Содержание к диссертации
Введение
1 Анализ существующих способов, моделей и программных средств для управления сложными техническими системами 15
1.1 Способы управления сложными техническими системами 16
1.2 Моделирование сложных технических систем 17
1.3 Существующие программные средства для моделирования сложных технических систем и управления ими 35
1.4 Постановка задачи исследования 40
1.5 Выводы по главе 42
2 Разработка комбинированного нейросетевого способа и моделей для оперативного управления сложными техническими системами 43
2.1 Комбинированный нейросетевой способ моделирования сложных технических систем 43
2.1.1 Сбор информации о системе 46
2.1.2 Проверка системы на применимость способа моделирования 47
2.1.3 Выделение элементов сложной системы 48
2.1.4 Формирование логической модели системы 51
2.1.5 Построение матрицы инциденций для системы 53
2.1.6 Построение системы уравнений на основе матрицы инциденций 54
2.1.7 Получение решений системы уравнений для различных начальных условий 57
2.1.8 Проверка системы на наличие параметрических ошибок 57
2.1.9 Построение композиционной нейросетевой модели сложной технической системы 58
2.1.10 Обучение нейросетевых моделей элементов системы на основе решений системы уравнений и начальных условий 59
2.1.11 Композиция нейросетевых моделей элементов в единую модель системы 60
2.1.12 Дообучение нейросетевых моделей на основе данных о функционирующей системе 60
2.1.13 Проверка обученных нейросетевых моделей элементов системы на наличие параметрических ошибок и ошибок обучения 61
2.1.14 Формирование нейросетевого супервизора
2.1.15 Обучение нейросетевого супервизора 62
2.1.16 Проверка модели на наличие структурных ошибок 62
2.2 Модельное обеспечение способа моделирования сложных систем 63
2.2.1 Логическая модель системы 63
2.2.2 Параметрическая модель системы 65
2.2.3 Нейросетевая модель системы в виде композиции нейросетевых моделей элементов системы 66
2.2.4 Нейросетевая модель системы, супервизор 67
2.2.5 Оперативное изменение структуры и топологии модели системы 67
2.3 Способ поддержки принятия решений при оперативном управлении сложными техническими системами 68
2.3.1 Определение управляемых параметров для системы 68
2.3.2 Определение диапазонов изменения управляемых параметров 70
2.3.3 Определение шага изменения управляемых параметров 70
2.3.4 Определение целевых параметров системы 70
2.3.5 Определение диапазонов величин целевых параметров системы, при которых функционирование системы считается успешным 71
2.3.6 Определение параметров эффективности работы системы 71
2.3.7 Проверка комбинаций управляемых параметров 71
2.4 Принятие решений на основании результатов работы модели 72
2.5 Выводы по главе 72
3 Разработка программмных средств для оперативного управления сложными техническими системами 74
3.1 Разработка программных средств для моделирования сложных технических систем 74
3.1.1 Разработка модуля анализа элементов системы 77
3.1.2 Разработка модуля визуального редактора 81
3.1.3 Разработка модуля параметрического моделирования 83
3.1.4 Разработка модулей нейросетевого моделирования 87
3.2 Разработка программных средств для поддержки принятия решений при управлении сложными техническими системами 93
3.3 Выводы по главе 94
4 Оценка эффективности использования разработанных программных средств для оперативного управления сложными системами 96
4.1 Общие сведения о системах теплоснабжения
4.2 Структура централизованных тепловых сетей 97
4.3 Особенности функционирования тепловых сетей 98
4.4 Тепловые сети как объект управления 98
4.5 Специфика тепловых сетей г. Могилёва 101
4.6 Объект управления 102
4.7 Выделение элементов системы 104
4.8 Построение логической модели системы 106
4.9 Построение параметрической модели системы 108
4.10 Построение иерархической композиционной нейросетевой модели системы 110
4.11 Выбор временного промежутка для оценки эффективности использования разработанных программных средств 113
4.12 Оценка эффективности использования разработанных программных средств для упрощённой схемы с одним потребителем 115
4.13 Оценка эффективности разработанных программных средств для упрощённой схемы с двумя потребителями 120
4.14 Оценка эффективности использования разработанных программных средств для схемы с девятнадцатью потребителями 124
4.15 Выводы по главе 125
Заключение 126
Список литературы
- Существующие программные средства для моделирования сложных технических систем и управления ими
- Проверка системы на применимость способа моделирования
- Способ поддержки принятия решений при оперативном управлении сложными техническими системами
- Разработка программных средств для поддержки принятия решений при управлении сложными техническими системами
Введение к работе
Оперативное управление сложными техническими системами - это деятельность, заключающаяся в выработке управляющих воздействий и их осуществлении и направленная на эффективное достижение цели деятельности системы в реальном или псевдореальном масштабе времени. Необходимость моделирования при оперативном управлении сложными техническими системами обусловлена сложностью объекта управления, большими финансовыми и временными затратами, а порой и невозможностью его непосредственного изучения.
Исследования данной области основываются на работах отечественных ученых В.П. Тарасика, А.И. Галушкина, А.А. Вавилова, Н.П. Бусленко, В.В. Калашникова, Ю.Г. Карпова, В.Н. Волковой, А.Н. Васильева, Д.А. Тархова, СВ. Емельянова, А.И. Орлова, В.Г. Лисиенко, В.И. Капалина, Н.В. Замятина, Д.А Мокогона, А.А. Самарского, В.В. Окольнишникова, А.И. Микова, Б.В. Палюха, Ю.И. Рыжи-кова, А.Г. Ивахненко, Е.В Бодянского., Е.И. Кучеренко, А.И. Михалева, А.А. Воронова, Б.Я. Советова, С.А. Яковлева, Ю.И. Бродского, Е.Э. Ширковой и др.; зарубежных ученых S. Haykin, R. Fujimoto, A. Law, R. Sargent, S. Ferenci, K. Perumalla, B. Perakath, M. McComas, J. Carson, С Pegden, R.Bagrodia, R.Meyer, B. Zeigler, W. Kelton, J. Banks.
Особенностями сложных технических систем являются:
сложность структуры, многокомпонентность, большое число параметров;
динамичное изменение структуры;
неполнота исходной информации;
разнообразие воздействий на систему, их вероятностный и нестохастической характер;
наличие сложных нелинейных зависимостей между параметрами;
необходимость оперативного принятия управленческих решений;
ограниченные возможности экспериментальных исследований;
невозможность создания и использования общих аналитических моделей системы и процессов её функционирования;
необходимость использования различных подходов к моделированию системы и использование результатов моделирования для оперативного управления системой;
оперативное управление возможно в псевдореальном масштабе времени, обусловленном инерционностью системы.
Ограниченность возможностей экспериментального исследования сложных систем делает актуальной разработку способов их моделирования. Зачастую специалисты не в состоянии охватить все события и явления, а также всевозможные их комбинации в процессе функционирования таких систем. И создание общей модели практически невозможно.
Одним из способов преодоления барьера сложности является декомпозиция такой системы на сравнительно менее сложные компоненты и исследование этих компонентов с учётом их взаимодействия.
Такие подсистемы можно описать с помощью систем уравнений, решение которых затратно по времени, а результаты, в силу неполноты исходной информации, могут быть только приближены к происходящим в подсистемах процессам.
Тем не менее, результаты решения систем уравнений могут быть использованы для первоначального обучения набора нейросетевых моделей подсистем, обладающих возможностями точной настройки на особенности этих подсистем.
Данный подход позволяет сформировать библиотеку предварительно обученных, типизированных нейросетевых моделей подсистем сложной технической системы.
Так как результаты решения системы уравнений для разных исходных данных не могут позволить обучить нейросетевые модели до состояния, когда они смогут адекватно и достоверно моделировать соответствующие подсистемы в различных режимах, то дополнительное обучение нейросетевых моделей должно проводиться с использованием реальных данных о функционировании технической системы.
Причём входные и выходные параметры нейросетевых моделей могут представлять собой как статические, так и динамические характеристики подсистем. Последовательно соединяя нейросетевые модели, можно сформировать композиционную нейросетевую модель сложной технической системы. Как правило, соединений между моделями очень много, и оценить корректность этих соединений достаточно сложно без специального инструментария, к которому можно отнести нейронную сеть-супервизор, входами которой являются входные параметры всех подсистем, а выходами - выходные параметры системы.
Такая иерархическая нейросетевая модель, существенно повышающая гибкость оперативного управления, способна стать основой системы поддержки принятия решений, которая позволит принимать решения по управлению процессами в сложных технических системах в реальном масштабе времени, а также обладает возможностями по дополнительной тонкой настройке в процессе функционирования системы.
Таким образом, задача исследования и разработки комбинированного ней-росетевого способа, моделей и средствдля управления сложными техническими системами является актуальной и практически значимой.
Объектом исследования являются процессы оперативного управления сложными техническими системами.
Предметом исследования являются методы, модели и средства оперативного управления сложными техническими системами.
Целью исследования является разработка комбинированного нейросетево-го способа, моделей и средств для оперативного управления сложными техническими системами и повышения эффективности оперативного управления сложными техническими системами.
Реализация поставленной цели требует решения следующих задач:
анализ методов, моделей и средств оперативного управления сложными техническими системами;
анализ подходов к моделированию для оперативного управления сложными системами;
анализ средств моделирования для оперативного управления сложными техническими системами;
разработка комбинированного нейросетевого способа и моделей для оперативного управления сложными техническими системами;
разработка способа поддержки принятия решений для управления сложными техническими системами на основе иерархической нейросетевой модели;
разработка программных средств комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами;
оценка эффективности использования разработанных методов, моделей и средств при оперативном управлении сложными техническими системами.
Методы исследования. Проведенные теоретические и прикладные исследования базируются на методах системного анализа и оперативного управления сложными техническими системами, математической статистики, нейросетевого моделирования, проектирования информационно-аналитических систем. При разработке программных средств использовалось объектно-ориентированное проектирование и программирование, унифицированный язык моделирования UML.
Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, результатами вычислительных экспериментов в технической системе централизованного теплоснабжения, а также результатами практического применения разработанных способов моделирования и оперативного управления сложными техническими системами, подтвержденными экспертной оценкой специалистов и согласующимися с опубликованными результатами исследований, полученными другими способами.
Научная новизна работы заключается в следующем.
-
Предложен комбинированный способ моделирования сложных технических систем, отличающийся сочетанием возможностей аналитического и нейросетевого подходов к построению совокупности логических, параметрических и композиционных нейросетевых моделей системы, что позволяет повысить точность моделирования процессов и вырабатывать управляющие воздействия в соответствии с выбранным целевым критерием оперативного управления системой при наличии ограничений.
-
Разработана иерархическая композиционная нейросетевая модель для оперативного управления сложными техническими системами, основанная на принципе двухуровневого построения с использованием супервизора на верхнем уровне для контроля структурных ошибок модели и параметрической подстройки нейросетевых моделей элементов системы при изменении режимов её работы на нижнем уровне.
Практическую значимость работы составляют следующие результаты.
-
Предложен способ поддержки принятия управляющих решений при оперативном управлении сложными техническими системами, основанный на использовании результатов комбинированного нейросетевого моделирования и позволяющий осуществить выбор управляющих воздействий в режиме реального или псевдореального времени как при структурных, так и при параметрических изменениях в системе за счёт внесения изменений в логическую и параметрическую модели системы, а также отображения этих изменений на композиционной нейросетевой модели системы.
-
Разработаны программные средства комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами, включающие в себя модули: анализа элементов
сложной технической системы, логического моделирования, параметрического моделирования, построения, обучения и использования композиционной нейросе-тевой модели, построения, обучения и использования нейронной сети - супервизора, поддержки принятия решений.
3. Внедрение разработанных программных средств в РУП Электроэнергетики «Могилёвэнерго», филиал «Могилёвские тепловые сети», позволяет повысить эффективность оперативного управления системой централизованного теплоснабжения г. Могилёв (Республика Беларусь) - снизить затраты на величину до 6,7%.
Особенностями разработанных программных средств являются: визуальное моделирование технической системы; использование нейросетевых моделей; «грубая» настройка базовых нейросетевых моделей в процессе создания общей модели; «тонкая» параметрическая настройка нейросетевых моделей в процессе оперативного управления; использование результатов аналитического моделирования с помощью систем уравнений, не позволяющих модели системы выходить за границы допустимых технологических параметров; использование нейро-сетевого супервизора для структурной идентификации возможных ошибок в процессе оперативного управления.
Реализация результатов работы.
Разработанные программные средства используются в РУП Электроэнергетики «Могилёвэнерго», филиал «Могилёвские тепловые сети», для оперативного управления системой централизованного теплоснабжения, г. Могилёв (Республика Беларусь), а также внедрены в учебный процесс ГУ ВПО «Белорусско-Российский университет» и филиала ФГБОУ ВПО «Национальный исследовательский университет «МЭИ» в г. Смоленске, что подтверждается соответствующими актами о внедрении.
Теоретические и практические результаты работы использованы при разработке нейронных и нейро-нечётких моделей формирования и обработки знаний в интеллектуальных системах поддержки принятия решений, а также при создании научно-методического и программного обеспечения в рамках НИР:
«Исследование и разработка нечётких моделей и методов формирования и обработки знаний в интеллектуальных системах поддержки принятия решений», НИР, Федеральное агентство по образованию РФ, Аналитическая ведомственная целевая программа «Развитие научного потенциала высшей школы (2009-2010 годы)», Per. № проекта в программе 1.41.09, № гос. per. 01200950521, 2009-2010 г.г.
«Исследование и разработка методов и моделей интеллектуального управления рисками в сложных организационно-технических системах», НИР, Минобр-науки России, договор № 1043110, № гос. per. 01201067780, 2011-2013 г.г.
«Исследование и разработка методов, моделей и технологий интеллектуального анализа данных и поддержки принятия решений в топливно-энергетическом комплексе», НИР в рамках базовой части Госзадания Минобрнауки России № 2014/123 на выполнение государственных работ в сфере научной деятельности по проекту № 2493, договор № 1013140, № гос. per. 01201458416, 2014-2016 г.г.
Апробация работы. Основные результаты работы докладывались и обсуждались на следующих конференциях: Международные научно-технические конференции «Материалы, оборудование и ресурсосберегающие технологии» (Республика Беларусь, Могилёв, 2010, 2011, 2013); I и III Международные научно-
технические конференции «Энергетика, Информатика, Инновации» (Смоленск, 2011, 2013); Международная научная конференция «Информационные технологии и системы - 2011» (ИТС-2011) (Республика Беларусь, Минск, 2011); XIII Международная научная конференция «Системы компьютерной математики и их приложения» (Смоленск, 2012); X и XII Всероссийские научные конференции «Нейрокомпьютеры и их применение» (Москва, 2012, 2014); XX военно-научная конференция «Проблемы теории и практики развития войск ПВО СВ в современных условиях» (Смоленск, 2012); X Международная научно-техническая конференция «Информационные технологии, Энергетика и Экономика - 2013» (Смоленск, 2013).
Публикации. По результатам диссертационной работы опубликовано 14 работ, в том числе 3 статьи в изданиях из перечня ВАК. Результаты диссертации также отражены в 2 отчётах о НИР.
Структура и объём работы. Диссертация состоит из введения, четырёх глав, заключения, списка литературы, включающего 118 наименований. Диссертация содержит 151 страницу машинописного текста, 44 рисунка, 14 таблиц, 3 приложения.
Существующие программные средства для моделирования сложных технических систем и управления ими
Можно выделить следующие основные подходы к управлению сложными техническими системами: управление на основе экспертных оценок, управление с использованием модели системы, комбинация этих подходов.
Сущность метода экспертных оценок заключается в проведении экспертами интуитивно-логического анализа проблемы с количественной оценкой суждений и формальной обработкой результатов. Получаемое в результате обработки обобщённое мнение экспертов принимается как решение проблемы. Комплексное использование интуиции (неосознанного мышления), логического мышления и количественных оценок с их формальной обработкой позволяет получить эффективное решение проблемы [48]. При этом эксперты формируют объекты (альтернативные ситуации, цели, решения и т.п.) и проводят измерение их характеристик (вероятности совершения событий, коэффициенты значимости целей, предпочтения решений и т.п.).
Формирование объектов осуществляется экспертами на основе логического мышления и интуиции. При этом большую роль играют знания и опыт эксперта. Измерение характеристик объектов требует от экспертов знания теории измерений.
Характерными особенностями метода экспертных оценок как научного инструмента решения сложных неформализуемых проблем являются, во-первых, научно обоснованная организация проведения всех этапов экспертизы, обеспечивающая наибольшую эффективность работы на каждом из этапов, и, во-вторых, применение количественных методов как при организации экспертизы, так и при оценке суждений экспертов и формальной групповой обработке результатов [66]. Управление на основе экспертных оценок по определению – как оно изначально задумано – должно осуществляться непосредственно на самом объекте и, таким образом, в реальном масштабе времени. Это значит, что такое управление, во-первых, нарушает режим нормальной эксплуатации объекта (необратимость возможных негативных последствий управления), а во-вторых, как реализуемое в реальном масштабе времени, является чрезвычайно медленным в осуществлении и, таким образом, непригодным не только для многократного варьирования параметров, но и вообще для их варьирования. Результатом является использование в контуре параметрического управления вместо самого объекта его модели [63].
При управлении на основе модели, полученной заранее и верифицированной по результатам нормальной эксплуатации объекта управления (из соображений максимальной близости к объекту) в ускоренном, машинном, масштабе времени осуществляется многократное изменение параметров модели [77]. Цель – определение таких значений входных параметров, которые обеспечивали бы требуемое состояние выходных параметров объекта управления.
Сложные системы, как правило, подразумевают большую ответственность за принимаемые в их контуре управления решения. Для повышения надёжности принимаемого решения по управлению такой системой возможно применение комбинации управления по модели и управления на основе экспертных оценок. В таком случае с помощью машинного эксперимента на модели осуществляется многократное варьирование управляемых параметров модели, а затем эксперт принимает решение о выборе окончательного управляющего воздействия [63].
Моделирование сложных технических систем Выделим среди подходов к моделированию сложных технических систем два класса: традиционные методы моделирования и нейросетевые методы моделирования систем. К традиционным методам моделирования систем отнесём: имитационное моделирование, корреляционный анализ и регрессионный анализ [38, 73].
Среди нейросетевых архитектур для моделирования систем рассмотрим следующие: многослойный персептрон, обобщённые сети прямого распространения, сети Жордана и Элмана, рекуррентные сети с временной задержкой, ассоциативная память Хопфилда, самоорганизующиеся карты признаков, радиальные базисные функции, анализ главных компонент, сети адаптивного резонанса [78].
Традиционные методы моделирования сложных технических систем Традиционные модели систем характеризуются построением чёткой и прозрачной взаимосвязи между входными (управляемыми) параметрами и выходными параметрами моделируемой системы. Имитационное моделирование
При имитационном моделировании реализующий модель алгоритм воспроизводит процесс функционирования системы во времени, причем имитируются элементарные явления, составляющие процесс, с сохранением их логической структуры и последовательности протекания во времени, что позволяет по исходным данным получить сведения о состояниях процесса в определенные моменты времени, дающие возможность оценить характеристики системы [51, 70].
Имитационные модели позволяют достаточно просто учитывать такие факторы, как наличие дискретных и непрерывных элементов, нелинейные характеристики элементов системы, многочисленные случайные воздействия. В настоящее время имитационное моделирование – один из наиболее эффективных методов исследования больших систем [28, 88].
Метод имитационного моделирования позволяет решать задачи анализа больших систем, включая задачи оценки вариантов структуры системы, эффективности различных алгоритмов управления системой, влияния изменения различных параметров системы [68, 109]. Имитационное моделирование может быть положено также в основу структурного, алгоритмического и параметриче 19 ского синтеза больших систем, когда требуется создать систему с заданными характеристиками при определённых ограничениях, которая является оптимальной по некоторым критериям оценки эффективности [34, 74].
Однако имитационное моделирование эффективно только в ситуации, когда структура модели и все её параметры являются известными, что невозможно в сложных технических системах.
Проверка системы на применимость способа моделирования
Рекуррентные сети с временной задержкой Рекуррентные сети с временной задержкой (Time-Lag recurrent networks – TLRNs) являются обобщением многослойного персептрона за счёт введения в него структур с кратковременной памятью, имеющих локальные рекуррентные связи.
Наиболее подходящими областями применения таких сетей являются задачи, параметры которых изменяются во времени, например, прогнозирование временных рядов, идентификация систем, распознавание временных образов.
Для обучения таких сетей используется алгоритм обучения с обратным распространением ошибок во времени, являющийся развитием алгоритма обычного обратного распространения ошибки.
Главным преимуществом рекуррентных сетей с временной задержкой является меньший размер сети, необходимой для обучения процессам, изменяющимся во времени, по сравнению с обычным многослойным персептроном, который использует дополнительные входные нейроны для представления прошлых состояний. Помимо этого, такие сети обладают меньшей чувствительностью к шуму. Использование рекуррентных связей позволяет обеспечить адаптивность длительности запоминания прошлых состояний (то есть, находится наилучший вариант представления прошлых входных событий во времени). Использование рекуррентных сетей с временной задержкой описано в работах [20, 59].
Ассоциативная память Хопфилда
Ассоциативная память Хопфилда (Hopfield) реализует полносвязную нейронную сеть, в которой каждый нейрон связан со всеми остальными. Процесс обучения проходит без учителя на основе принципов правила Хэбба. Нелинейное преобразование межнейронных связей в виде жесткого ограничителя препятствует неограниченному росту весов. Ассоциативность памяти заключается в способности воспроизводить запомненные образы при предъявлении частей запомненных образов. При этом обеспечивается воспроизведение даже при искажении предъявляемого образа по сравнению с запомненным.
Помимо ассоциативного воспроизведения запомненных образов, сети Хопфилда используются для решения большого числа сложных оптимизацион 31 ных задач, решение которых стандартными методами исключительно трудоёмко. При этом функционирование сети осуществляется в соответствии с заданной целевой функцией, подлежащей оптимизации, а достижение оптимального состояния определяется сходимостью энергетической функции сети. Использование ассоциативной памяти Хопфилда описано в работах [71, 90].
Самоорганизующиеся карты признаков
Самоорганизующиеся карты признаков (Self-organizing feature maps – SOFM) преобразуют пространство входных признаков произвольной размерности в одно- или двухмерную карту признаков в соответствии с топологическими (сохраняющими характер соседства, то есть соседние точки остаются соседними и после преобразования) ограничениями. Карты признаков рассчитываются с использованием метода Кохонена (обучения без учителя). Выходные значения карты признаков могут быть использованы в качестве входа для обучаемых с учителем классификационных нейронных сетей, таких как многослойный персептрон.
Ключевым преимуществом таких сетей является составление карты признаков, которая позволяет снизить размерность пространства до наиболее значимых признаков, получаемых путём самоорганизации. Организация одномерного или двухмерного представления признаков позволяет добиться топологического сходства исходного множества признаков с получаемым при обучении. Близкие по значимости признаки в обучающих примерах отображаются в соседние области формируемой карты. При этом структура параметрического пространства входных значений сохраняется, а его размерность снижается. Использование самоорганизующихся карт признаков описано в работах [65, 101].
Радиальные базисные функции Нейронные сети с радиальными базисными функциями в качестве нелинейного преобразования для своих элементов используют гауссовы функции, которые дают значимый отклик лишь в небольшой окрестности центрального пика в пространстве входных параметров. Преимуществом нейросети с радиальными базисными функциями является то, что она позволяет находить соответствия между входными и выходными векторами, используя локальные аппроксимации. Процесс обучения таких сетей проходит исключительно быстро и требует лишь небольшого числа обучающих примеров. Использование нейронных сетей с радиальными базисными функциями описано в работах [26, 117].
Анализ главных компонент Сети с анализом главных компонент (Principal Component Analysis – PCA) представляют собой объединение сетей, обучаемых с учителем и без учителя. Анализ главных компонент реализует выделение признаков. Проекции компонент соответствуют собственным значениям ковариационной матрицы входного вектора. Самообучающаяся часть нейронной сети выполняет выделение признаков, а обучаемая с учителем часть сети проводит классификацию по этим признакам (линейную или нелинейную) с помощью многослойного пер-септрона. Использование сетей с анализом главных компонент описано в работах [93, 116].
Сети адаптивного резонанса
Сети адаптивного резонанса (Adaptive Resonance Theory – ART) предназначены для преодоления существенного недостатка традиционных нейронных сетей, обучаемых с учителем, заключающегося в том, что запоминание новых входных сигналов приводит к перенастройке всей сети в целом, в результате чего качество их работы по ранее запомненным классам образов в общем случае ухудшается. Кроме того, традиционные сети не способны самостоятельно определить появление нового класса входных сигналов. Им для принятия решения о новом классе всегда нужна достоверная информация от идеального учителя об отнесении распознаваемого входного вектора.
Сети адаптивного резонанса реализуют столь привлекательное для реальных приложений свойство пластичности. Для каждого нового входного вектора первоначально предпринимается попытка отнести его к одному из имеющихся классов. В случае его достаточной близости к одному из классов в параметри 33 ческом пространстве в заданной метрике целевой функции веса, соотнесенные с выбранным классом, модифицируются. В противном случае, если новый вектор значительно отличается от всех ранее запомненных, принимается решение о формировании нового класса, основные параметры которого задаются новым предъявленным образом. Использование адаптивного резонанса описано в работах [39, 91].
Кроме перечисленных, в задачах моделирования систем используется ряд других архитектур, их объединений и сочетаний с другими способами моделирования [1, 11, 12, 35, 98, 104, 118].
Для решения задачи нейросетевого моделирования сложных технических систем удобно использовать архитектуру многослойного персептрона. Многослойные персептроны успешно применяются для решения разнообразных сложных задач и имеют нижеописанные отличительные свойства [90].
Во-первых, каждый нейрон сети имеет нелинейную функцию активации. Важно подчеркнуть, что такая нелинейная функция должна быть гладкой (т.е. всюду дифференцируемой), в отличие от жёсткой пороговой функции, используемой в персептроне Розенблатта. Самой популярной формой функции, удовлетворяющей этому требованию, является сигмоидальная. Наличие нелинейности играет очень важную роль, так как в противном случае отображение «вход-выход» сети можно свести к обычному однослойному персептрону [59].
Во-вторых, многослойный персептрон содержит один или несколько сло-ёв скрытых нейронов, не являющихся частью входа или выхода сети. Эти нейроны позволяют сети обучаться решению сложных задач, последовательно извлекая наиболее важные признаки из входного образа.
В-третьих, многослойный персептрон обладает высокой степенью связности, реализуемой посредством синаптических соединений. Изменение уровня связности сети требует изменения множества синаптических соединений или их весовых коэффициентов.
Способ поддержки принятия решений при оперативном управлении сложными техническими системами
После сбора исходных данных о моделируемой системе необходимо определить, соответствует ли она критериям сложной технической системы и применим ли к ней предложенный способ моделирования.
Из характеристик сложной технической системы вытекают следующие признаки, по которым можно определить применимость способа моделирования.
Во-первых, рассматриваемая система может быть декомпозирована на конечное число частей - подсистем. Верхние подсистемы могут рассматриваться как системы для подсистем более низкого уровня. Такое иерархическое представление на самом низком уровне приводит к элементам системы, которые в условиях задачи не подлежат дальнейшей декомпозиции.
Во-вторых, система представляет собой целостный комплекс взаимосвязанных и взаимодействующих компонентов. В этом случае рассмотренные ранее подсистемы переходят как бы в разряд внешней среды, то есть для рассматриваемой подсистемы имеем входные сигналы, определяемые рассмотренной ранее подсистемой.
В-третьих, система образует единство со средой функционирования, то есть она подвержена воздействиям со стороны среды и сама оказывает на неё влияние [89]. В-четвёртых, декомпозиция системы на компоненты позволяет создать более простые взаимодействующие модели подсистем и элементов.
Кроме перечисленного, предложенный способ моделирования накладывает следующие ограничения: - должна существовать возможность описания подсистемы самого низкого уровня с помощью системы уравнений [6]; - в случае, когда очевидно, что имитационная модель способна выдавать результаты моделирования системы в реальном масштабе времени, применение способа нецелесообразно; - инерционность системы должна позволять моделировать динамические процессы как последовательность состояний системы; - должны существовать инструментальные средства для сбора и хранения информации о функционировании системы и её компонентов.
Если любой из перечисленных признаков сложной технической системы отсутствует либо не выполняются указанные ограничения, то предложенный способ не применим для моделирования этой системы.
Процедура выделения элементов сложной технической системы в рамках предложенного способа моделирования представлена на рисунке 2.3.
Используя собранные данные, сложную техническую систему можно декомпозировать (не обязательно единственным образом) на конечное число подсистем; каждую такую подсистему (высшего уровня) можно, в свою очередь, декомпозировать на конечное число более простых подсистем и т.д., вплоть до получения подсистем нижнего уровня - элементов сложной системы, которые либо объективно не подлежат декомпозиции, либо могут быть описаны системой уравнений с достаточной точностью [77]. Алгоритм
При декомпозиции системы можно рассматривать каждую из подсистем как обособленную простую техническую систему, а объединяя модели простых систем, можно получить модель всей сложной технической системы [33].
Выделенные элементы системы заносятся в базу данных через модуль обработки информации об элементах системы. Следующим этапом является сбор данных о параметрах элементов системы. Параметры элементов могут быть следующих типов: - параметры, характеризующие структуру и свойства элемента; - параметры внешней среды, в которой находится элемент; - технологические параметры, описывающие процессы, происходящие в элементах, значения которых передаются от предыдущего элемента системы следующему [14].
Часть параметров, бесспорно, имеет отношение к функционированию системы. В первую очередь, это параметры, которые будут впоследствии включены в параметрическую модель системы при имитационном моделировании.
Проверять, являются ли параметры, в отношении которых у эксперта есть сомнения, значимыми при моделировании элемента, нужно следующим образом: - во-первых, провести регрессионный анализ для всех отобранных параметров; - во-вторых, по одному исключать параметры и заново проводить регрессионный анализ. - в-третьих, в случае если параметр не влияет на функционирование элемента (текущий результат регрессионного анализа совпал с предыдущим), его необходимо исключить из рассмотрения [107].
Далее выделенные элементы системы должны быть обобщены до классов, характеризующихся единым набором характеристик и схожим либо общим типом функционирования [61].
Данная классификация необходима как для визуального моделирования, так и для формирования нейросетевых моделей элементов сложной технической системы.
Использование дискретных элементов при моделировании системы возможно путём приведения их к виду непрерывных элементов с добавлением условий, при которых значения выходных параметров дискретных элементов будут равны нулю [15, 119].
Исходя из режима функционирования сложной системы и режима функционирования классов её элементов, определяются размеры выборки данных для каждого параметра элемента и частота этой выборки [29]. Размеры выборки должны позволять проводить регрессионный анализ и обучение нейросетевых моделей.
«Частота» выборки должна зависеть от инерционности изменения состояния системы. То есть при определении частоты выборки необходимо ориентироваться на минимальное время, необходимое для изменения технологических параметров системы. Формирование логической модели системы
Средства визуального моделирования позволяют вводить описание моделируемой системы в естественной для пользователя, преимущественно графической форме.
Трудоёмкость и время разработки модели для проведения экспериментов с помощью таких средств сокращаются в десятки раз по сравнению со способом, когда для каждого изменения модели необходимо вручную изменять системы уравнений, описывающие моделируемый объект или программный код [41].
Структура современных моделей часто соответствует структуре изучаемого объекта. В основе таких моделей лежит элемент со скрытой от внешнего наблюдателя внутренней структурой. Представление такого блока позволяет увидеть только специальные переменные, называемые в общем случае контактами.
Структурно сложная техническая модель состоит из множества блоков, взаимодействующих между собой через функциональные связи между видимыми извне переменными. Структура такой системы обычно является иерархической. Множество элементов системы может изменяться в процессе функционирования системы. Как правило, элементы сложной системы характеризуются различными физическими принципами действия, что не заметно в итоговой математической модели, но чрезвычайно важно на этапе её построения [77].
На нижнем уровне иерархии всем элементарным блокам соответствуют простые динамические системы. Наличие связи между контактами означает, что значения переменных, соответствующих контактам, в любой момент равны.
Контакты делятся на приёмник и источник, а также постулируется, что приёмник не может влиять на источник [8].
Источником на данном уровне иерархии может быть выход внутреннего или вход внешнего блока, а приёмником – вход внутреннего или выход внешнего блока. Любой источник может участвовать в любом числе связей, в то время как приёмник может участвовать только в одной связи.
Объединение блоков выполняется достаточно просто: локальные уравнения и формулы механически объединяются, и каждая связь заменяется дополнительной формулой " приёмник = источник ". Объединение локально корректных совокупностей уравнений и формул даёт их корректную совокупность.
Единственной дополнительной проблемой является возникновение в некоторых случаях «алгебраических циклов» в совокупности формул, порождённых связями (выражение в правой части формулы неявно зависит от переменной в левой части этой формулы). В случае обнаружения алгебраического цикла он разрывается путём замены одной из входящих в него формул на алгебраическое уравнение (начальные условия для таких уравнений автоматически согласованы). Предварительная подготовка, таким образом, сводится к «сортировке» дополнительных формул, а также выявлению и устранению алгебраических циклов [49].
Такие связи позволяют вполне адекватно описывать информационные взаимодействия между блоками в моделях технических систем.
Структурирование модели системы и идентификация её элементов позволяют формализовать процесс составления математической модели технической системы в инвариантной форме. Для этого удобно использовать графические формы моделей в виде графов и эквивалентных схем.
Разработка программных средств для поддержки принятия решений при управлении сложными техническими системами
Система централизованного теплоснабжения (СЦТ) включает в себя множество устройств, сооружений, оборудования и т.п. Их основная задача – производство, распределение, транспортировка и потребление производимой тепловой энергии.
Система централизованного теплоснабжения состоит из источника, в котором вырабатывается тепловая энергия, сетей и магистралей для её транспортировки от источника к крупным потребителям, распределительных тепловых сетей и потребляющих систем.
Источник (или источники) тепловой энергии – это ТЭЦ (или ТЭС), атомные теплоэлектроцентрали, различные котельные, когенерационные и тригенерационные установки и др. От источников к крупным потребителям (жилым массивам, заводам, крупным комплексам и т.п.) тепловая энергия транспортируется по магистральным тепловым сетям. На них расположены насосные (иногда дроссельные) и отсекающие подстанции.
Затем следует этап распределения энергии через центральные (ЦТП) и районные (РТП) тепловые пункты. От них тепловая энергия поступает к конечным потребителям – на индивидуальные тепловые пункты (ИТП) и самые разные инженерные системы внутри домов. К таковым относятся не только отопление и горячее водоснабжение, но и системы вентиляции и кондиционирования воздуха. К этому же уровню распределения относят установки распределения тепла на промышленных предприятиях [75]. 4.3 Особенности функционирования тепловых сетей
Система централизованного теплоснабжения включает в себя множество различных элементов, которые включены в сеть последовательно или параллельно. Все они имеют собственные статические и динамические характеристики. Основные элементы – это котлы, турбины и другие генерирующие установки, тепловые сети снаружи и внутри зданий, тепловые пункты и оборудование на них, отопительные приборы внутри помещений и др.
Тепловые сети относятся к водопроводным системам (как и системы водо-, газо- и теплоснабжения). Система централизованного теплоснабжения работает в соответствии с ритмами потребления тепловой энергии. На систему влияет множество факторов: график потребления горячей воды в домах, особенности работы оборудования на промышленных предприятиях, переменные потери тепла зданиями в зависимости от температуры окружающей среды и многое другое [75].
Таким образом, на работу тепловых сетей влияют два класса различных параметров: температура теплоносителя и перепад давлений. От них зависит расход воды в сети и количество передаваемой тепловой энергии.
Тепловые сети как объект управления Применяемая сейчас схема построения СЦТ не полностью соответствует требованиям, которым должны отвечать объекты автоматизированного управления. Это касается и схем построения тепловых сетей, и систем отопления конечных потребителей – от вводов до самих систем, и используемого технологического оборудования.
Так, например, абонентские установки зачастую подключаются к магистральным сетям без каких-либо промежуточных узлов управления. Это снижает гибкость системы. При такой схеме фактически необходимо ориен 99 тироваться на потребителей с самыми худшими в комплексе условиями, а значит – пропускать избыточное количество теплоносителя [83].
Исторически тепловые сети в городах делали тупиковыми, основным фактором, влияющим на проектирование, была экономия. Это привело, в частности, к отсутствию необходимых резервных связей между различными участками сетей. То есть, при выходе из строя одного участка нет возможности организовать теплоснабжение хотя бы части пострадавших потребителей другими путями. Кроме того, зачастую не предусматривается использование нескольких источников тепла в одной сети при одновременном их подключении.
На практике недостатки такой схемы распределения тепла выявляются при резких похолоданиях. Температура воды, подаваемой потребителям, после прохождения через все тепловые пункты оказывается ниже, чем это необходимо. Схема работает неэффективно [60].
Ещё одно несоответствие требованиям, предъявляемым к автоматизированным системам, – подвальные помещения домов. Как правило, именно там размещаются тепловые пункты, однако условия в подвалах практически не пригодны для монтажа и нормального функционирования систем местного автоматического регулирования.
Кроме того, наиболее часто в жилых домах встречаются вертикальные однотрубные системы отопления. Они неоптимальны для автоматического регулирования, поскольку в этом случае отопительные приборы значительно влияют друг на друга и имеют высокую остаточную теплоотдачу. А технологические схемы построения районных котельных вообще не предусматривают возможности автоматизации системы. Они изначально ориентированы на поддержание постоянного расхода воды в соответствии с заданным графиком. Для автоматизации процесса необходима возможность гибкого изменения параметров в соответствии с текущими задачами, а также возможность работы от нескольких источников тепловой энергии.
Следовательно, для того чтобы стала возможной автоматизация работы системы теплоснабжения, необходима модернизация всей системы. Все зве 100 нья имеющейся схемы проектировались без учёта требований автоматизации и зачастую просто не могут быть использованы в новых условиях. Преобразовать необходимо всю технологическую цепочку: и производство тепловой энергии, и её транспортировку, и схему распределения, и используемые при этом устройства и оборудование.
В таблице 4.1 приведены данные технологических схем управления, наиболее часто используемых в системах передачи тепловой энергии в городах. Экономически эффективно использовать такие системы нужно следующим образом: должно быть произведено нужное количества тепла (за которое готовы заплатить потребители), и это тепло должно быть доставлено потребителю с минимальными издержками [44, 56].
![Рациональное управление системой психологической помощи на основе медицинского мониторинга и организации психопрофилактического процесса [Электронный ресурс]](/i/i/4409/168295.png "Рациональное управление системой психологической помощи на основе медицинского мониторинга и организации психопрофилактического процесса [Электронный ресурс] Склярова Татьяна Петровна")
