Содержание к диссертации
Введение
Глава 1. Системный анализ в производственно-организационных системах . 10
1.1. Общая характеристика производственно-организационных систем. Особенности . 10
1.2. Системное обследование предприятия. 11
1.3. Структурный анализ системы управления предприятием. 18
1.4. Принцип минимизации внешних связей. 27
1.5. Общая постановка задачи. 28
Глава 2. Алгоритмы моделирования, оптимизации и принятия решений в производственно-организационных системах . 38
2.1. Непараметрическое оценивание стохастических характеристик . 38
2.2. Непараметрическое моделирование и управление. 39
2.3. Алгоритмы оптимизации при наличии ограничений. 42
2.4. Процесс, технологический регламент и модели. 45
2.5. Комбинированные непараметрические модели. 49
Глава 3. Численные исследования . 53
3.1. Статистическое моделирование алгоритмов принятия решений . 53
3.2. Результаты моделирования. 55
Глава 4. Состав и структура интеллектуальной компьютерной системы управления производством . 70
4.1. Системный подход к моделированию систем управления сложными взаимосвязанными процессами . 70
4.2. Некоторые задачи АСУ ТЭС. 73
4.3. Иерархическая структура управления. 79
4.4. Некоторые особенности формулировки задач. 85
4.5. Программный комплекс математического обеспечения оптимизации и принятия решений. 91
Заключение 97
Литература 99
Приложения
- Общая характеристика производственно-организационных систем. Особенности
- Непараметрическое оценивание стохастических характеристик
- Статистическое моделирование алгоритмов принятия решений
- Системный подход к моделированию систем управления сложными взаимосвязанными процессами
Введение к работе
Актуальность работы. Автоматизация управления предприятием, на сегодняшний день, является одним из необходимых условий его роста. Процесс этот происходит при непосредственном использовании новых информационных технологий.
При разработке различных автоматизированных компьютерных сис
тем управления предприятием очень важным является то, что наряду с со-
" временными требованиями, к управлению* промышленными предприятия-
t ми интенсивно развивается использование информационных технологий
для поддержки и принятия управленческих решений на высших уровнях
" иерархии.
Одной из самых важных проблем, возникающих при создании ком-
1 пьютерных систем моделирования1 и управления производственными ком-
плексами,1 является неполнота, а часто<и субъективность имеющейся апри-орнои информации, характеризующей производственно-экономические и
| финансовые ситуации, возникающие в процессе функционирования произ-
водства. В процессе разработки компьютерной системы планирования и
; оперативного управления производственным процессом возникают про-
блемы, связанные с задачами, постановки которых не укладываются в привычные рамки и требуют для своего решения развития новых методик. Одной из причин, побудивших к поискам новых подходов, явилось отсутствие достаточной априорной информации об исследуемом объекте для математической постановки задачи.
При разработке соответствующих алгоритмов была использована теория адаптивных и обучающихся систем как параметрическая, так и непараметрическая. Последнее обусловлено тем, что, учитывая сложность исследуемых процессов, недостаток априорных данных, наличие случайных факторов, наиболее перспективный путь создания компьютерных систем прогнозирования технологических, производственных и экономических параметров состоит в создании обучающихся систем, т.е. систем способ-
ных в процессе своего функционирования улучшать свои рабочие показатели. Это и определяет актуальность настоящего исследования.
Целью диссертационной работы является построение непараметрических моделей и обучающихся алгоритмов управления для создания интегрированной автоматизированной системы управления производственными процессами и комплексами.
Исходя из целигисследования, определены основные задачи:
Провести анализ задач моделирования'и оптимизации1 сложных систем в условиях недостатка априорных данных.
Разработать обучающиеся непараметрические модели сложных систем в условиях неполной информации.
Разработать непараметрические адаптивные алгоритмы управления w принятия'решений «для рационального'оперативного воздействия на^ характер ведения, производственного процесса с целью повышения его эффективности.
Анализ полученных непараметрических моделей и алгоритмов на основе метода статистического моделирования.
Разработать модификации обучающихся непараметрических алгоритмов поддержки принятия решений для управления производством (на примере Красноярской ГРЭС-2).
Методы исследования базируются на положениях и методах системного анализа, математической статистики, теории адаптивных и обучающихся систем, теории идентификации, теории автоматического управления и принятия решений, методах статистического моделирования.
Научная новизна решения поставленных задач заключается в следующем:
Предложены модели процессов, имеющих «трубчатую» структуру в пространстве входных-выходных переменных.
Разработаны модификации обучающихся непараметрических алгоритмов поддержки и принятия решений для соответствующих ком-
пьютерных систем в нетрадиционной постановке задач моделирования и управления.
Предложен принцип минимизации внешних связей при разработке структуры управления производственным комплексом.
Предложена методика создания обучающей выборки с использованием экспертных оценок для создания системы управления и принятия решений.
Обоснованность и достоверность полученных результатов следует из корректности использования формализованной процедуры синтеза полученных алгоритмов. Дальнейшие выводы и рекомендации, данные автором диссертации, обосновываются результатами численных исследований разработанных алгоритмов и их модификаций. По результатам исследований предложена более эффективная производственно-организационная структура управления на ОАО «Красноярская ГРЭС-2».
Основные тезисы, выносимые на^защиту:
Новые модификации обучающихся непараметрических моделей, учитывающих особенности производственных процессов.
Предложена технология формирования обучающей выборки, основанная на методе экспертных оценок, для создания интегрированной компьютерной системы управления и принятия решений.
Предложены обучающиеся непараметрические алгоритмы оптимизации и принятия решений, использующие различные тактики накопления информации в процессе их функционирования.
На основе численного исследования предложены способы настройки различных непараметрических моделей и алгоритмов принятия решений в условиях неполной информации.
Получена иерархическая структура управления предприятием на основе принципа минимизации внешних связей системы управления.
Практическая ценность диссертации.
Разработанные алгоритмическое обеспечение и схемные решения при создании интеллектуальной компьютерной системы управления производственными, производственно-экономическими и производственно-организационными процессами могут широко использоваться не только на предприятиях энергетики, но и в других отраслях промышленности.
Практическая ценность результатов диссертационной работы подтверждена актом о* практическом использовании результатов исследования.
Реализация результатов і работы».
Разработанные в диссертации обучающиеся модели и алгоритмы принятия решений положены в основу разработки алгоритмического технического проекта для создания интегрированной* автоматизированной системы управления на ОАО «Красноярска* FP3C-2».
Апробация! работы. Основные результаты научных исследований докладывались и обсуждались на Шестой Всероссийской научно-практической конференции «Проблемы информатизации региона. ПИР-2000» (Красноярск, 2000), IX IASTED International Conference «Applied informatics AK '2001» (Austria,2001), proceedings of the Sixth International Conference «Computer data analysis and modeling/CD AM' 2001» (Minsk, 2001), Седьмой Всероссийской научно-практической конференции «Проблемы информатизации региона. ПИР-2000» (Красноярск, 2000), научно-практического семинара «Проблемы синтеза и проектирования АСУ» (Новосибирск, 2001), Пятом международном симпозиуме «Интеллектуальные системы» (Москва, 2002), Четвертой международной молодежной школе-семинаре БИКАМП'03, посвященной 300-летию Санкт-Петербурга, Санкт-Петербург, XVIII Международной научной конференции «Математические методы в технике и технологиях - ММТТ-18» (Казань, 2005), VI Всероссийской научно-технической конференции «Теоретические и прикладные вопросы современных информационных технологий» (Улан-Удэ, 2005).
Публикации. По тематике исследований опубликовано 17 печатных работ. Эти материалы отражают основное содержание диссертации.
Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы и приложения.
СОДЕРЖАНИЕ РАБОТЫ
Первая глава посвящена особенностям моделирования и принятия решений в сложных взаимосвязанных системах.
Вторая глава посвящена обучающимся моделям и алгоритмам управления производственными комплексами.
Третья глава посвящена исследованию непараметрических алгоритмов методом статистического моделирования.
Четвертая глава посвящена прикладным вопросам.
Основные результаты работы и выводы:
Предложены новые модификации обучающихся непараметрических моделей, учитывающих особенности производственных и производственно-организационных процессов, характерных для предприятий энергетики;
Дан системный анализ технологии формирования экспертных оценок, определяющих как состояние в прошлом различных производственных ситуаций и принятых решениях, так и финансово-экономических ситуаций и решений с ними связанных;
Предложены новые обучающиеся алгоритмы принятия решений, а также тактики накопления информации в процессе их функционирования, обеспечивающие различные формы обучения компьютерной системы принятия решений для повышения эффективности функционирования производства;
Предложены на основе численного исследования способы настройки различных непараметрических моделей и алгоритмов обучения принятию решений в условиях неполной информации;
Дана иерархическая структура управления производственным комплексом на основе системного анализа организационно-управляющей системы. Здесь были использованы результаты анкетного опроса руководителей различных рангов.
Общая характеристика производственно-организационных систем. Особенности
Современные организации представляют собой сложные социально-экономические и производственно-технические системы, функционирующие в стремительно меняющейся окружающей среде, которая является постоянным источником новых возможностей и угроз, создающих сложную, неоднородную и трудно предсказуемую обстановку. Именно в таких условиях перестают работать устоявшиеся, прекрасно зарекомендовавшие себя в прошлом правила, методы и технологии, и возникает необходимость поиска новых подходов и теорий. Эффективное управление технологическим процессом с использованием методов теории автоматического управления возможно лишь тогда, когда известно математическое описание этого процесса. Поэтому построение математического описания - идентификация технологического процесса - это важнейший этап создания любой автоматизированной или автоматической системы управления технологическим процессом. Выбор характера математического описания, т.е. вида модели процесса, зависит от природы самого процесса и от решаемой задачи управления. Так, модель процесса можно задать в виде таблицы, связывающей входные и выходные переменные, описать функциональными зависимостями, дифференциальными или разностными уравнениями, передаточными функциями и т.п. В каждом случае методы получения математического описания оказываются различными. Однако различия методов идентификации этим не исчерпываются. Для управления технологическим процессом необходимо знать, как влияет то или иное входное воздействие на выходную переменную, характеризующую его протекание. Поэтому идентификация процесса сводится к построению математического описания зависимости между этими величинами. В теории автоматизированного управления два вида идентификации: идентификация в «узком» смысле и идентификация в «широком» смысле. Наибольшее распространение, в теории автоматизированного управления, получил первый вид идентификации. Решение задачи идентификации осуществляется в два этапа: 1) выбор параметрической« структуры; 2) оценка параметров. При таком подходе к идентификации, на первом этапе решения задачи возникают сложности с выбором параметрической структуры математической модели, в теории автоматизированного управления не существует конкретного алгоритма для решения этой проблемы. Основными целями разработки консалтинговых проектов являются: представление деятельности предприятия и принятых в нем технологий в виде иерархии диаграмм, обеспечивающих наглядность и полноту их отображения; формирование на основании анализа предложений по реорганизации -организационно-управленческой структуры; упорядочивание информационных потоков (в том числе документооборота) внутри предприятия; выработка рекомендаций по построению рациональных технологий работы подразделений предприятия и его взаимодействию с внешним миром; анализ требований и проектирование спецификаций корпоративных информационных систем; рекомендации и предложения по применимости и внедрению существующих систем управления предприятиями, прежде всего классов MRP (manufacturing resource planning) и ERP (enterprise resource planning). Этап 1 (первичных требований и планирование работ) предваряет инициацию работ над проектом. Его основными задачами являются: 1. предварительное изучение задачи, анализ первичных бизнес-требований, предварительная экономическая оценка проекта, построение план-графика выполнения работ, создание и обучение совместной рабочей группы. Важнейшими на данном этапе являются и производственно-организационные мероприятия: 2. должны быть изданы соответствующие приказы по проведению работ, назначены ответственные по направлениям - без подобной поддержки со стороны руководства предприятия бессмысленно вообще затевать консалтинговый проект. Первым шагом собственно разработки является предварительное изучение задачи. Предварительное изучение должно ответить на ряд вопросов: В чем недостатки существующей ситуации? Какие улучшения возможны? На кого окажет влияние новая система? На данном этапе целесообразно построить обзорную диаграмму потоков данных для оценки существующей ситуации с целью ее использования для подгонки всех фрагментов друг к другу и выявления недостатков. Предварительное изучение может потребовать от двух дней до четырех недель. К его окончанию должны быть разумно оценены преимущества внедрения новой системы, а таюке обоснованы временные затраты и стоимость следующего шага разработки - детального изучения. Результаты предварительного изучения рассматриваются руководством соответствующего уровня, на их основе может быть санкционирована возможность детального изучения.
Непараметрическое оценивание стохастических характеристик
Известно, что при непараметрическом оценивании кривой регрессии может быть использован прием формирования новой выборки из исходной. Лустъ(х])у1),(х2,у2),...(х5,у8) — выборка из s статистически независимых наблюдений случайной величины (X,Y), XGR". Для восстановления у(х) = М{у/х}\/х є Q(x),Q(x) — область определения случайной величины X, примем статистику где "ядро" Ф(и) эмпирической плотности вероятности обладает следующими свойствами: енты размытости Cs ядер эмпирической плотности вероятности зависят в общем случае от объема выборки S, причем Cs - 0 ж SCS — оо при S oo. Такая оценка получается на основе непараметрической оценки плотности Р(х) в виде Парзена — Розенблатта: 5 " fxJ-x SC s J S =1 7=1 (2.1.3) где Ф(и)и Cs те же, что и выше. Известно, что при непараметрическом оценивании кривой регрессии может быть использован прием формирования новой выборки у,,х,,і = 1,1 из исходной (х у іх уі),... ). Тогда, оценка ys (х) примет вид 38 Теория непараметрических систем обязана своему становлению и развитию проблеме, состоящей в необходимости решения различных задач адаптации в условиях, когда уравнение исследуемого процесса не определено с точностью до вектора параметров. Пусть q[t] є R",u[t] є Rk,z[t] є R " - векторы наблюдаемых случайных последовательностей, представляющие собой соответственно выходные и входные переменные исследуемого процесса. Определим функцию решений г е L2 как некоторую функцию, представляющую собой выход (решение) адаптивной системы, а функцию отклика со є L2 будем рассматривать как реакцию исследуемого процесса на г. Функция со поступает на вход адаптивной системы. В дальнейшем в наблюдаемых переменных индекс И - помехи при измерении, из соображений простоты опущен. Помехи h и таковы, что M{h} = 0,D{h} со, М{} = 0, {} ад. Сформируем критерий оптимальности R(r) = Mw{Mr{Q(r,r)\co}} (2.2.1) где () некоторая выпуклая функция. Задача отыскания наилучшего г сводится к минимизации R(f) по г, т.е. к поиску такого г0 "", что R(romi) = min R(r). г Ясно, что вид г будет определяться видом функции Q(r,r). Если 0(r,r) = (r-rf, то 7\со) = М{г\со}. (2.2.2) Можно рассмотреть и другие типы Q(r,r). В дальнейшем вопрос состоит в оценивании г(со) по наблюдениям F[,y], »[ ], которые формируются из исходных выборок q[t],u[t]. Знак - означает временной вектор. При пассивном накоплении информации, т.е. при наличии выборки г [s], a [s] непараметрический алгоритм оценивания имеет вид &;=ОяФ% (2.2.3) где матрицы Gt\G,, & s таковы, что G! = Ы Ъ-М Ф? =А[1Ь...,АИ: G = (2.2.4) Р/Ш=ПФ(с;Ч1,и-,т))/2:пФ(с;1ки- [/])), Т - знак транспонирования При активном накоплении информации алгоритм оценивания имеет вид 5;= Ф:+ДЇ+1, (2.2.5) где матрица As+l, удовлетворяющая условиям сходимости (17), такова (2.2.6) АГ,+1 = Ari[s + l],...,An[S + l), элементы этой матрицы представляют собой поисковые шаги, которые обеспечивают процесс обучения адаптивной модели. Алгоритм (2.2.5) имеет простой физический смысл, который состоит в том, что первое слагаемое представляет собой «знание» об объекте, а второе слагаемое обеспечивает поиск (обучение), если «знания» недостаточно. Таким образом, в начале процесса обучения доминирующее значение имеет второе слагаемое А?+1, а по мере возрастания степени обучения системы усиливается роль первого слагаемого, т.е. GsO s.
Статистическое моделирование алгоритмов принятия решений
Представленные выше алгоритмы принятия решений были исследованы методами статистического моделирования. Исследуемый процесс х = f(u,fi,d,p) моделировался следующим образом: Критерий, оптимальности в данном случае имеет вид а его оптимальный оператор При последовательном поступлении информации в систему (активное накопление информации) для оценивания її используется следующий алгоритм В качестве системы уравнений, описывающих исследуемый процесс, были приняты следующие (каждый выход объекта рассчитывался независимо от других выходов): 1,...,10, действительные входы, dt,і = 1,...,5 -дискретные входы, d,,і = 6,...,10 - булевы,входы, у - некоторая добавка, распределенная по равномерному закону в интервале от -0.5 до 0.5. Управляемые входы: щ, щ, щ, ы10. При получении обучающей выборки часть входов задавалась, как функция времени: -3t2 u8(t) = - +3 + /, , ч St „ u4(t) = — + 3 + y, N u9(t) = 0.2sin 15Л yN; , Ч 3t и7(0 = - т+7 3t , + —+1+Y, N (3.1.5) N - общее количество элементов в выборке. Другая часть входов задавалась как функция ранее определенных входов: щ=и3+у. и2 = иг+и4, Us=Ug-U4, (3.1.6) щ=щ-щ, и10 — щ и6. Дискретные входы задавались следующим образом: 4(0 = 3/_ N d2(t) = 3sin 1.5JV d3(t) = 3sin N. (3.1.7) 3t , ,. -1.5г1 „ d5(t) = —r + 3. d4(t) = —- + 3, N JW N при этом производилось округление до целого значения. Булевы входы задавались следующим образом: 2Л 2Л ViVy d6(t) = cos d9(t) -sin ViVy dn (f) = sin o c?10 (/) = sin VJVy i8(?) = cos L5 viVy (3.1.8) при этом также производилось округление до целого значения (0 или 1). 54 Для получения значений управляющих переменных использовалась непараметрическая оценка обратной регрессии: rj(X) = /=1 т \ с5 ) п к у Чу (3.1.9) J=l m у Cs J І v cs J где 1 - номер управляющего входа, m - номер выхода, п — номер дискретного (либо булевого) входа, к - номер действительного входа. Ф - КОЛОКО-лообразная функция: ЖІ-22) если Ы 1 Ф(г) = К . . - для действительных входов и выходов, I 0 если р 1 , ч ГО если z = l _. ,_ . „ ч Ф(г) = - для булевых, (3.1.10 У 1 если 2 = 0 Ф(г) = 1 ec/zw 2 = 0 0 если 2 2 — для дискретных. 0.5 еслм 2 2,2 0 Параметр размытости cs для каждого типа переменных подбирался с шагом 0.5. Приведенные выше системы уравнений соответствуют «трубчатой структуре» описания процесса. Это достигается наличием стохастической связи между входными переменными. На значение выходных переменных накладывается аддитивная помеха. Содержание задачи статистического исследования алгоритмов принятия решений состоит в том, чтобы при известных значениях входных неуправляемых переменных найти управляющее воздействие, позволяющее достичь значения выходной переменной, равного x(t)=x (t), где x (t) - заданное значение выходной переменной. В ходе экспериментов получены следующие результаты.
Системный подход к моделированию систем управления сложными взаимосвязанными процессами
Построение моделей сложных взаимосвязанных, процессов подразделяется на» четыре основных этапа: Первый этап - спецификация», когда производится формализация основных переменных исследуемого объекта, а на основе допущений и гипотез отыскиваются математические уравнения. Второй этап - идентификация, заключающаяся в нахождении значений параметров уравнений, полученных Hat первом этапе вфезультате спецификации. Третий этап - верификация, состоящая в определении и выборе критериев.для оценки качества результатов спецификации и идентификации, т.е. того насколько они являются адекватными моделями реальных процессов. Бели модели, полученные путем спецификации и идентификации, не являются адекватными, то исследуются обоснованность исходных посылок, выбор и формализация соответствующих переменных. Четвертый этап - предсказание, представляющее процедуру определения будущих значений выходных переменных, входящих в экономическую модель. Сущность системного подхода к моделированию и управлению сложными производственными комплексами сводится к следующему: 1) формулирование целей и выяснение их иерархии до начала какой-либо деятельности, связанной с управлением и, в частности, с принятием решений; 2) получение максимального эффекта в смысле достижения поставленных целей при минимальных затратах путем сравнительного анализа альтернативных путей и методов достижения целей и осуществления соответствующего выбора; 3) количественная оценка (квантификация) целей, методов и средств их достижения, основанная не на частичных критериях, а на всесторонней оценке всех возможных и планируемых результатов деятельности. С этой точки зрения каждый план должен включать в себя следующие элементы: 1) цели, которые необходимо достичь; 2) осуществимость; 3) данные ситуации; 4) выделяемые средства; 5) позитивные мероприятия на случай непредвиденных обстоятельств и 6) ответственность за действия. Далее проводится анализ основного производства ТЭС как объекта управления. На рис. 4.1.1 представлена общая технологическая схема основного производства Красноярской ГРЭС-2. I, II, III - Сетевая вода к потребителю от I, II, III очередей теплосети; IV - отопление ЗИВ; V - технология ЗИВ; VI - выдача электроэнергии от энергоблоков №№ 1-гЮ; VII - паропреобразовательные установки энергоблоков №№ 1-г4; 6-г8; 1-12 - сетевые подогреватели энергоблоков №№ 1-гЮ; VIII - энергоблоки №№ 1-5-10; IX - выдача сетевой воды от бойлерных установок энергоблоков 2-г4; X - пар на ЗИВ; XI -подпиточная вода из цеха водоподготовки. АСУ тепловыми электростанциями (ТЭС) предназначены для эффективного выполнения целей, которые ставятся перед ТЭС. На высшем уровне иерархии формулируются такие цели, как выполнение диспетчерского графика и его оперативная корректировка, выполнение плана выработки электроэнергии при максимальной экономичности, обеспечение надежности и живучести энергосистемы в той части, которая зависит от данной электростанции, воздействие на окружающую природу в пределах допустимых границ, надлежащее участие в решении демографических, экономических проблем развития данного региона, особенно в тех случаях, когда ТЭС является градообразующим объектом. На более низком иерархическом уровне находятся цели, которые предъявляются электростанции с позиций ее внутренней структуры и функций: достижение надежности, экономичности- и согласованности взаимодействия отдельных составных чаете»электростанции!— основного и вспомогательного оборудования, надлежащее согласованное функционирование всех внутренних организационно-административных подсистем и т.д. Наличие множества целей и соответствующих критериев их выполнения, в ряде случаев противоречивых, приводят к необходимости решения задач многоцелевой (многокритериальной) оптимизации. На современном уровне научного понимания этой проблемы такого рода задачи чаще всего решаются путем выбора основной цели и соответствующего ей критерия оптимальности при замене других целей в виде некоторой системы ограничений. Для электростанции такой ведущей целью является максимальная экономичность при безусловном выполнении плана производства электроэнергии и обеспечении надежности работы ТЭС, включая экологические требования.
