русс | укр

Языки программирования

ПаскальСиАссемблерJavaMatlabPhpHtmlJavaScriptCSSC#DelphiТурбо Пролог

Компьютерные сетиСистемное программное обеспечениеИнформационные технологииПрограммирование

Все о программировании


Linux Unix Алгоритмические языки Аналоговые и гибридные вычислительные устройства Архитектура микроконтроллеров Введение в разработку распределенных информационных систем Введение в численные методы Дискретная математика Информационное обслуживание пользователей Информация и моделирование в управлении производством Компьютерная графика Математическое и компьютерное моделирование Моделирование Нейрокомпьютеры Проектирование программ диагностики компьютерных систем и сетей Проектирование системных программ Системы счисления Теория статистики Теория оптимизации Уроки AutoCAD 3D Уроки базы данных Access Уроки Orcad Цифровые автоматы Шпаргалки по компьютеру Шпаргалки по программированию Экспертные системы Элементы теории информации

Прогнозирования, регулирования


Дата добавления: 2013-12-23; просмотров: 1441; Нарушение авторских прав


Система освоения и исследования методов идентификации,

Особенности исследования методов и алгоритмов идентификации, прогнозирования и регулирования управляемых объектов дают основание охарактеризовать эту задачу как задачу сложную и трудно формализуемую и связывать ее решение с сочетанием методов имитационного моделирования и оптимизации, а также с инженерными приемами анализа и синтеза. Эффективность решения этой задачи во многом зависит от того, насколько точно будут отображены требуемые свойства и условия функционирования натурного объекта прогнозирования.

Натурный, модельный или натурно-модельный подходы к рассматриваемой проблематике имеют истоки в трудах, посвященных промышленному эксперименту и комбинированным исследованиям технических и организационно-технических систем. Качественные особенности названных подходов предопределены прежде всего самим отношением к воспроизведению требуемых режимов функционирования исследуемых объектов. При натурном подходе требуемые режимы реализуются преимущественно на натурных производственных объектах, при модельном подходе - на модельных средствах, а при натурно-модельном подходе – на комбинированных, натурно – модельных комплексах.

 


 


 


Натурный подход опирается на планирование, реализацию, контроль, отбор и анализ требуемых (желаемых) режимов непосредственно на натурных объектах: технологических агрегатах, комплексах, систем управления. Теоретическим основам натурного подхода в исследовательских аспектах посвящены, например, труды по планированию активного эксперимента, организации наблюдений и обработке данных нормальной эксплуатации, опытно-промышленным испытаниям [59,143¸145]. При этом предметом исследований являются обособленные технологические агрегаты, что предполагает отсутствие или специальное отключение уже действующих управляющих систем, потерю содержащейся в них информации. Зачастую эта предпосылка упускается из виду при статистической обработке данных нормальной эксплуатации промышленных объектов, охваченных прямыми и обратными управляющими связями, что приводит к сильно искаженным оценкам [63]. Такого рода факты побудили к развитию методов активной и пассивной идентификации объектов в системах управления. Натурные испытания систем управления в силу очевидных ограничений используются чаще всего только на заключительных стадиях их создания и исследования – при внедрении и опытно-промышленной эксплуатации.



При модельных исследованиях требуемые режимы функционирования системы управления воспроизводятся в контурах, содержащих модель исследуемого алгоритма управления и модель объекта управления. Обычно такие исследования проводятся с использованием или физических моделей, или имитационных математических моделей, или их комбинаций. Главный недостаток модельных исследований заключается в сложности получения адекватной модели объекта, особенно если дело касается отображения внешних возмущающих воздействий, в том числе и неконтролируемых, измерительных помех и ошибок реализации управляющих воздействий, поведения человека в системах управления.

Натурно-модельный подход в наиболее распространенном его применении связан с использованием относительно обособленных исследовательских комплексов для испытаний технических (в том числе и управляющих) систем. Для них характерно последовательное соединение натурных и модельных компонент, функционирование без непосредственного взаимодействия с производственными системами управления. Методологическая и инженерная неполнота таких вариантов натурно-модельного подхода обусловлена одноцелевой ориентацией его применения, пассивным использованием источников натурной информации, слабым согласованием возможностей и ограничений производственного и исследовательского содержания.

Качественно новые возможности натурно-модельного подхода открываются при использовании натурно-математического моделирования, теоретическое и практическое развитие которого получено в коллективных трудах работников Сибирского государственного индустриального университета. Здесь натурно-математическое моделирование трактуется и развивается как своего рода «системное единство обычных (рабочих) режимов функционирования натурных (реальных, производственных) объектов, ограниченного натурного эксперимента на них и математического моделирования пересчетного типа по отношению к вариантам внешних условий и внутренних характеристик объекта».

Многолетний опыт применения натурно-математического моделирования при создании и исследовании целого ряда АСУ и ее подсистем в металлургическом производстве подтвердил возможность его эффективного применения для полупромышленных и промышленных исследований различных вариантов новых средств, алгоритмов и систем автоматизации при их параллельном функционировании совместно с действующими производственными системами.

Все изложение выше предопределило ориентацию на методологию натурно-математического моделирования при создании исследовательских, испытательных и обучающих имитационных моделирующих комплексов.

Общее представление о структуре имитационных моделирующих комплексов на базе натурно-математического моделирования дает схема, изображенная на рис. 9.6.

 

Назначение комплекса - автоматизация исследований, связанных с построением алгоритмов управления для производственных объектов, испытаниями, наладкой и оптимизацией систем промышленной автоматизации при их разработке, внедрении и эксплуатации, включая системы технологических измерений, контроля, прогнозирования, регулирования и оптимизации технологических режимов. Наряду с этим обеспечивается обучение производственного персонала взаимодействию с аппаратными и алгоритмическими средствами автоматизированных систем.

Для воспроизведения требуемых (желаемых) режимов работы исследуемых систем, отличных от текущих производственных режимов, предусматривается возможность натурно-модельной коррекции производственных режимов посредством соответствующих тестирующих воздействий на исполнительные и измерительные блоки производственной системы, на пересчетные модели.

Автоматизированное управление исследованиями осуществляется координирующей и оптимизирующей системой, решающей следующие основные задачи:

- выбор требуемого для исследований режима и реализация его посредством натурных и модельных тестирующих воздействий;

- контроль показателей качества функционирования производственной и исследуемой системы;

- оценивание эффективности исследуемых систем сравнением их функционирования с результатами работы нормативной системы;

- выбор оптимизирующих решений и их реализация в виде тестирующих воздействий, направленных на коррекцию структуры и параметров исследуемых систем.

Исследовательский комплекс включается в состав систем автоматизации в качестве функциональной подсистемы, обеспечивая интеграцию функций производственного управления с функциями исследования, проектирования и обучения.

Укрупненная структура имитационного моделирующего комплекса применительно к задачам исследования алгоритмов и систем прогнозирования приведена на рис. 9.7. В комплексе предусматривается три основных режима моделирования, выбор которых осуществляется с пульта управления: математического моделирования; ретроспективного натурно-математического моделирования; оперативного натурно-математического моделирования.

 

Первый режим используется на начальных стадиях исследования алгоритмов прогнозирования для предварительной проверки их работоспособности, грубой настройки и ряда других задач, решение которых осуществляется с грубым приближением. В основном, он рекомендуется для исследования алгоритмов прогнозирования неуправляемых объектов. В этом режиме исследовательский комплекс выполняет следующие функции:

- имитация контролируемых и неконтролируемых внешних воздействий объекта прогнозирования, каждое из которых формируется в виде суммы двух составляющих: детерминированной и случайной функций времени;

- имитация помех измерения внешних, управляющих, выходных воздействий и состояний объекта со свойствами, близкими к свойствам натурных помех. Каждая из помеховых составляющих формируется в виде суммы случайных функций времени с заданными статистическими свойствами и нерегулярной аномальной составляющей;

- расчет выходных воздействий и состояний в соответствии с имитируемыми внешними и управляющими воздействиями.

Режим ретроспективного натурно-математического моделирования предполагает воспроизведение требуемых для исследования условий функционирования систем управления с использованием ранее зарегистрированных сигналов о входных, выходных воздействиях и состояниях натурного объекта (натурных данных), полученных как при повседневной эксплуатации промышленных систем, так и при различного рода экспериментальных исследованиях. При этом никакого вмешательства в действующие производственные системы не осуществляется. Моделирование может осуществляться в любом требуемом масштабе времени. Не исключается использование пакетной обработки данных.

Режим оперативного натурно-математического моделирования реализует требуемые для исследования алгоритмов прогнозирования условия функционирования систем управления в реальном времени параллельно с действующей системой управления и с использованием сигналов о входных, выходных воздействиях и состояниях натурного объекта без предварительной их регистрации. При этом для воссоздания требуемых условий используется как модельная коррекция натурных данных, так и натурная коррекция рабочих режимов функционирования действующей производственной системы с помощью скрытых и явных исследовательских воздействий.

В имитационном исследовательском комплексе реализованы три режима формирования данных для исследования: формирования модельных данных; формирования натурных данных; формирования натурно-модельных данных.

Реализация режима формирования модельных данных осуществляется в основном для режима математического моделирования. Для примера на рисунках 9.8 и 9.9 приведены блок схемы алгоритмов формирования модельных данных.

 

 

В случае выбора и реализации режимов ретроспективного или оперативного натурно-математического моделирования исходные данные, поступающие непосредственно из действующей системы управления, считываются из блока подготовки накопленных данных и передаются в блок предварительной обработки данных. Укрупненная структурная схема алгоритма, который реализуется в этом блоке, приведена на рис. 9.10. Алгоритмом предусматривается возможность решения двух основных задач:

 

- первичной обработки производственных данных с целью оценивания текущих значений технологических переменных, выделения информативных участков данных и пополнения базы данных;

- модельной корректировки данных на информативных участках с целью приближения их характеристик к виду, соответствующему решаемой задаче исследования.

Блок 2 оценивания текущих значений переменных реализуется с использованием алгоритмического модуля, в основу которого положен алгоритм оценивания (рис. 9.11.)

 

В блоках 3 и 8 выделения информативных участков данных реализуется процедура выделения временных участков данных с характерными изменениями свойств зарегистрированных рядов данных. Содержательная сущность и основные расчетные выражения этих блоков следующие.

Информативным является такой участок натурных данных, для которого значение расчетного признака больше некоторого заданного порогового значения , т.е.

(9.6)

где Т* - заданная длина анализируемого участка данных; yj{×} – некоторая функция от текущих оценок исходных данных Zj. В качестве примера ниже приведены расчетные соотношения для выделения информативных участков данных, содержащих изменения среднего уровня, дисперсии и момента автокорреляции.

В основу алгоритмизации выделения информативных участков данных по признаку (9.6) положен алгоритм релейно-экспоненциального сглаживания первого порядка (РЭС-1). Для выделения и классификации информативных данных используются характерные признаки, отображающие, например, определенные свойства сигналов. Для этой цели могут быть использованы следующие признаки.

1. Признак y1 – изменение среднего уровня сигнала

(9.7)

Основные соотношения:

(9.8)

(9.9)

(9.10)

(9.11)

2. Признак y2 изменение дисперсии сигнала

(9.12)

Основные соотношения:

(9.13)

- сглаженное значение переменной ;

(9.14)

3. Признак y3 – изменение коэффициента автокорреляции r(i)

(9.15)

Основные соотношения:

(9.16)

(9.17)

В формулах (9.7)¸(9.17) приняты обозначения: i – текущее дискретное время; T* - заданная длительность анализируемого участка данных; Dt – шаг квантования времени; a, b - настроечные коэффициенты фильтров; s - среднеквадратичная ошибка контроля; для дисперсии, коэффициентов авто- и взаимокорреляции – среднеквадратичное отклонение.

Классификация информативных участков натурных данных осуществляется группированием подобных реализаций (участков) натурных данных. Подобными являются реализации натурных данных, содержащие однотипные определяющие признаки. Следует предусмотреть внутри каждого класса подгруппы или подклассы, различающиеся значениями определяющих признаков.

С целью повышения представительности результатов моделирования и снижения затрат на машинные эксперименты в каждом классе (подклассе) выбираются так называемые представительные реализации, которыми являются участки с наибольшей и наименьшей мерой близости ко всем остальным из данного класса.

Определение. Пусть задано множество (класс) подобных участков натурных данных l=1,2,..., L, каждый из которых характеризуется набором j=1,2,…,J признаков Pjl. Представительными являются реализации с номерами k1 и k2, для которых выполняется условие

Q(k1) ® min; Q(k2) ® max;

k1 Î [1 ¸ L]; k2 Î [1 ¸ L, (9.18)

где Q(k) – заданная мера близости. Для «центрального» представителя, отображающего наиболее общие (типовые) свойства - Q(k1) ® min; для «крайнего», отображающего граничные (экстремальные) свойства - Q(k2) ® max.

В качестве показателя Q(k) близости k-ой реализации ко всем остальным подобным с индексом l=1,2,…,L может быть выбрано среднемодульное отклонение значений учитываемых признаков данных

(9.19)

где rj – весовые коэффициенты, характеризующие важность учитываемых признаков; Pjl, Pjk – например признаки типа yj или непосредственно значения контролируемых воздействий. Тогда номер j соотносится с номером их отсчета во временной последовательности данных.

В блоках 4 и 9 реализуются типовые процедуры представления данных и результатов исследований. Общие соображения и требования к функциям этих блоков следующие.

Назначение. Формирование сообщений (макетов данных) и управление их выводом на графические терминалы и печатающие устройства по запросу персонала или внутренней инициативе.

Содержание сообщений. Целесообразно выделить два типа сообщений:

а) протокол испытаний, который является типовым документом, содержащим результаты исследования алгоритма (системы) в объеме всей программы исследования или (и) в объеме каждого отдельного цикла исследований;

б) дневник испытаний, содержащий данные (оперативные, текущие), которые используются или формируются в ходе исследования алгоритма в пределах текущего цикла и позволяют контролировать (наблюдать) процесс исследований в ходе моделирования. Возможно дневник завершать протоколом исследования для данного текущего цикла, из которых затем формируется общий (итоговый) протокол исследований в объеме всей программы.

Периодичность вывода. Дневник печатается в темпе с процессом моделирования: цикловой протокол – по завершении каждого цикла, итоговый протокол – по завершению всей программы исследований.

Необходимо предусмотреть возможность совместного вывода цикловых протоколов от начала исследования на данный момент, даже если к данному моменту программа исследований алгоритмов не закончена. Инициативой в этом случае является обращение (запрос) пользователя.

Содержание названных сообщений.

1. Протокол испытаний - «цикловой». Формируется по окончании текущего цикла исследования. Форма отображения информации – табличная. Протокол ииспытаний содержит:

- номер цикла в общей последовательности циклов исследования;

- кодовый признак данных, на которых проводились исследования, содержащий информацию о характерных особенностях данных;

- признак режима функционирования алгоритмов, если в программе испытаний предусмотрены различные режимы их исследования;

- перечень всех настраиваемых коэффициентов системы и условно-постоянных коэффициентов, их начальные и конечные значения;

- значения критериев точности прогнозирования в начале и конце цикла исследований.

2. Дневник испытаний - «итоговый». Формируется в конце исследования из цикловых протоколов. Форма отображения информации – графическая и табличная. Дневник испытаний содержит:

- реализации (временные последовательности) исходных (натурных или натурно-модельных) данных, с использованием которых осуществляется моделирование;

- реализации модельных данных;

- динамику (изменение) настроечных коэффициентов в ходе каждого цикла испытаний;

- динамику критериев во времени и в пространстве настраиваемых коэффициентов.

Объем данных в дневнике должен быть сделан переменным и задается пользователем. При распечатке дневник может завершаться строкой циклового протокола. Ориентировочный перечень сведений для общения с подсистемой формирования информативных участков данных включает в себя: тип характерного участка; объем (число реализаций); длина характерной реализации; желаемый диапазон (относительный) варьирования признака информативности для группы реализаций; требуемые формы отображения данных; типопредставительные реализации класса данных со свойствами, заказанными в п. 1; наименование технологической переменной или переменных; список процедур, которые могут быть использованы для анализа и коррекции натурных данных, их начальные условия и значения настроечных коэффициентов.

Натурно-модельный объект управления, условно представленный в блок-схеме алгоритма предварительной обработки информации в виде отдельного блока 7, представляет собой комбинацию натурных компонентов в виде действующей системы управления, включающей объект управления, измерительную систему, управляющую систему и исполнительные органы. Модельная часть натурно-модельного объекта состоит из набора моделей каналов преобразования отклонений контролируемых внешних и управляющих воздействий в окрестности режима работы действующего объекта управления.

Здесь реализуются следующие основные функции:

а) выбор и воспроизведение в требуемом масштабе времени реализаций информативных участков натурных данных (оценок действительных значений переменных и помех измерения) по заданным признакам;

б) имитация нормативных контролируемых внешних воздействий, управляющих воздействий и измерительных помех с требуемыми свойствами;

в) формирование натурно-модельных данных путем модельной коррекции натурных данных о внешних и управляющих воздействиях с целью максимально возможного их приближения к требуемым для исследования значениям, а также соответствующей модельной коррекции натурных данных о входных, выходных воздействиях и состояниях объекта;

г) расчет значений выходных воздействий натурно-модельного объекта управления, соответствующих натурно-модельным внешним воздействиям и модельным управляющим воздействиям;

д) формирование модельных сигналов измерительной информации о входных, выходных воздействиях и состояниях объекта управления путем наложения сигналов измерительных помех на соответствующие сигналы натурно-модельных и модельных значений переменных.

Укрупненная структура алгоритма, реализующего указанные выше функции, приведена на рис. 9.12.

 

Алгоритм оценивания текущих значений переменных, реализуемый в блоке 4, представлен на рис. 9.11.

 

Блок 6 имитации нормативных внешних и управляющих воздействий реализуется с использованием алгоритма, блок-схема которого приведена на рис. 9.8.

Блок 7 расчетной коррекции натурных данных используется в случае необходимости формирования натурно-модельных данных с целью их максимально возможного приближения к требуемым (желаемым) для исследования значениям. Он реализует алгоритм, блок-схема которого приведена на рис. 9.13. Математические модели каналов преобразования отклонений контролируемых внешних воздействий и каналов преобразования отклонений управляющих воздействий могут быть представлены с помощью моделей типовых звеньев теории автоматического регулирования.

 

Алгоритм, в соответствии с которым выполняется расчет выходных воздействий натурно-модельного объекта (блок 8), представлен с помощью блок-схемы, изображенный на рис. 9.14.

 

Остальные компоненты укрупненной структурной схемы имитационного исследовательского комплекса (рис. 9.7): блок формирования данных для оценки эффективности алгоритма прогнозирования, блок расчета критериев точности прогнозирования, блок оптимизации детально описаны в главе 7.

С помощью такого рода комплексов проводилась настройка и исследование алгоритмов прогнозирования применительно к объектам углеобогатительной и металлургической промышленности, а также к другим областям их практического приложения.

Опыт разработки и внедрения алгоритмов и систем прогнозирования для указанных объектов свидетельствует о целесообразности и эффективности применения натурно-модельных исследований как самостоятельной стадии исследования, испытания и настройки любого рода систем, занимающей промежуточное положение между исследованиями на модели объекта и на действующем объекте управления. Главное достоинство натурно-модельных исследований заключается в том, что для создания натурно-модельного объекта управления и исследования на нем алгоритмов и систем прогнозирования требуется существенно меньшее (по сравнению с модельными исследованиями) количество информации о моделях объекта прогнозирования и его внешних воздействиях.

При этом удается получить результаты, достаточно близкие к результатам натурных исследований, что позволяет, например, большинство вопросов настройки алгоритмов решить до внедрения системы прогнозирования в действующую систему управления. Кроме того, благодаря возможности настройки и исследования на натурно-модельном объекте одновременно нескольких алгоритмов или алгоритмических блоков значительно ускоряется решение этих вопросов. Все это дает возможность сократить сроки разработки и внедрения систем прогнозирования, уменьшить производственные потери из-за нарушений нормального режима функционирования объекта в процессе настройки и исследования систем и алгоритмов прогнозирования. Полученный при этом эффект существенно превышает затраты на создание и эксплуатацию имитационных исследовательских комплексов такого рода.



<== предыдущая лекция | следующая лекция ==>
Общие структуры тренажеров | Система освоения и исследования методов идентификации


Карта сайта Карта сайта укр


Уроки php mysql Программирование

Онлайн система счисления Калькулятор онлайн обычный Инженерный калькулятор онлайн Замена русских букв на английские для вебмастеров Замена русских букв на английские

Аппаратное и программное обеспечение Графика и компьютерная сфера Интегрированная геоинформационная система Интернет Компьютер Комплектующие компьютера Лекции Методы и средства измерений неэлектрических величин Обслуживание компьютерных и периферийных устройств Операционные системы Параллельное программирование Проектирование электронных средств Периферийные устройства Полезные ресурсы для программистов Программы для программистов Статьи для программистов Cтруктура и организация данных


 


Не нашли то, что искали? Google вам в помощь!

 
 

© life-prog.ru При использовании материалов прямая ссылка на сайт обязательна.

Генерация страницы за: 0.007 сек.