Содержание к диссертации
Введение
Глава 1. Гидродинамические и массообменные процессы при осушке природного газа 11
1.1. Физические основы абсорбционного процесса 11
1.2. Осушка природных газов 20
1.3. Расчет осушки с применением аппроксимирующих формул . 24
1.4. Факторы, влияющие на процесс осушки природного газа 30
1.5. Гидродинамика и массообмен газожидкостных потоков в аппаратах осушки газа 35
1.5.1. Основные характеристики газожидкостных потоков 35
1.5.2. Уравнения для расчета параметров дисперсно-пленочного потока 43
1.5.3. Процесс уноса капель с поверхности пленки 48
1.6. Постановка цели и задач исследований 53
Глава 2. Моделирование производственно-технических процессов на основе нечетких систем 55
2.1. Модели на основе нечетких сетей 55
2.1.1. Принципы построения нечеткой причинно-следственной сети 55
2.1.2. Задание функций принадлежности 56
2.1.3. Представление подсистем нейронной сетью 61
2.1.4. Приведение подсистемы к набору правил 65
2.1.5. Операции нечеткого логического вывода 67
2.2. Адаптация и оптимизация сложных систем 70
2.3. Задачи принятия решений по векторному критерию 79
Глава 3. Нечеткие системы моделирования технологического процесса подготовки природного газа 85
3.1. Проблемы идентификации нечеткой модели 85
3.2. Применение генетических алгоритмов с вещественным кроссовером для обучения нечетких систем 89
3.3. Многокритериальная оптимизация генетическими алгоритмами. 107
3.4. Решение систем нелинейных алгебраических уравнений генетическим алгоритмом 112
3.5. Структурная оптимизация с применением генетического ажоритма 115
3.6. Имитационная модель технологического процесса подготовки природного газа 121
Заключение и выводы 133
Библиографический список
- Расчет осушки с применением аппроксимирующих формул
- Основные характеристики газожидкостных потоков
- Принципы построения нечеткой причинно-следственной сети
- Применение генетических алгоритмов с вещественным кроссовером для обучения нечетких систем
Введение к работе
Актуальность темы. В России газовая промышленность в настоящее время является важнейшей отраслью народного хозяйства. Применение газа в качестве энергоресурса повышает эффективность технологических процессов, повышает производительность труда. Одновременно природный газ является незаменимым сырьем для химической промышленности и топливом для населения. Развитие газодобывающей промышленности связано с эксплуатацией и сооружением крупных промыслов и созданием мощных магистральных газопроводов. На газовых промыслах организуется комплексная обработка и подготовка газа к дальнему транспорту. Технологическое и аппаратурное оформление промышленных процессов чрезвычайно многообразно и требует внедрения автоматизированных систем управления. Одинаковые по своей физической природе процессы могут применяться на различных стадиях технологического процесса. Для обеспечения высокого качества продукции и необходимых свойств требует решения задач в области управления производством, проектирования, анализа, прогнозирования и регулирования разработки газовых и. газоконденсатных месторождений.
Научные основы разработки газовых месторождений в России созданы академиком Л.С. Лейбензоиом. Основополагающий вклад в создание теории разработки газовых месторождений внесли Б.Б. Лапук, В.П. Савченко, А.Л. Козлов, Н.М. Николаевский. Теоретические и практические вопросы газодобычи нашли отражение в работах С.Н.Закирова, М.Х. Шахназарова, И.Н. Стрижова, P.M. Тер-С арки сова, А.Х. Мирзаджанзаде, М.Т. Абасова. Значительный вклад в технологическое совершенствование процессов подготовки газа внесли Г. А. Ланчаков, Г.К. Зиберт, А.И. Скобло и др.
Вода, присутствующая в газе в парообразном состоянии, образует с метаном, этаном и пропаном гидраты углеводородов, оседающие в газопроводе в виде твердой фазы. Для избежания образования гидратов, нужно осушить газ при подготовке газа в промысловых условиях. Полный расчет всей технологической цепочки подготовки природного газа чрезвычайно сложен. Для многостадийных процессов, в которых многостадийных процессов, в которых осуществляются разнообразные физические, химические явления, построение детерминированных математических моделей становится очень сложной задачей. В таких случаях возможны подходы, основанные на методах системного моделирования.
В условиях имеющейся неопределенности воздействия множества факторов на производственные процессы, применение подходов системного моделирования, таких как методы нечеткой логики, нейросетевые методы, эволюционные алгоритмы, является актуальной задачей.
Объектом исследования являются технологические процессы и аппараты подготовки природного газа к транспорту в промысловых условиях.
Предметом исследования являются методическое обеспечение расчетов и проектирования технологических процессов осушки природного газа; методы нечеткого моделирования сложных систем; математическое описание алгоритмов и методов оптимизации.
Целью работы является проведение комплексных исследований, направленных на получение научно-обоснованных технических и методичесішх решений по разработке и обоснованию возможности моделирования сложных технологических процессов подготовки природного газа нечеткими и нейронными сетями, обучение которых осуществляется эволюционными методами многокритериальной оптимизации, что позволит установить основные факторы, влияющие на параметры осушки газа, а также даст возможность провести структурную и параметрическую оптимизацию производства, направленную на повышение уровня качества подготовки природного газа
Для реализации поставленной цели необходимо решить следующие задачи:
- систематизация физических процессов, протекающих в технологической цепи подготовки природного газа;
- определение зависимости влагосодержания природного газа от термодинамических параметров с помощью нейронных сетей типа многослойного нерсептроиа;
- выработка научно-технических решений для построения нечетких причинно-следственных сетей, моделирующих сложные технологические процессы осушки газа;
- разработка эффективного метода обучения нечетких сетей на основе генетического алгоритма с вещественным кодированием, позволяющего решатв задачи многокритериальной оптимизации;
- построение имитационной модели технологического процесса подготовки природного газа на основе эмпирических и экспертных данных.
Методы исследования. В работе применялись методы системного анализа и извлечения знаний из эмпирических данных.
При построении причинно-следственной сети, моделирующей технологические процесові подготовки газа, исполвзовались методы нечеткой логики и нейросетеввіе методы. Обучение системы и идентификация моделей проводились на основе теоретических методов структурно-параметрической адаптации.
Достоверность и обоснованность полученнвгх в работе результатов и выводов подтверждается сопоставительным анализом разработанных и существующих математических моделей и методов, а также данными процесса промысловой подготовки природного газа Сеноманской залежи.
Математические модели и алгоритмы, используемые в работе, основаны на положениях теории обычных и нечетких множеств, на методах теоретической и экспериментальной гидродинамики, а также на фундаментальных основах построения экспертных систем.
Научная новизна резулвтатов диссертационного исследования, полученных лично автором:
]. Рассмотрен способ построения и подход к проблемно-целевому анализу сложных организационно-технических систем на основе нечеткого моделирования. Для этого некоторый производственно-технологический процесс представлен в виде нечеткой причинно-следственной сети содержащей множество элементов и множество связей между ними. В этом случае, моделируемая система представляется в виде совокупности элементов и под сие 7 тем, связанных между собой нечеткими связями. В результате последовательное осуществление нечеткого логического вывода приводит к реакции выходных сигналов на изменение входных сигналов и внешних условий.
2. Предложен метод обучения нечетких сетевых моделей с применением генетического алгоритма с вещественным кодированием. Применение вещественного кодирования в генетических алгоритмах может повысило точность найденных решений и скорость нахождения глобального минимума или максимума. Скорость повышается из-за отсутствия процессов кодирования и декодирования хромосом на каждом шаге алгоритма. Установлено, что для вещественного алгоритма стандартные операторы скрещивания и мутации не подходят, по этой причине автором были разработаны и исследованы специальные операторы.
3. Результаты численных исследований обучения нечетких сетевых моделей показали на тестовых функциях Розеиброка, Расстригина, Шефела и др., что кроссовер BLX дает самую низкую скорость сходимости к экстремуму. Следующим является оператор fit. Кроссоверы Binl и Bin2, имитирующие бинарное скрещивание, оказались наиболее эффективными. Кроссовер Bin2 обладает наилучшими показателями по скорости сходимости для всех тестируемых функций. Показано, что в общем случае целесообразно рассматривать все операторы скрещивания. При проведении каждой операции скрещивания случайным образом выбирается один из кроссоверов. В этом случае используются все положительные качества всех операторов скрещивания. Ценой за это является некоторое снижение скорости сходимости в отдельно взятом итерационном процессе.
4. Предложен модифицированный алгоритм многокритериальной оптимизации на основе генетического подхода, не требующий введения дополнительных подгрупп популяций и вмешательства пользователя в выбор оптимального по Парето решения. По данному алгоритму отбор для скрещивания проводится турнирным методом. При использовании вещественного оператора скрещивания fit значение функции приспособленности выбирается случайным образом. Полученное в результате реализаций ряда итераций решение является однозначным и оптимальным по Парето. В результате вместо задачи векторной оптимизации решается задача скалярной оптимизации.
5. Построена нечеткая имитационная модель технологического процесса подготовки природного газа на основе эмпирических и экспертных данных. Схеме технологического процесса осушки газа составилась в соответствие нечеткая причинно-следственная модель. Отношения между рассматриваемыми элементами имитационной модели технологического процесса разделены на две группы. Первая группа представляет преобразования, изменяющие свойства газа, обрабатываемого в технологическом оборудовании. Такое преобразование осуществляется с помощью нейронной сети, описываемой матрицей коэффициентов преобразования, определяемой в процессе обучения сети. Обучающая выборка содержит результаты испытаний аппаратов и измерений, полученных в ходе эксплуатации оборудования. Вторая группа отношений строится на основе экспертных заключений и методах нечеткого логического вывода. Основой для проведения операции нечеткого логического вывода является вид связей между элементами нечеткой системы, содержащих правила, названия термов и функции принадлежности термов. Значение переменной, соответствующей элементу с входящими связями, находится взвешенным суммированием по всем входящим связям.
Практическая полезность исследования состоит в том, что применение методики нечеткого моделирования технологических процессов позволяет дать оперативную оценку показателей природного газа, подготовленного к транспортировке, при изменении условий добычи. Применение модели дает возможность структурной и параметрической оптимизации производства, направленной на повышение уровня качества подготовки природного газа.
Реализация работы в производственных условиях. При участии автора была разработана и реализована, описанная в данной работе, система моделирования, построенная на принципах нечеткого логического вывода. Работа системы осуществлена с применением промысловых данных газовых ме 9 сторождений Западной Сибири. Работа может быть использована предприятиями нефтегазодобывающей отрасли, организациями, занимающимися построением ряда различных моделей на основе геофизической и промысловой информации.
Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на российских и международных научно-технических конференциях и конгрессах: Международной научно-технической конференции «Информационные технологии в инновационных проектах» (Ижевск, 2004); Международной НТК «Искусственный интеллект-2005» (Таганрог, 2005); Международном симпозиуме «Надежность и качество» (Пенза, 2005-2006); 33 Международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2006); Всероссийской НТК «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2006).
Публикации. Основные научные результаты по теме диссертации опубликованы в 11 научных работах.
Публикации. Результаты работы отражены в 11 научных трудах: 2 статьи в центральной печати, 9 публикаций в сборниках материалов всероссийских и международных научно-технических конференций. Автор имеет 3 научных труда в изданиях, рекомендуемых ВАКом для публикации основных результатов диссертаций.
Диссертация содержит введение, 3 главы и заключение, изложенные на 143 с. машинописного текста. В работу включены 47 рис., 6 табл., список литературы из 106 наименований.
СОДЕРЖАНИЕ РАБОТЫ
Введение содержит обоснование актуальности темы, формулировку цели и задач работы, основные положения, выносимые на защиту, и определяет содержание и методы выполнения работы.
В первой главе «Гидродинамические и массообменные процессы при осушке природного газа» рассмотрены физические основы абсорбционного процесса и осушки природных газов. Систематизированы факторы, влияющие на процесс осушки природного газа, связанные с гидродинамикой и мас-сообмен газожидкостных потоков.
Вторая глава «Моделирование производственно-технических процессов на основе нечетких систем» содержит описание моделей и принципов построения нечеткой причинно-следственной сети. Изложены способы задания функций принадлежности и представления подсистем нейронной сетью. Рассмотрены методы адаптации и оптимизации сложных систем и задачи принятия решений по векторному критерию.
В третьей главе «Нечеткие системы моделирования технологического процесса подготовки природного газа» выделены проблемы идентификации нечеткой модели и пути их решения на основе применения генетических алгоритмов с вещественным кроссовером. Изложены методы многокритериальной оптимизация и решения систем нелинейных алгебраических уравнений генетическими алгоритмами. Рассмотрена возможность структурной оптимизации с применением генетического алгоритма. Приведены результаты расчетов по имитационной модели технологического процесса подготовки природного газа
Расчет осушки с применением аппроксимирующих формул
Число теоретических тарелок в абсорбере можно определить графическим методом. При построении кривой равновесия задаются различными концентрациями гликоля и при рабочей температуре контакта по рис. 1.3 определяют равновесную точку росы для принятых концентраций гликоля. Затем по графику влагосодержания (рис. 1.2) определяют содержание паров воды в газе для найденных равновесных точек росы. Влажность газа и гликоля пересчитывают в приведенные мольные концентрации и в координатах X-Y строят кривую равновесия фаз. Оперативную прямую строят по двум точкам, одна из которых соответствует концентрации влаги во входящем газе и выходящем гликоле, а другая - концентрации влаги в выходящем газе и входящем гликоле.
Для облегчения процедуры расчета абсорбера применим способ аппроксимации экспериментальных данных, образующих номограммы, типа представленных на рис.1.2, 1.3. Зависимость влагосодержания природного газа от термодинамических параметров, приведенную на рис. 1.2 можно выразить аппроксимирующей зависимостью вида: w = w(t,p,p,c), (1.1) где t,p,p,c - температура газа, давление, плотность газа, содержание солей в природном газе.
Такую зависимость удобно строить с применением нейронных сетей типа многослойного персептрона. Имеющиеся экспериментальные данные представляются в виде таблицы:
Таким образом, имеется набор обучающих данных: ypPpPj cj),Wj j-\h-Переменные t,p,p,c являются входами в нейронную сеть, переменная w - в л агосо держание служит выходом сети. Более подробно алгоритм нейронной сети и особенности ее обучения будут представлены в последующих разделах диссертации.
Для обучения использовалось 430 точек. Из них 215 использовались для выбора сиыаптических коэффициентов нейронной сети, остальные 215 точек применялись для проверки качества обучения и воспроизводимости данных.
В расчетах применяется зависимость температура точки росы от термодинамических параметров. Эта зависимость может быть получена из аппроксимирующей формулы (1.1) путем обратной интерполяции. Более удобным является построение аналогичной зависимости вида tr= p(w,p,p,c), также с помощью нейронной сети. В этом случае входами будут переменные w,p,p,c), а набор тех же данных будет иметь вид: По такому же принципу строится зависимость температуры точки росы от температуры контакта и концентрации абсорбента - диэтиленгликоля, изображенная на рис. 1.3: tr = y/{tk,X). WJ Pf Pj CJ J J Тогда кривая равновесия фаз будет определяться зависимостью w = w[yr(tk,X),p,p,c \ = w(X).
При графическом методе определения количества насадок в абсорбере величина влажности в осушенном газе Yx может не совпадать с заданным значением. Также, при расчете содержания воды в газе, прошедшего осушку в абсорбере с заданным числом насадок N, величина Y{ будет зависеть от многих термобарических параметров. Расчет величины Г, должен быть замкнутым, чтобы обеспечить однозначную зависимость температуры точки росы от давления и температуры контакта.
Схема расчета для N = 3 иллюстрируется рис. 1.4.
Пунктирная линия, начинающаяся из точки [X3,Y4) и проходящая через точки [Х2,73), (Х\, 72), расположенные на рабочей прямой, должна закончиться в точке (X0,7l), находящейся на этой же прямой
Основные характеристики газожидкостных потоков
При течениях в трубах или других каналах происходит взаимодействие потока с внешним телом - со стенкой канала, а именно силовое взаимодействие за счет трения и давления о стенку и тепловое взаимодействие за счет теплообмена со стенкой. Интенсивность этих процессов для двухфазных газо жидкостных потоков зависит от реализующейся структуры потока, в частности, от наличия жидкой или паровой пленки на стенке канала, распределения фаз по сечению канала и внутренних процессов в потоке.
Массообмен - диффузионный процесс переноса распределенного вещества из одной фазы в другую через разделяющую их границу или внутри одной фазы в неоднородном поле концентраций. Движущей силой служат градиенты концентраций, парциальных давлений, химических потенциалов или температур (при термодиффузии).
Различают два вида массообмена: односторонний (например, при абсорбции компоненты из газовой фазы переходят в жидкую) и двухсторонний (при ректификации) [35].
Массообмен осуществляется путем молекулярной, турбулентной или конвективной диффузии, из которых наиболее медленной является первая. Перенос вещества внутри неподвижной фазы осуществляется только путем молекулярной диффузии. В движущейся среде перенос вещества может происходить как молекулярной диффузией, так и конвективным переносом самой средой в направлении ее движения. Конвективный перенос вещества под действием турбулентных пульсаций называют турбулентной диффузией.
Молекулярная диффузия обусловлена переносом молекул вещества из области с большей его концентрацией в область с меньшей концентрацией и протекает в неподвижной среде или ламинарных пограничных слоях. Перенос вещества при молекулярной диффузии определяется законом Фика, который формулируется следующим образом. Количество вещества dM, диффундирующего через слой в единицу времени, пропорционально площади слоя dF, перпендикулярной направлению диффузионного потока, и градиенту концентраций в направлении диффузии —: dn dM = -D dF dn
Знак минус указывает на то, что диффузия вещества идет в направле нии уменьшения концентрации. Движущей силой процесса молекулярной диффузии является градиент концентраций —, который в общем случае из dn меняется в направлении переноса вещества. Для заданной гидродинамической обстановки и конструкции контактного устройства, когда толщина пограничного слоя имеет вполне определенное значение, градиент концентрации можно считать пропорциональным изменению концентрации в пределах слоя.
Коэффициент пропорциональности D, характеризующий скорость диффузии, называют коэффициентом диффузии. Он показывает, сколько вещества проходит через единицу площади поверхности в единицу времени при градиенте концентрации, равном единице.
Коэффициент диффузии представляет собой физическую константу и характеризует природную способность одного вещества проникать в среду другого. Коэффициент диффузии зависит от свойств диффундирующего компонента и фазы, в которой он диффундирует, а также температуры и давления.
Приближенно значения коэффициентов диффузии можно рассчитать по следующим уравнениям. При диффузии газа .Л в газе В: І 0.0043-КГТ2 1 1 Р ( I L )2 \М, MR у?+V3 у А v В V где Т - температура; р - давление; VA,VB -мольные объемы газов А,В; МА,МВ - мольные массы газов Л и В.
Принципы построения нечеткой причинно-следственной сети
В зависимости от характера и способа представления информации, используемой при описании термов, определяющих типовые состояния элементов, могут применяться прямые и косвенные методы построения функций принадлежности. Прямые методы основаны на непосредственном задании экспертом нечетких множеств М;. = (/ (6),6 є .} и используются для измеримых характеристик. Прямые методы построения функций принадлежности применяются при опросе и согласовании мнений группы экспертов. В этом случае устанавливаются некоторые нечеткие числа и приближенные интервальные оценки.
Косвенные методы определения значений функций принадлежности используются в случаях, когда нет измеримых свойств. Рассмотрим наиболее распространенные методы.
Метод парных сравнений.
Задано некоторое множество "-{ } из п элементов. Степень принадлежности элемента х нечеткому подмножеству G обозначим р0 [х),х є X. Для всех элементов множества должно выполняться условие: 2 c(x,) = l. /=i
Степень принадлежности элементов множеству определяется посредством парных сравнений. Оценка элемента х, по сравнению с элементом xj определяется матрицей парных сравнений А= а. ;/,/-\п. Для оценки относительной важности элементов используется девяти балльная шкала отношений [7]. По этой шкале 1 соответствует одинаковой значимости элементов, а 9 - соответствует абсолютной значимости. Правило заполнения матриц отношения: если элемент ж. доминирует над элементом х., то элемент матрицы atj равен целому числу а по шкале отношений. Симметричный элемент матрицы а = —. а
Для ранжирования элементов х вычисляются главный собственный вектор и главное собственное значение матрицы парного сравнения а.ц.
Главный собственный вектор матрицы А определяется равенством Aw = Zmaxw, где w,/Lmax - главный собственный вектор и максимальное собственное значение. Для нахождения вектора w используется следующая формула [7]: А е W =-F7 = U... є А є при достижении условия [wi+ - wk I є. т Здесь є = - вектор, состоящий из единиц.
При найденном векторе w степень принадлежности элементов определяется как fj,c{x = wni = \,n. Так как собственные вектора являются орто п нормированными, то условие 0(Х) = выполняется. 1=1 Соответствующее главному собственному вектору максимальное собственное значение находится из уравнения Aw = Amaxw умножением на вектор е: erAw = Amaxerw. Так как erw = l, то Alim =e Aw. Значение lmax применяется X — п при вычислении индекса однородности суждений эксперта 1о = —— . п \ Например, два эксперта составили следующие две матрицы для рассматриваемых четырех элементов: 15 3 2 1/5 1 1/2 1/3 1/3 2 1 1/2 1/2 3 2 1 15 4 1 " 1/5 1 1/5 1/3 1/4 5 1 2 13 1/2 1
Для первой матрицы w, =(0.483;0.088;0.157;0.272), для второй w( =(0.455;0.063;0.256;0.225). При этом индексы однородности суждений равны соответственно 0.007 и 0.22. Средние значения могут быть получены либо осреднением матриц парного сравнения, либо осреднением собственных векторов.
Метод на основе статистических данных. В качестве степени принадлежности элемента х множеству G принимается оценка частоты использования значения терма для характеристики элемента. Степень принадлежности некоторого значения вычисляется как отношение числа экспериментов, в которых оно встречалось в определенном интервале шкалы, к максимальному для этого значения числу экспериментов по всем интервалам при условии, что в каждый интервал шкалы попадает одинаковое число экспериментов. Полученные данные нормируются и сглаживаются для обеспечения унимодальности.
Использование типовых функций.
В качестве функций принадлежности используются типовые функции (треугольные, трапециевидные, гауссовы, колоколообразные, б -образные), конкретный вид которых определяется значениями параметров, входящих в их аналитические представления и уточняется в соответствии с данными экспериментов [53].
Применение генетических алгоритмов с вещественным кроссовером для обучения нечетких систем
В понятие адаптации как активного действия (управления) обычно вкладывают два смысла: приспособление к фиксированной среде (условно назовем пассивной адаптацией) и поиск среды, адекватной данной системе (назовем соответственно активной адаптацией) [76]. В первом случае адаптирующаяся система функционирует так, чтобы выполнять свои функции в данной среде наилучшим образом, т. е. максимизирует свой критерий эффективности функционирования в данной среде. Активная адаптация, наоборот, подразумевает либо изменение среды с целью максимизации критерия эффективности, либо активный поиск такой среды, в которой достижим желаемый комфорт. Очевидно, что в действительности оба вида адаптации встречаются одновременно и взаимодействуют друг с другом. В обоих случаях для осмысления адаптации как процесса необходимо установить: ЫДель адаптации (что называется эффективным функционированием системы). 2. Алгоритм адаптации (способ достижения поставленной цели).
Таким образом, задание цели и алгоритма определяет адаптацию как процесс. Адаптация, как управление, есть организация такого целенаправленного воздействия на объект, при котором достигаются заданные цели.
Отождествляя адаптацию и управление, необходимо определить тип управления, к которому относится адаптация. Адаптацию как управление следует отнести к оптимизации в обстановке помех, в процессе которой параметры объекта изменяются так, чтобы его показатель качества стремился к экстремальному значению независимо от изменения ситуации. Адаптация - это «процесс изменения параметров и структуры системы, а возможно, и управляющих воздействий на основе текущей информации с целью достижения определенного, обычно оптимального состояния системы при начальной неопределенности и изменяющихся условиях работы» [76,94]. Сложные системы функционируют в обстановке многокритериальности, причем эти критерии могут быть не только экстремальными, но и иметь характер ограничений [58]. Это побуждает формулировать сразу несколько критериев и варьировать их выбор в зависимости от сложившейся ситуации и внутренних потребностей самой системы. Таким образом, уже выбор критериев адаптации является процессом адаптивным и должен учитываться при определении адаптации. Поэтому, с учетом особенностей сложных систем, адаптацию в широком смысле можно определить как процесс целенаправленного изменения параметров и структуры системы, который состоит в определении критериев ее функционирования и выполнении этих критериев [76].
В процессах управления сложными объектами адаптация занимает ведущие позиции. Под управлением понимается процесс организации такого целенаправленного воздействия на объект, в результате которого этот объект переводится в требуемое (целевое) состояние [23]. Объектом управления будем называть часть окружающего мира, состояние которой представляет интерес и на которую можно целенаправленно воздействовать - управлять. Состояние объекта изменяется под воздействием среды, в которой он находится. Пусть X состояние среды, взаимодействующей с объектом, a У - состояние объекта. Тогда объект можно представить как преобразователь F0 состояния среды в состояние объекта: Y = F(X), где F - оператор связи входа X и выхода Y объекта, характеризующий специфику его работы. (Здесь X уже выступает как вход, a Y - как выход объекта). Рассматривая управление как целенаправленный процесс, следует ввести понятие субъекта, который является источником целей, реализуемых управлением. Эти цели возникают у субъекта при взаимодействии со средой и объектом управления. Если состояние Y объекта удовлетворяет потребностям субъекта, взаимодействующего с этим объектом, то управление не требуется. Если же состояние объекта не удовлетворяет потребностей субъекта, то последний должен организовать такое воздействие на объект, которое перевело бы объект в новое состояние, удовлетворяющее субъекта. Обозначим через Dx,Dl- систему каналов связи, с помощью которых он воспринимает среду и объект. Информация (Х ,Т) образует сенсорную среду субъекта, являющейся частью среды (Х,7), которую он способен воспринять через свои каналы.
Субъект формулирует свою цель Z , реализация которой в объекте приведет, по мнению субъекта, к удовлетворению его потребностей. Эта цель представляет собой набор требований, предъявляемых субъектом к состоянию Y объекта. Выполнение целевых требований Z в объекте соответствует равенству Y = Z , а невыполнение - неравенству У # Z . Если ели субъекта не реализуются, то он либо несет определенные издержки, либо создает систему управления, которая реализовала бы его цели Z в объекте, с затратой некоторых средств. При создании системы управления необходимо определить, каким образом можно воздействовать на объект, или назначить каналы управления. Такими каналами могут быть отдельные входы объекта X, поддающиеся целенаправленному изменению, или новые каналы воздействия па объект (изменение постоянных параметров, изменение структуры) [76].
Следовательно, для реализации управления необходима создать канал управления U, с помощью которого можно влиять на состояние объекта управления: Y = F{X,U) Под системой управления понимается совокупность алгоритмов обработки информации и средств их реализации, объединенных для достижения заданных целей управления в объекте [76]. Управление связано с целями {Z j, которые поступают извне в систему управления. Эти цели образует субъект, который и является потребителем создаваемой системы управления объектом.
Перед принятием решения о создании системы управления необходимо рассмотреть этапы управления. Такой алгоритмический анализ управления является основой для принятия решения о создании системы управления, форме ее реализации и степени автоматизации.
Управление сложным объектом можно подразделить на следующие этапы [76].
1. Формулировка целей управления. На этом этапе определяется множество целей, которые должны быть реализованы в процессе управления. Субъект воспринимает окружающую среду, как набор ее параметров каждый из которых интересует субъекта и может быть им изменен. Воспринимаемая субъектом ситуация является управляемой: S(U) = ( /),..,S,(t/)).
Параметры (,,..,5,)образуют пространство ситуаций {S\. Каждая точка этого пространства определяет какую-то конкретную ситуацию, сложившуюся вокруг субъекта. Через это ситуациониое пространство {5 } субъект воспринимает окружающие его среду и различные объекты.
