Содержание к диссертации
Введение
1 Общая характеристика проблемы и основные направления ее решения 18
1.1 Общее представление о НС и их классификация 18
1.2 Идентификация и обработка НС в SCADA-системах 28
1.3 Интеллектуальные методы идентификации и прогнозирования нештатных ситуаций в системах оперативного контроля 31
1.4 Выбор и обоснование направлений исследований 41
Выводы по 1 главе 43
2 Разработка метода определения состояния объекта контроля по интервальным оценкам параметров модельной функции в пространстве
2.1 Оценка параметров квазидетерминированных сигналов методом є-слоя 44
2.2 Разработка метода є- областей для нахождения совместных интервальных оценок параметров модельной функции в пространстве 60
2.2.1 Нахождение области интервальных оценок в пространстве при фиксации интервала наблюдения 61
2.2.2 Нахождение области интервальных оценок в линейном приближении модельной функции при отсутствии фиксации интервала наблюдения 67
2.2.3 Нахождение интервальных оценок в линейном приближении модельной функции при ограничениях на скорость изменения функции сопровождения 73
2.2.4 Нахождение области интервальных оценок параметров нелинейной модельной функции 79
2.3 Применение метода є-областей для online-идентификации не штатных ситуаций при контроле состояния техногенного объекта 92
2.3.1 Общий подход к online-идентификации состояния объекта по реализации сигнала с применением метода є-областей 92
2.3.2 Выявление нештатных ситуаций, связанных с потреблением энергоресурсов в помещениях здания 95
Выводы по 2 главе 104
3 Разработка алгоритмического обеспечения для оперативного контроля нештатных состояний техногенного объекта на основе интервально-лингвистического подхода 107
3.1 Классические методы прогнозирования НС в моделях временных рядов 107
3.2 Разработка интервально-лингвистического подхода к прогнозированию НС в системе оперативного контроля 113
3.3 Гибридно-лингвистические паттерны поведения 138
3.4 Разработка инструментальной среды для вычисления погрешности прогноза состояния объекта контроля при оценке применимости заданных паттернов 154
3.5 Результаты тестирования интервально-лингвистического метода при обнаружении воздействий на заграждающие поверхности в системах охраны и жизнеобеспечения зданий 160
Выводы по 3 главе 172
4 Пути и методы совершенствования программно-технического обеспечения систем оперативного контроля техногенных объек тов 175
4.1 Совершенствование и анализ методов и средств получения информационного сигнала 176
4.1.1 Оценка стабильности работы однодиапазонных первичных измерительных преобразователей 176
4.1.2 Совершенствование много диапазонного метода расширения динамического диапазона первичных измерительных преобразователей 184
4.1.3 Применение интерполяционных растровых методов для повышения разрешающей способности ПИП с импульсно - кодовой модуляцией выходного сигнала 198
4.1.4 Применение эмуляторов сигналов первичных измерительных преобразователей для отладки и тестирования алгоритмического и программного обеспечения 205
4.1.5 Применение метода є-областей для обработки информационного
сигнала 207
4.2 Совершенствование структуры данных для хранения результатов контроля 209
4.3 Пути и методы повышения надежности и безопасности систем оперативного контроля. 213
4.3.1 Общие замечания по обеспечению безопасности систем контроля 213
4.3.2 Организация самоконтроля и диагностики на различных уровнях иерархии системы оперативного контроля 215
4.3.3 Веерный опрос как основа построения робастных сетей сбора данных 218
4.4 Лингвистический клеточно-автоматный подход к моделированию изменений параметров микроклимата помещений и его применение для выбора мест размещения температурных датчиков 227
Выводы по 4 главе 234
5 Моделирование влияния на надежность идентификации НС ар- хитектуры и алгоритмов обработки данных распределенной СОКТО 237
5.1 Существующие подходы к моделированию функционирования СОКТО и их компонентов 238
5.1.1 Модели систем оперативного контроля 238
5.1.2 Инструментальные средства моделирования СОКТО 245
5.2 Разработка комплексного подхода к имитационному моделированию возникновения и обработки НС в распределенных системах оперативного контроля техногенных объектов 249
5.3 Разработка алгоритмического и программного обеспечения среды моделирования на базе AEPF-подхода 256
5.4 Исследование влияния параметров модели на надежность СОКТО . 267
5.5 Результаты практического применения имитационной модели 271
5.5.1 Оценка адекватности AEPF-моделирования для информационно-измерительной системы ТЭЦ Кемеровской области 271
5.5.2 Оценка адекватности AEPF-моделирования для информационно-измерительной системы учета потребления энергоресурсов университетского кампуса 274
Выводы по 5 главе 278
6 Практическая реализация интервально-лингвистического подхода в распределенных системах контроля техногенных объектов 281
6.1 Программно-техническое обеспечение разработанных систем контроля и комплексов для проведения экспериментальных исследований 281
6.1.1 Обобщенная структурная схема разработанных систем 281
6.1.2 Первичные измерительные преобразователи 285
6.1.3 Программируемые логические контроллеры 297
6.1.4 Телекоммуникационные модули 309
6.1.5 Программное обеспечение для ретрансляции данных на web – сервер 325
6.2 Система оперативного контроля технологических процессов на тепловых электростанциях 329
6.2.1 Регистрируемые параметры и типы НС на ТЭЦ и ГРЭС 330
6.2.2 Особенности технического и программного обеспечения системы учета параметров теплоносителя на ТЭЦ 336
6.2.3 Перечень контролируемых нештатных ситуаций и особенностиих выделения и обработки 341
6.3 Автоматизированная распределенная система оперативного контроля потребления энергоресурсов университетского кампуса (АС ОКПЭУ) 350
6.3.1 Функциональные возможности ИИС ОКПЭУ . 351
6.3.2 Особенности структуры, программного и аппаратного обеспечения АС ОКПЭУ 354
6.3.3 Типы НС и их идентификация 358
6.4 Температурный контроль в сфере переработки и хранения сельскохозяйственной продукции . 362
Выводы по 6 главе 370
Заключение . 371
Список использованных сокращений 374
Список литературы 375
- Интеллектуальные методы идентификации и прогнозирования нештатных ситуаций в системах оперативного контроля
- Разработка инструментальной среды для вычисления погрешности прогноза состояния объекта контроля при оценке применимости заданных паттернов
- Совершенствование много диапазонного метода расширения динамического диапазона первичных измерительных преобразователей
- Разработка комплексного подхода к имитационному моделированию возникновения и обработки НС в распределенных системах оперативного контроля техногенных объектов
Интеллектуальные методы идентификации и прогнозирования нештатных ситуаций в системах оперативного контроля
Можно отметить, что спектр интеллектуальных методов, используемых при моделировании, идентификации и прогнозировании НС, очень широк, и включает в себя практически все классические методы искусственного интеллекта. Так, авторы работы [340] при рассмотрении методов обнаружения отказов и диагностики в инженерных системах выделяют:
- физические модели отказов с разной степенью детализации процессов;
- модели, основанные на правилах, в т.ч. оперирующие с экспертной информацией;
- модели, учитывающие историю отказов, включая вероятностные, нейросетевые и фреймовые. Теоретические и практические аспекты применения интеллектуальных методов в системах оперативного контроля техногенных объектов рассматривались в работах Аднана Н.А., Изади И., Чена Т.[323], Кумара Р. [364], Ражкумара T., Гуэсгена Х. [382], Мирчевски В. [370], Йодера М. [404], Рейс-снера Д., Краутца Ж. [180], Грота К. [351], Адлера Р. [322], Чагаса Моура М. [341], Ройзенберга М. [387], Нафариеха М., Келлера Дж. [375], Иерволино И. [359], Ковалева С.М. [107, 109], Рыжкова А.П. [185], Ярушкиной Н.Г. [318], Севалкина А.А. [203,204], Круга П.Г. [122, 123], Ратушняка Г.Я. [179], Лбова Г.С. [133], Балонина Н.А. [30], Кузнецова С.Н. [127], Воронина В.В. [62], Замятина А.В. [97], Караваева М.В. [105], Гильманшина И.Р. [65], Н.Н. Гусева [83], Замятина Н.В. [98] и многих других.
Особенно широко используется в системах оперативного контроля аппарат теории нечетких множеств. Так, авторы [387] предлагают для оценивания рисков в системе нефтедобычи новую гибридную нечетко-вероятностную методологию, базирующуюся на рассмотрении риска как случайной переменной, распределение которой зависит от численно заданных геологических факторов, вычисляемых как нечеткое множество с заданием вероятностных интервалов. Затем в результате моделирования вычисляются параметры бета-распределения. На основе рассмотренной в [387] методологии разработан прототип программного обеспечения, позволяющего осуществлять принятие решений в условиях неопределенности и сократить объем инвестиций в нефтедобычу.
В [375] нечеткая логика использована для разрешения проблем неопределенности при решении задач автоматического распознавания объектов множеством датчиков в условиях изменения местоположения объектов с течением времени.
Р. Кумар в SCADA, контролирующей функционирование паротурбинной системы, рассматривает для непрерывных значений давления, температуры и влажности пара по 6 пороговых уровней, служащих для формирования нечетких термов вида «MajorLow», «MinorLow», «Low», «High», «Mino rHigh», «MajorHigh» [364]. В идеале значения должны находиться между «Low» и «High». Недостатком предложенной системы является отсутствие контроля изменений величин в терминах нечетких множеств.
Авторами [370] изучались интеллектуальные модели обнаружения ала-рмов в системах удаленного оперативного контроля деятельности и состояния здоровья одиноких пожилых людей. Выделяются два типа моделей, первый тип – модели, заданные правилами, сформулированными экспертами, второй тип – модели, предусматривающие обучение и самообучение системы контроля. Модели, заданные правилами, основаны на использовании марковских процессов. Для практического обнаружения алармов разработана муль-тиагентная система оперативного контроля, сочетающая методы моделей обоих типов. Сенсорные, фильтрующие и оценивающие текущее положение человека агенты являются вспомогательными для агентов по обнаружению алармов, анализирующих историю положений и движений. Если состояние аларма идентифицировано, то агент по обнаружению алармов взаимодействует с коммуникационным агентом системы с целью передачи тревожного сигнала. Статистические агенты обрабатывают незначимые для идентификации аларма движения и перемещения человека, например, хромоту при ходьбе. Функционирование агента, распознающего положение клиента (сидение, стояние, лежание, падение, вставание и т.п.), базируется на обработке множества правил вида «ЕСЛИ … ТО … » для классификации движений. Атрибуты, которые должны быть включены в условия правил, извлекаются из базы знаний и деревьев решений. Для определения применимости каждого условия используются либо генетические алгоритмы, либо производятся вычисления числовых информационных оценок для каждого атрибута, включенного в правило, с целью выбора правила с самой высокой информационной оценкой. Для обучения системы оперативного контроля имеется обучающая выборка, включающая 10 множеств атрибутов, соответствующих кадрам для распознавания движений, принадлежащих одному классу. Для классификации используется матрица успехов, левый столбец которой для строк содержит метки корректно идентифицируемого движения, а заголовки столбцов соответствуют метке, идентифицированной алгоритмами распознавания. В идеале максимальные элементы каждой строки матрицы успехов должны лежать на ее главной диагонали. В. Мирчевски установлено, что большинство ошибок идентификации появляется при переходе от одного положения к другому [370]. Агент обнаружения алармов способен распознавать алармы 4 типов, соответствующих комбинации ситуаций падения, отсутствия движений и нахождения человека в неподходящем месте. Система оперативного контроля анализирует данные о движениях и перемещениях за периоды 5, 10 и 15 секунд, причем состояние человека не меняется с точки зрения системы до тех пор, пока не найдется правило, лучше описывающее текущую ситуацию. Данная система демонстрирует, что помимо применения экспертных правил для оценки состояния контролируемого объекта требуется анализ исторических данных, причем не только в момент времени, предшествующий текущему.
Ратушняк Г.Я. и Катюха Р.В. в [179] рассматривают задачу оперативного контроля технического состояния сложного объекта – космического аппарата – с позиций многопараметрического анализа в комплексе с методами искусственного интеллекта. Так как для космического аппарата отсутствуют данные регистрации выходных сигналов для всех возможных значений влияющих факторов, то построение адекватной регрессионной модели невозможно. В связи с этим экспертные знания, выраженные в виде естественноязыковых конструкций «ЕСЛИ … ТО …», являются основой принятия решений при идентификации состояния объекта контроля. Модель объекта контроля задается с использованием базы знаний, содержащей правила, описывающие зависимости между входными и выходными лингвистическими переменными, соответствующими параметрам объекта. Идентификация технического состояния космического аппарата осуществляется на основе дерева логического вывода, корень которого представляет собой результат оценки состояния, висячие вершины – телеметрические параметры, рассматриваемые как лингвистические переменные. При принятии решения использованы методы теории распознавания образов технических объектов в реальном масштабе времени. Образы классифицируются при итеративном обучении системы распознавания, а затем выполняется собственно распознавание состояния объекта [179].
Разработка инструментальной среды для вычисления погрешности прогноза состояния объекта контроля при оценке применимости заданных паттернов
Принципиально возможны и иные способы аппроксимации A( ), однако применение условия (2.15) исключает возможность превышения фактической погрешности заранее заданных значений в (2.14). Тогда, заменяя функцию A(Ai) на A(/li), получим окончательное выражение (2.16) для информационного критерия:
Таким образом, расчет информационных критериев целесообразно осуществлять через параметры интервальных, а не точечных оценок, поэтому разработка новых и адаптация существующих методов нахождения интервальных оценок для непрерывных и дискретных сигналов и влияющих на них параметров является важной задачей. От решения этой задачи зависит возможность практического применения рассмотренных информационных критериев для синтеза и анализа информационно-измерительных устройств и систем оперативного контроля.
Одним из наиболее простых методов непосредственного нахождения интервальной оценки многопараметрических квазидетерминированных сигналов для условий априорной неопределенности является подход, который основан на модели є-слоя [250]. Модель є-слоя базируется на логичном предположении, что любая точ ка г сигнала Y(r, Л) в системе координат «пространство-время» может с еди ничной вероятностью принадлежать интервалу вида (7(г0Д)-г"(г0),Г(г0Д) + г+(г0)), то есть сигнал обладает слоем неопреде ленности, толщина которого в общем случае не является константой для от клонений разного знака, а представляет собой функцию пространственно временных координат [15]. Физический смысл є-слоя может быть различен для сигналов разной природы. Например, если предполагать, что измери тельный процесс обладает погрешностью, абсолютное значение которой рав но y0+ysY(r,Z) (Y0 - погрешность нуля, Ys - относительная погрешность чувствительности [96,178]), то +(г) = -(г) = [у0 +ysY(r,A)]/2 . В частности, если в области допустимых значений Y(r,A) можно пренебречь мультипликативной составляющей, то є+(г) = є (г) = є0, где є0- постоянная величина, которая может определяться, например, через динамический диапазон используемого в первичном преобразователе сенсора.
С другой стороны, можно считать Y(r,A) моделью сигнала, погрешность которой определяется є-слоем. В самом деле, любой достаточно сложный сигнал можно представить как сумму вида Ет (г, Л) + Ф(г), где Ет (г, Л) представляет собой достаточно простую модель сигнала, а значения Ф(г) ограничены некоторым є-слоем. Можно считать, что Ф(г) - помеха, возможные значения которой находятся в пределах є - слоя.
Очевидно, модель є-слоя является полностью детерминистской, так как не предполагает возможности сужения интервала неопределенности наблюдаемых значений сигнала по мере увеличения числа выборок, и применение модели позволяет получать лишь интервальные оценки с единичными квантилями. Для нахождения таких оценок воспользуемся методом теории чувствительности [183]. Для этого представим сигнал в виде где SY - вариация сигнала, вызванная влиянием отклонения вектора параметров А от Ад. Очевидно, эти вариации будут лежать в пределах є- слоя, пока соблюдается условие [15]: Если считать, что є-слой обладает достаточно малой шириной, то для вычисления вариации сигнала SY(F,A,AQ) можно использовать линейное приближение вида: В конкретном случае, если вектор А содержит п элементов, (2.20) имеет вид: - величина отклонения значения i - того параметра от его некоторого фиксированного значения, а Sj(r,A) = dY(r,A)/dAj \1=ц является функцией чувствительности по ї-му параметру. Тогда, подставляя (2.21) в (2.19), можно получить выражение относительно области допустимых отклонений для любого і -го параметра, которая и будет являться его интервальной оценкой, соответствующей Pд=\. Если
Siобразуют систему ортогональных функций, то решение неравенства (2.19) распадается на п независимых решений. В общем же случае получение интервальных оценок для п произвольных параметров в аналитическом виде возможно только для некоторых частных задач.
Предположим теперь, что сигнал содержит только один оцениваемый скалярный параметр Л, а для всех остальных параметров сопровождения Si представляют собой ортогональные функции, причем n —» оо. Положим также, что наряду с оцениваемым скаляром А, имеется вектор сопровождения Д описывающий условия, при которых осуществляется наблюдение, причем для всех компонентов Pi точно известны границы области их определения.
Тогда, представляя функцию чувствительности S% в виде ряда по системе функций S i , получим, что А+ = sup/i+S ; А = inf i /SAi , где iє \n,
Ал є(Ад,А+), SM - коэффициенты разложения функции SA, а /? + и /?f соответственно нижняя и верхняя граница области определения / -го сопровождающего параметра. Полученный результат можно рассматривать как решение задачи нахождения интервальной оценки с P$ = 1 для сигнала, описываемого выражением (2.22):
Совершенствование много диапазонного метода расширения динамического диапазона первичных измерительных преобразователей
Исследование рассмотренных выше методов идентификации и прогнозирования состояния объектов контроля, основанных на паттернах поведения группы ВР и гибридно-лингвистического паттерна, проводилось с применением специализированной инструментальной программной среды [172,229]. Для хранения информации инструментальной системы спроектирована реляционная база данных. Таблицы базы содержат следующие данные:
- значения четких и нечетких рядов;
- имена и функции принадлежности ЛП;
- имена и параметры паттернов поведения группы ВР;
- характеристики доменов для ВР;
- типы модельных и граничных функций для доменов;
- параметры областей в -пространстве, соответствующих состояниям объекта контроля, включая НС;
- данные экспериментов по выявлению новых паттернов и вычислению вероятностей ошибок идентификации и степеней соответствия при проверках существующих паттернов поведения группы ВР.
Программное обеспечение разработано с помощью языка программирования высокого уровня С# (WinForms .NET 4.0). В качестве базы данных используется MySQLServer 5.6.
Главная форма инструментальной системы представлена на рисунке 3.6. С помощью соответствующих вкладок главной формы можно просмотреть списки рядов, лингвистических переменных, доменов, паттернов поведения группы ВР, экспериментов по обнаружению и исследованию паттернов, а также нештатных ситуаций. Каждая из вкладок позволяет добавлять, удалять и редактировать выбранный элемент списка. Для экспериментов и паттернов поведения системы предусмотрена дополнительная кнопка просмотра, которая предоставляет полную информацию о соответствующем объекте.
Рисунок 3.6 – Вкладки главной экранной формы инструментальной системы для исследования паттернов
При добавлении ряда требуется указывать файл с данными, возможно создание четкого ряда без значений, которые в дальнейшем заносятся с помощью формы редактирования. Редактирование и удаление данных, которые участвуют в существующих в базе экспериментах, запрещено. Форма работы с рядом, отображающая список значений ряда, график, минимальное, максимальное и выбранное из списка значения ряда,приведена на рисунке 3.7.
Пример создания новой ЛП lv_temp, для которой существует 5 термов (“high”, ”low”,medium”, “veryhigh”, “verylow”) показан на рисунке 3.8.
Форма добавления лингвистической переменной отображает имя переменной и список ее термов с кнопками добавления, изменения, редактирования имени каждого терма. В правой части формы отображается график функции принадлежности LR-типа выделенного терма, а в нижней части
формы расположен общий график функций принадлежности всех термов, с выделением активного. Каждый терм в отдельности можно изменить, задав необходимые значения параметров, и нажав кнопку подтверждения. При существовании связанных с ЛП элементов форма не позволяет редактировать данные.
Форма настройки параметров домена (рисунок 3.9) позволяет задать вид граничных функций, формирующих є-слой, а также тип модельной функции и области в -пространстве ее параметров, соответствующие НС.
Вид граничных функций определяется набором коэффициентов и типом - линейной, полиномиальной функцией третьей степени или экспоненциальной функцией. Для модельной функции указывается тип и задаются области интервальных оценок параметров в -пространстве, соответствующих НС. При добавлении паттерна поведения группы ВР указывается имя паттерна, временной дискрет измерений и маркер, затем требуется указать ряды, используемые в паттерне, и домены, к которым он относится. Список рядов паттерна может быть изменен, реализованы добавление, удаление и редактирование элементов списка. Если некоторое прогнозное значение представляет собой НС, то возможно указать название НС из списка имеющихся в инструментальной системе.
Работа с историей и прогнозами для отдельного ряда паттерна происходит через форму, отображенную на рисунке 3.10. Список значений ряда паттерна представляет множество термов, в котором возможны несущественные значения, которые не влияют на проверку соответствия паттерну. Форма содержит кнопки добавления, удаления и редактирования значений.
В правой части формы расположена панель для выставления очередного прогнозного значения, которое можно выставить либо нештатной ситуацией, либо нечетким значением. Нештатные ситуации выбираются из списка всех нештатных ситуаций, с возможностью добавления новой при необходимости. Нечеткие значения заполняются либо вручную через параметры нечеткого интервала, либо на основе шаблонного значения из списка всех термов лингвистической переменной, связанной с рядом-основанием. В нижней части формы отображается график четких значений текущего ряда паттерна с учетом заданных граничных функций домена. Для задания нового эксперимента требуется указать наименование эксперимента, множество рядов, участвующих в эксперименте, на основе которых происходит выборка из БД. Для списка рядов существует возможность добавления, удаления и редактирования отдельной строки списка. Также с использованием множества маркированных списков отображается периодичность выборки значений из базы. При выборе периода эксперимента больше, чем периодичность реального ВР, происходит усреднение исходных значений на интервале заданного периода. Для эксперимента необходимо также указать временной диапазон для значений ряда. Инструментальная система отслеживает ситуацию, в случае которой не существует данных для формирования нечетких рядов, и требует изменить внести изменения в указанные данные.
При просмотре эксперимента схематично изображаются графики всех рядов. Кроме того, предоставляется возможность ввода текста описания гибридно-лингвистического паттерна поведения (в правом верхнем поле), на основе которого будет выполнено прогнозирование(рисунок 3.11). В нижней части формы отображается поле вывода интерпретатора правил при анализе текущего значения ряда. В правой части формы отражены кнопки сохранения и открытия текста правил, а также запуска интерпретации. При переходе к редактированию отдельного ряда эксперимента отображаются все значения нечеткого ряда в лингвистическом виде, а также выводится график значений.
Разработка комплексного подхода к имитационному моделированию возникновения и обработки НС в распределенных системах оперативного контроля техногенных объектов
С целью исследования обработки НС в распределенных системах оперативного контроля ТО рассмотрим имитационную модель процессов обработки сигналов, представляющую собой шестерку вида: где G= NV ,E – характеризующий структуру системы оперативного контроля взвешенный гиперграф c множеством вершин NV , соответствующих объектам - вычислительным устройствам системы (датчики, контроллеры, компьютеры) и множеством ребер E, соответствующим каналам связи между устройствами;
Использование гиперграфа в модели соответствует объектному подходу к моделированию возникновения и обработки НС в системе оперативного контроля. Вершина гиперграфа характеризуется признаком активности устройства, а также модельными целочисленными величинами объема памяти и производительности, прямо пропорциональными реальным значениям для устройств однотипного уровня архитектуры СОКТО [47,48]. Единицей измерения производительности является количество операций в условную модельную единицу времени, что позволяет моделировать выполнение алгоритмов получения и обработки измерительной информации на различных устройствах. Возможно задание производительности для операций различных типов. Каждые две вершины гиперграфа могут быть связаны несколькими ребрами, соответствующими различным каналам передачи данных, часть из которых может быть использована в качестве резервных. Каждое ребро имеет вес – пропускную способность канала и характеризуется признаками работоспособности и резервирования.
Данные оперативного контроля D представляют собой базу данных, хранящую сведения о событиях в системе моделирования и использующуюся для выполнения функций обработки информации.
Для формирования базы данных и организации обработки информации с датчиков и контроллеров предусмотрено использование набора функций FN, включающего функции фильтрации, архивации и анализа, которые могут быть интегрированы в систему (стандартны) или заданы пользователем. В частности, стандартные функции анализа осуществляют:
- проверку аппаратной достоверности значений, полученных по каналу связи от устройства;
- проверку значений параметра, соответствующего процессу, на выход за пределы заданного интервала;
- проверку скорости изменения параметра, соответствующего процессу, на выход за пределы заданного интервала.
В результате выполнения функций анализа может быть сгенерирован аларм - сигнал о НС или предупреждающее сообщение. В общем случае функция задает отображение множества параметров процессов и системы оперативного контроля в множество состояний, подмножеством которого является множество НС. Каждому процессу может быть сопоставлен набор функций.
Для задания и реализации в имитационной системе пользовательских алгоритмов обработки сигналов разработан специализированный язык, описываемый грамматикой LG. Грамматика содержит синтаксические конструкции, регламентирующие доступ к БД D, а также конструкции, осуществляющие описание функционирования пользовательских алгоритмов с учетом идентификации и сигнализации о НС.
Для измерения модельного времени системы Т используются условные единицы, не зависящие от реального времени, в котором работает моделируемая СОКТО. Для коррекции таймера модельного времени выбран метод с переменным шагом.
Каждой вершине щ гиперграфа G сопоставлено некоторое подмножество Pni. множества процессов Р, связанных с вычислительным устройством, соответствующим вершине. Процессы в зависимости от способа формирования данных технологического контроля делятся на три группы:
— генерирующие данные (датчики, первичные измерительные преобразователи);
— получающие данные от других процессов без изменений;
— вычисляющие значения данных мониторинга с использованием вычислительных алгоритмов.
Моделирование получения данных с помощью процессов первой группы осуществляется путем задания функции генерации f(T), ставящей в соответствие модельному времени Т величину параметра мониторинга, контролируемого с помощью процесса в модели S. Для процессов второй группы учитывается необходимость использования каналов связи, характеристики которых влияют на момент появления данных технологического контроля в системе. Для имитации процесса передачи данных в системе задаются параметры каналов связи, и определяется размер пакета данных в зависимости от используемого протокола. Процессы третьей группы моделируются заданием функции f(d,T), ставящей в соответствие данным контроля d в момент модельного времени Т процессов из 1 и 2 групп вычисленное значение технологического параметра [42,43].
Каждый процесс Pj из множества процессов узла щ имеет тип ТуреР, подчиняется закону распределения времени прихода заявок А(Т). Для процесса задаются алгоритмы обработки данных, реализованные в виде подмножества Ч множества функций FN, причем каждая функция может представлять собой суперпозицию других функций из FN. Любой процесс Pj правомочен запрашивать данные процессов {рк,...,рг} и только после этого вычислять значение контрольного параметра в СОКТО.
Для оценки нештатных ситуаций при обработке сигналов в системе оперативного контроля ТО, обусловленнвх несвоевременным выполнением требуемых вычислений и передач по каналам связи, учитывается объем памяти вычислительного устройства, объем обрабатываемых данных, а также временные характеристики алгоритма обработки сигнала. Тогда множество процессов, осуществляющих сбор и обработку данных оперативного контроля на вычислительном устройстве, обладает характеристиками, представленными в (5.2):