. На этапе отверждения жидкого связующего в среде волокнистого наполнителя осуществляется раскрытие двойных боковых связей подвижных молекул мономера и объединение их между собой с образованием твердой трехмерной матрицы полимера. При отверждении между молекулами мономера действуют когезионные силы, вызывающие сближение молекул и химическую «усадку» отвержденного связующего. Между молекулами связующего и поверхностью наполнителя возникают адгезионные силы сцепления, приводящие к появлению здесь значительных напряжений. Эти два побочных явления усложняют химический процесс отверждения, так как одновременно с ним происходит изменение геометрических размеров изделия и его прочностных и теплофизических свойств. Завершенность процесса отверждения характеризуют относительной долей образовавшихся боковых связей молекул мономера. Процесс отверждения считают завершившимся, когда его степень достигает значения 0,85-0,95. Температурный режим отверждения существенно влияет на прочностные и теплофизические свойства КМ. Остаточные напряжения также влияют на прочностные свойства готового изделия, поэтому для управления ими помимо выбора рецептур компонентов применяют различные приемы укладки и натяжения наполнителя и подбирают соответствующие температурные режимы процесса отверждения.
Оценка психофизиологических характеристик и знаний операторов на основе нечеткой логики
В современных условиях существенно возрастает необходимость применения прогрессивных систем обучения, которые использовали бы знание так называемых психофизиологических характеристик (ПФХ) операторов. ни
Известные методы определения ПФХ обычно основываются на анкетировании с последующей обработкой их результатов. Их недостатком является жесткость требования четкого выбора оператором одного из возможных ответов. В результате обработки ответов оператора на предлагаемые тестовые вопросы получаются не в полной мере адекватные истинному состоянию результаты.
С целью повышения достоверности результатов определения ПФХ предлагается использовать соответствующий характеру этой задачи аппарат нечетких множеств. Это позволит оператору давать лишь качественные ценки, и как следствие повысит точность результатов.
Предлагаемая процедура определения ПФХ, как и ранее, направлена на выявление наиболее значимых каналов восприятия информации [130, 131].
Для использования аппарата нечетких множеств опишем ПФХ продукционной моделью представления знаний. Так процедура установления соответствия между субъективными ответами оператора на поставленные вопросы и их количественными значениями описывается отношением вида:
К = А-»В = АлВ. (5.9)
Здесь выражение (5.9) отражает нечеткое отношение предпосылки и заключения. R можно рассматривать как нечеткое множество на произведении XxY полного пространства предпосылок X и полного пространства заключений Y.
Множество Л представляет собой нечеткое множество предпосылок, а множество А нечеткое множество наблюдений в полном пространстве предпосылок X. Множество В - нечеткое множество заключений в полном пространстве заключений Y.
Процесс получения нечеткого результата вывода В с использованием данных наблюдения Л и знания А-»В можно представить в виде выражения:
В = A R = А «(А- В). (5.10)
Здесь означает композиционное правило нечеткого вывода, а — означает нечеткую импликацию.
Пространство возможных ответов оператора применительно к процедуре определения ПФХ имеет следующий вид: НАИБОЛЕЕ БЛИЗОК, ДОСТАТОЧНО БЛИЗОК, ИНОГДА, ДОСТАТОЧНО ДАЛЕК, НАИБОЛЕЕ К. Эти ответы характеризуют степень соответствия какого-либо свойства оператора данной ситуации и представляют собой данные наблюдения.
Функция принадлежности представляет собой субъективную оценку степени принадлежности величины множеству. Для решения задачи определения ПФХ оператора предлагается использовать нечеткое продукционное правило (5.12), представляющее собой знания о задаче, а так же функции принадлежности наблюдений задаваемые в табличной форме. Это правило и функции сформированы с использованием знаний эксперта - психолога, а также эмпирическим путем. Например:
МАКСИМАЛЬНЫЙ БАЛ = 0/0+0,1/0,5+0,2/1+0,5/2+0,9/3+0,95/3,5+1/4. (5Л4) Выражение (5.12) читается следующим образом: если данный вариант ответа наиболее близок оператору в рассматриваемой ситуации, то количественная оценка будет максимальной, f
Предположим, что в результате опроса получено наблюдение:
ДАННЫЙ ВАРИАНТ ОТВЕТА ДОСТАТОЧНО БЛИЗОК К ИСТИНЕ.
Наблюдение «ДАННЫЙ ВАРИАНТ ОТВЕТА ДОСТАТОЧНО БЛИЗОК К ИСТИНЕ» принадлежит нечеткому множеству наблюдений А . Тогда, например, функция принадлежности предпосылки, согласно (5.12) и (5.13): тА(х) = ЕСЛИ ОТВЕТ НАИБОЛЕЕ БЛИЗОК ИСТИНЕ = 0,1/0,1+0,3/0,3+0,4/0,4+0,5/0,5+0,7/0,7+0,8/0,8+1/1.
Аналогично функция принадлежности заключения МАКСИМАЛЬНЫЙ АЛ будет следующей: тв(х) = МАКСИМАЛЬНЫЙ БАЛ = 0/0+0,1/0,5+0,2/1+0,5/2+0,9/3+0,95/3,5+1/4.
В результате подобных рассуждений получается также нечеткий ответ. Поэтому необходим переход к количественной оценке результата. Существуют различные способы дефадзификации. В предлагаемой процедуре используется метод «центра тяжести», который определяется но формуле
Wr=jymBXy)dyflmXy)dy 5-15)
Из выражения (5.15) получается количественная оценка результатов определения ПФХ оператора. В рассматриваемом примере на наблюдению «ДОСТАТОЧНО БЛИЗОК К ИСТИНЕ» соответствует количественная оценка «3».
Похожие диссертации на Синтез и реализация автоматизированных интеллектуальных систем управления организационно-техническими процессами
