Содержание к диссертации
Введение
ГЛАВА І. МЕТОДЫ И АЛГОРИТМЫ ПРОГНОЗИРОВАНИЯ ПРОЦЕССОВ 8
1.1. Анализ структуры ИИС 8
1.2. Процессы, используемые в ИИС 10
1.3. Классификация методов прогнозирования 12
1.4. Обзор и анализ существующих методов и алгоритмов прогнозирования процессов 20
1.5. Формализация задачи прогнозирования процессов в ИИС 42
ГЛАВА 2. РАЗРАБОТКА МЕТОД ПРОГНОЗИРОВАНИЯ ПРОЦЕССОВ В ИНФОРМАЦИОННО ИЗМЕРИТЕЛЬНЫХ СИСТЕМАХ 46
2.1. Классы прогнозируемых процессов 46
2.2. Прогнозирование нестационарных процессов 57
2.3. Прогнозирование стационарных процессов 64
2.4. Прогнозирование в условиях неполной информации 87
2.5. Информативность параметров модели прогнозируемого процесса 90
ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ ПРОГНОЗИРОВАНИЯ ПРОЦЕССОВ
В ИНФОРМАЦИОННО ИЗМЕРИТЕЛЬНЫХ СИСТЕМАХ 102
3.1. Специфика прогнозирования процессов различных классов 105
3.2. Алгоритмы прогнозирования нестационарных процессов 110
3.3. Алгоритмы и программы прогнозирования стационарных процессов 119
3.4. Алгоритмы получения дополнительной информации
для прогнозирования процессов 139
ГЛАВА 4. ИССЛЕДОВАНИЕ И ПРИМЕНЕНИЕ АЛГОРИТМОВ ПРОГНОЗИРО
ВАНИЯ ПРОЦЕССОВ В ИНФОРМАЦИОННО ИЗМЕРИТЕЛЬНЫХ СИСТЕМАХ 148
4.1. Проведение экспериментального исследования алгоритмов прогнозирования процессов в ИИС 148
4.2. Статистические оценки результатов эксперимента 150
4.3. Синтез возможных структур прогнозирующих ИИС 158
4.4. Применение алгоритмов прогнозирования для имитационного моделирования жизненного цикла ИИС 162
ЗАКЛЮЧЕНИЕ 166
ЛИТЕРАТУРА 169
ПРИЛОЖЕНИЯ 186
1. Описание процедур прогнозирования нестационарных случайных процессов в ИИС 187
2. Программы прогнозирования процессов в ИИС 212
3. Документы о внедрении 222
- Анализ структуры ИИС
- Классы прогнозируемых процессов
- Специфика прогнозирования процессов различных классов
- Проведение экспериментального исследования алгоритмов прогнозирования процессов в ИИС
Введение к работе
Эффективность функционирования современных систем управления зависит от многих факторов. Важным среди них является качество работы информационно-измерительных систем, которые являются основными подсистемами систем управления.
Известны различные методы повышения качества функционирования ИИС. Как правило, это методы улучшения метрологических характеристик ИИС С 86, 87, 89, 1583, методы создания оптимальных систем передачи и обработки информации t87, 89, 1211, методы, основанные на использовании новых устройств (оптических, голографи-ческих, акустоэлектронных и т.д.) 1122*1. Однако перечисленные методы не учитывают либо слабо учитывают изменения качества измерительной информации в ИИС,связанные с задержкой информации в каналах связи,запоминающих устройствах,в устройствах искусственной задержки,вводимой с целью уменьшения вероятности ошибки передачи.
В ряде работ t53, 54, 553, авторы которых рассматривали такие серьезные последствия задержки измерительной информации в ИИС как уменьшение достоверности или "старение" информации, было показано, что любая задержка информации в ИИС приводит к гибели, в первую очередь, наиболее ценной информации об объекте измерения. Использование "обесцененной" информации для принятия управленческих решений, как отмечалось в С 561, приводит к резкому снижению качества оперативных управленческих решений и снижению эффективности управления, к тактическим ошибкам при планировании и, следовательно, к существенным экономическим потерям.
В настоящее время, в связи с повышением требований к качеству управленческих решений актуальность проблемы создания ИИС, не-допускающих уменьшения достоверности измерительной информации, связанного с временными задержками, возросла еще более.
К сожалению, работ, посвященных этой проблеме, явно недостаточно, отсутствует установившаяся терминология.
Повысить достоверность измерительной информации в ИИС можно путем включения в ИИС средств, обеспечивающих уменьшение интервала задержки, или средств, обеспечивающих прогнозирование измерительной информации. Эффективность средств, обеспечивающих уменьшение интервала задержки, как отмечается в 1541, ничтожно мала, т.к. в условиях помех в ИИС передачу измерительной информации обычно организуют с введением временной избыточности - той же самой задержки. Эффективность существующих средств прогнозирования в ИИС так же невелика С 551, что объясняется отсутствием общей методики прогнозирования процессов в ИИС и подтверждается многообразием методов и алгоритмов прогнозирования.
В ряде работ tІЗ, 57, 58, 723 показано, что процессы измерения и прогнозирования неразрывно связаны друг с другом.Кроме того, ряд практических применений, например в бортовых системах сбора и обработки информации (BCG0), показал! 41, 423, что средство прогнозирования в ИИС - это мощное средство сокращения избыточности , достижения требуемой достоверности и удобства представления измерительной информации потребителю в реальном масштабе времени. Поэтому разработка и введение в структуру ИИС эффективных средств прогнозирования является важной задачей.
Кроме того, при решении задачи выбора оптимальных решений на этапах разработка, изготовления и эксплуатации ИИС, решаемой в настоящее время методами имитационного моделирования, серьезной проблемой является повышение достоверности результатов моделирования, которого можно достигнуть путем разработки эффективных алгоритмов прогнозирования технико-экономических показателей ИИС и параметров "внешней" среды.
На основании вышеизложенного можно сделать вывод о том, что проблема исследования и разработки эффективных методов и алгоритмов прогнозирования процессов в ИИС является актуальной, представляет практический и научный интерес.
Целью настоящей работы является исследование и разработка эффективных алгоритмов прогнозирования, обеспечивающих повышение достоверности измерительной информации в информационно-измерительных системах посредством расширения функций и оптимизации структуры ИИС.
Для достижения поставленной цели сформулируем кратко требования, которым на наш взгляд должен удовлетворять эффективный метод прогнозирования процессов в ИИС: а) инвариантность к типу прогнозируемой информации и к ус ловиям работы ИИС; б) информативность модели прогнозируемого процесса; в) удобство практической реализации.
Требование (а) - это требование универсальности модели прогнозируемого процесса.
Требование (б) означает использование для прогнозирования достаточно общей модели, учитывающей все существенные особенности прогнозируемых процессов. Иными словами, модель должна нести максимум информации о свойствах исследуемого процесса. Информативность модели различными авторами трактуется по разному. Учитывая конечную цель настоящей работы, под информативностью будем понимать численную меру полезности фиксированного количества информации, т.е. ценность информации [150, 1511 о исследуемом процессе, используемой в модели, и достоверность получаемых в результате прогнозирования оценок исследуемого процесса.
Требование (в) отражает желание получить метод и алгоритм прогнозирования, который может быть реализован аппаратно с учетом уровня развития вычислительной и измерительной техники.
Выбор метода прогнозирования, удовлетворяющего требованиям (а), (б), (в) включает решение таких задач: исследовать типы процессов, несущих информацию об объекте измерения; исследовать существующие методы прогнозирования данных на соответствие предъявляемым требованиям.
В случае отсутствия подходящего метода необходимо решить следующие задачи: разработать эффективный метод прогнозирования процессов в ИИС, соответствующий предъявляемым требованиям; разработать алгоритмы и программы прогнозирования процессов в ИИС; исследовать на ЭШ разработанный метод прогнозирования; синтезировать возможные структуры прогнозирующих ИИС; исследовать эффективность разработанных алгоритмов прогнозирования для имитационного моделирования жизненного цикла ИИС.
Решению этих задач посвящена настоящая работа, основанием для которой послужила необходимость повышения достоверности измерительной информации в ИИС, а, следовательно, и повышение эффективности функционирования современных ИИС.
Автор выражает искреннюю благодарность заслуженному деятелю науки УССР, лауреату Государственной премии УССР, доктору технических наук, профессору Кузьмину И.В. за постоянную помощь и внимание к работе.
Анализ структуры ИИС
В настоящей работе под ИИС понимается [613 совокупность технических средств электроизмерительной техники, объединенных единством задачи и общим алгоритмом функционирования, характеризующаяся установленными оценками и предназначенная для автоматического (автоматизированного) сбора информации непосредственно от объекта, ее преобразования, измерения, обработки, хранения и представления в форме, доступной для восприятия человеком и ввода в устройства управления объектом.
Очевидно, что ИИС, как одна из подсистем автоматизированных систем управления, систем контроля и диагностирования, является разомкнутой системой реального времени.На вход ИИС поступает информация непосредственно от объекта исследования (измерения), выход связан с устройством управления, составной частью которого может быть человек-оператор. Типовая структурная схема ИИС представлена на рис. I.I. гакции, выполняемые средствами, образующими систему, как отмечается в [62] , следующие:
- средства сбора информации (датчики) воспринимают непосредственно информацию от объекта исследования (измерения);
- средства преобразования информации преобразуют различные физические величины,характеризующие состояние объекта, в сигналы, удобные для последующей обработки; обычно это электрические неу-нифицированные или унифицированные сигналы; наиболее широко используется преобразование электрических сигналов одного вида в другой и аналого-цифровое преобразование сигналов.
Классы прогнозируемых процессов
Изучение объекта начинается с формирования исходных предположений о его свойствах. Попытаемся выявить характерные особенности и свойства исследуемых процессов.
Качественный анализ процессов в ИИС дает возможность разделить их на три типа:
I тип - "длинные" случайные процессы; к ним относят процессы, для которых интервал измерения (наблюдения) tu намного больше интервала прогноза (перспективного интервала) tMp ;
II тип - "средние" случайные процессы; к ним относят процессы, для которых интервал измерения tu равен интервалу прогноза или немного больше его;
III тип - "короткие" случайные процессы; к ним относят процессы, для которых интервал измерения tu меньше интервала прогноза ttu .
Очевидно, между приведенными типами случайных процессов в ИИС не существует жестких границ. На практике имеют место случаи, когда тот или иной случайный процесс нельзя однозначно отнести к одному из рассмотренных типов. Поэтому, для полноты анализа случайных процессов в ИИС необходимы не только качественные, но и количественные признаки [93, 120, 128].
Как показано в разделе 1.2, исследуемый процесс.может быть представлен множеством реализаций, причем реализации процесса могут быть гладкими или быстроменяющимися с ярко выраженной или скрытой нестационарностью по какой-либо статистической характеристике. Возможность выделения таких нестационарностей, на наш взгляд, удобно использовать в качестве классификационного признака. При решении задач прогнозирования случайных процессов традиционно сложились классы процессов и определенные методы их исследования. Рассмотрим свойства и особенности методов исследования процессов различных классов. 1. Особенностью медленноизменяющихся (неслучайных) процессов (рис. 2.1, а) является наличие тренда, легко аппроксимируемого известным классом функций. Традиционно, для прогнозирования таких процессов используют математические модели (I.I) и решают следую щие задачи: - выбор вида функции f a, аппроксимирующей тренд исследуемого процесса IJCX.) і - расчет параметров конечномерного вектора a ; - продолжение функции ІЧс\,хл на интервал прогноза.
class3 РАЗРАБОТКА АЛГОРИТМОВ ПРОГНОЗИРОВАНИЯ ПРОЦЕССОВ
В ИНФОРМАЦИОННО ИЗМЕРИТЕЛЬНЫХ СИСТЕМАХ class3
Специфика прогнозирования процессов различных классов
Задача анализа и распознавания класса исследуемого процесса 193, 120, 1281 включена в алгоритм моделирования и прогнозирования процессов в ИИС вследствии того, что только для класса нестационарных случайных процессов с изменяющимися во времени математическим ожиданием и дисперсией используется полностью модель (2.1), при моделировании и прогнозировании процессов других классов используются упрощенные модели, включающие либо одну из составляющих (детерминированную или случайную) либо их простые комбинации. Например, для моделирования и прогнозирования медленной зменяющихся процессов используется только детерминированная составляющая J(a,t) , а для моделирования и прогнозирования стационарных случайных процессов - только случайная составляющая r(C,t) (табл. 3.1). Очевидно, что использование простых моделей процессов ускорит процедуру моделирования и прогнозирования.
В качестве классификационного признака принадлежности процессов в ИИС к конкретному классу в разделе 2.1 используются отношения интегральных квадратичных оценок (2.3), (2.4), (2.5), причем для каждого класса процессов выбрано определенное значение этих отношений.
class4 ИССЛЕДОВАНИЕ И ПРИМЕНЕНИЕ АЛГОРИТМОВ ПРОГНОЗИРО
ВАНИЯ ПРОЦЕССОВ В ИНФОРМАЦИОННО ИЗМЕРИТЕЛЬНЫХ СИСТЕМАХ class4
Проведение экспериментального исследования алгоритмов прогнозирования процессов в ИИС
Практические выводы и рекомендации о возможностях и особенностях предложенных в настоящей работе модели (2.1) случайных процессов в ИИС, статистической системы параметров, методики, алгоритмов и программ моделирования и прогнозирования процессов в ИШ возможно сделать с помощью данных, собранных в результате ряда экспериментов на ЭВМ, проводимых в контролируемых условиях с использованием современных методов статистического анализа С4, 5, 149, 1633, планирования эксперимента Ї45, 1401 и статистического моделирования С52, 89, III, I30X
При экспериментальном исследовании на ЭВМ модели (2.1) случайного нестационарного процесса и предложенного в настоящей работе способа моделирования необходимо решить следующие задачи:
- оценить достоверность параметров модели;
- исследовать адекватность процесса, представляемого моделью (2.1), реальным процессам в ИИС.
Подтверждением достаточности выбранных четырнадцати параметров модели (2.1) могут служить функции ценности (рис. 2.6,2.7). Параметры случайной составляющей (Д,і;} несут 0,467хЮ0%=46,7% информации, а параметры детерминированных составляющих fCl?t) и і ЬД) 0,482хЮ0%=48,2%. Суммарное количество ценной информации равное 94,9% является довольно большим. Однако, эта оценка метода в среднем не позволяет определить влияние на качество прогноза ряда факторов, характеризующих алгоритм метода и программное обеспечение.
Для получения более полных оценок при экспериментальном исследовании на ЭВМ разработанных методики, алгоритмов и программ прогнозирования процессов в ИИС необходимо также решить следующую задачу:
- исследовать зависимость ошибки прогноза от ряда факторов (в том числе, от величины интервала ретроспекции Т (объема выборки), шага дискретизации и т.д.).
Для решения названной задачи были использованы типовые планы экспериментальных исследований и методов обработки результатов 15, 45, 117, 128].
Оценку адекватности, т.е. проверку соответствия между процессом, представляемым моделью (2.1), и реальным процессом, удобно проводить начиная с поэтапных испытаний модели (2.1) до исследования всей модели в целом. При этом важно оценить достоверность параметров всех трех составляющих модели (2.I)детерминированных f (р,t) и tf(6,t) и случайнойгис,і) .
