1. По этапам жизненного цикла создания и сопровождения АИС. Каждый из этапов полного жизненного цикла (ЖЦ) создания и сопровождения АИС (анализ, проектирование, кодирование, испытания, инсталляция и сопровождение) поддерживается специфическими моделями.
Модель анализа состоит из двух подмоделей: модели для пользователя, содержащей описание предметной области проектируемой системы и начальные требования к ней, и модели для аналитика, содержащей системные требования к разрабатываемому продукту и обеспечивающей смысловое единство для всех формально-языковых представлений задачи.
Модель проектирования служит для представления разрабатываемой программной системы на втором этапе ЖЦ.
Она содержит иерархии наследования и подчиненности классов объектов, описывающих проектируемую систему, структуру и интерфейсы классов объектов, IDEF-диаграммы, отображающие функциональную и информационно-логическую модели проектируемых систем; математические и логические зависимости, связывающие выходные переменные с управляющими воздействиями; спроектированные информационные объекты, их экранные формы, таблицы соответствия информационных объектов и экранных форм [9].
Модель кодирования и автономной отладки программных компонент системы содержит перечень ошибок, которые обнаружены в процессе их отладки, набор тестов, методы верификации.
Модель испытаний включает в себя методику испытаний.
Модель инсталляции и сопровождения содержит руководство по инсталляции, руководство пользователя, руководство оператора, тестовые примеры.
В 70-е годы в США для поддержки менеджмента сбыта продукции военного назначения возникла CALS–технология (Computer Aided Logistic Support). В настоящее время эта концепция получила распространение в различных отраслях экономики и рассматривается более широко (Continuous Acquisition and Life Сycle Support) как непрерывная информационная поддержка всего жизненного цикла продукта от маркетинга до утилизации.
Основная идея CALS состоит в совместном использовании информации заинтересованными сторонами на всех стадиях жизненного цикла продукта. Для обеспечения этого создаются единые информационные модели продукта, жизненного цикла продукта, бизнес-процессов на всех этапах жизненного цикла, производственной и эксплуатационной среды, стандартизируются способы доступа к информации, ее интерпретации, разрабатываются методы защиты информации и определяются вопросы ее совместного использования.
Важнейшими, с точки зрения качества проектируемой АИС, являются модели анализа и проектирования, поскольку ошибки, допущенные на первых этапах работы, не удается исправить в дальнейшем. Ниже только эти модели и рассматриваются подробно.
При управлении производством приходится принимать решения не только в условиях неполной, но часто недостоверной и противоречивой информации. Для разрешения этой проблемы приходится создавать “хранилища данных” (Data Warehouse) – предметно-ориентированные, интегрированные, некорректируемые, зависимые от времени коллекции данных, предназначенные для поддержки принятия управленческих решений [10]. Хранилище данных должно быть оптимизировано для выполнения сложных аналитических запросов управленческого персонала. Получаемые при этом сведения существенно более глубоки, чем получаемые традиционными системами обработки транзакций (OLTP) и оперативной аналитической обработки (OLAP).
В процессе извлечения знаний из БД последовательно решаются следующие задачи преобразования:
– данные (неструктурированный набор чисел и символов) – в информацию (закономерности);
– информация – в знания (значимые для пользователя закономерности);
– знания – в решения (последовательность шагов, направленная на достижение целей пользователя).
2. По форме представления знаний об АИС. Связь между понятиями, которые используются при разработке АИС конкретного объекта, задается семантической сетью. Знания представляются в модели на нескольких уровнях обобщения. Ввод новой информации в модель постоянно сопровождается процессами классификации, обобщения и формирования понятий. Механизмы классификации, обобщения, формирования понятий взаимодействуют с уже имеющейся моделью и, по сути, являются механизмами ее достройки и преобразования. Знания о нормальном и аварийных режимах функционирования процесса могут быть использованы для обнаружения неисправностей.
Различают декларативную и процедурную формы представления знаний.
Декларативная компонента включает описание объектов и их экземпляров (например, шлакоотвалы и шлакоотвал металлургического завода), свойств объектов и их значений (например, емкость отвала, мощность отвала и т. д.); связей между объектами (пыль, выносимая ветром с отвала, осаждается на снег); графического образа объекта [11].
Процедурная компонента задается набором продукционных знаний вида “если …, то …”.
Основным средством представления декларативных знаний является семантическая сеть, состоящая из объектов, связанных бинарными отношениями. В частном случае объектами могут являться фреймы. Понятие “фрейм” введено американским кибернетиком М. Минским. Это то, минимально необходимое, без чего не существует объект, явление или процесс, о котором идет речь.
Например, фрейм-объединение (F) (рис. 1.3), описывает систему доставки проб (Z), связывающую точки пробоотбора (X) с приборами аналитического контроля (Y) отношениями (W).
Рис. 1.3. Схема фрейм-объединение
Процессы вывода и обработки информации задаются в виде системы продукций, работающей над такой сетью. Объектом может являться любая сущность предметной области, характеризующаяся своим именем и значениями атрибутов – слотов объекта.
3. По уровню формализации модели.В процессе построения модели можно выделить три уровня ее представления: концептуальную модель (КМ) (для пользователя ианалитика), формализованное или алгоритмическое описание и программу-имитатор.
Формализованные модели делят на частично-формализованные и вполне-формализованные. Первые включают в себя вербальные (описывающие свойства оригинала на некотором естественном языке) и графические модели (графики, схемы, карты). Вторые включают в себя аналитические, графоаналитические, алгоритмические и информационные модели.
КМ анализа для пользователя описывается на языке соответствующей предметной области. Описание должно включать в себя словарь-глоссарий, содержащий основные понятия, характеризующие соответствующую предметную область. Формирование понятий, по сути, является процессом выделения закономерностей, свойственных множествам объектов. КМ объекта включает в себя краткое описание объекта и его основных функций, достигнутого качества управления (для существующих объектов), входных и выходных переменных и способов их контроля, режимов функционирования объекта и характеристику внешней среды.
Технология построения КМ для аналитика представляет собой набор различных методов (семантических сетей, фреймов и т. д.), позволяющих сократить время проектирования и улучшить его качество. КМ проводится методом “сверху-вниз” и обычно является итерационным процессом: эксперт и пользователь могут возвращаться к предыдущим этапам концептуального моделирования до тех пор, пока не достигнут согласия.
Формализация заключается в представлении объектов (понятий) и процедур моделирования соответствующими компонентами информационного и программного обеспечения. Любой объект системного моделирования можно рассматривать как связное множество его атрибутов. При этом объекту будет соответствовать некоторое связное множество машинных структур данных, представляющих собой значения атрибутов объекта. Значения атрибутов вычисляются с использованием соответствующих программ.
Формализованное описание должно быть преобразовано в программу-имитатор. Сущность машинного моделирования системы S состоит в проведении на ЭВМ эксперимента с моделью этой системы, представляющей собой программный комплекс, описывающий поведение элементов системы в процессе ее функционирования во внешней среде E.
Любой переход от одного уровня представления к другому требует времени и интеллектуальных затрат.
Перечисленные уровни формализации поддерживаются тремя видами семантических моделей.
Первый отражает морфологическую структуру соответствующей предметной области и предназначен, в основном, для процесса обучения. Второй – морфологическую структуру решаемой проектно-конструкторской задачи (ПКЗ) и предназначен для выбора оптимального, в определенном смысле, проектного решения. Третий – функционирование технического объекта и предназначен для решения задач оперативного управления процессом.
Первый вид моделей представляет собой иерархическую структуру понятий и процедур, необходимых для решений конкретной ПКЗ. Описание должно включать в себя словарь-глоссарий, содержащий основные дефиниции, характеризующие конкретный объект. Дефиниция используемого термина есть сформулированное по определенным требованиям (краткая, точная, логически непротиворечивая, однозначная) словесная или другая знаковая характеристика научного понятия. Научное понятие является единицей логической структуры мышления. Введенные дефиниции решают ряд частных задач:
– создают четкие границы с однородными понятиями и т. д.
Вместе взятые существенные признаки должны быть достаточны для того, чтобы данное понятие было идентифицировано среди других понятий.
Все признаки должны иметь указания по меньшей мере на два элементарных уровня понятий: ближайший родовой и видовых отличий. Родовые признаки являются основой для обобщения. Видовые отличия позволяют данное понятие выделить из однородных. По сути дефиниции являются языковой моделью системы [12].
Второй вид семантических моделей задает пространство проектных решений, в котором осуществляется поиск. Поиск предполагает задание системы критериев, позволяющих оценить качество конкретного решения, а также характеристик окружающей среды.
Третий вид семантических моделей представляет собой иерархическую имитационную модель технологического или информационного процесса, позволяющую исследовать влияние организации работ, стратегий управления и аварийных ситуаций на технико-экономические показатели. Верхний иерархический уровень имитационной модели представляет собой агрегированную модель функционирования процесса, характеризующую состояние технологических агрегатов, пропускную способность транспортных коммуникаций, запасы на складах. Более низкие иерархические уровни позволяют детализировать состояние отдельных агрегатов. Например, с использованием модели “залежь полезного ископаемого – добычной механизм” можно исследовать влияние выхода негабарита на производительность экскаватора.
Существуют специальные языки моделирования, упрощающие построение программ-имитаторов и проведение имитационных экспериментов за счет частичной или полной автоматизации переходов от одного уровня представления к другому. В этом состоит основное назначение этих языков [13].
Преимущества языков моделирования перед универсальными алгоритмическими языками проявляются в следующем:
– язык моделирования содержит абстрактные конструкции, непосредственно отражающие понятия, в которых представлена формализованная модель и близкие концептуальному уровню описания моделируемой системы;
– системы моделирования имеют эффективный встроенный механизм продвижения реального времени, средства разрешения временных узлов;
– языки моделирования содержат встроенные датчики случайных чисел и генераторы других типовых воздействий.
В то же время необходимо отметить следующие недостатки языков и систем моделирования:
– используются только стандартные формы вывода результатов моделирования;
– недостаточная распространенность языков моделирования, которые, как правило, не входят в штатное программное обеспечение;
– отсутствие гибкости и широких возможностей, присущих универсальным языкам программирования.
Среди большого числа языков моделирования довольно сложно выделить какое-то базовое подмножество языков, покрывающих основные потребности в средствах автоматизации моделирования. В настоящее время наиболее известными в России языками моделирования являются: СИМУЛА-67 с классами SIMULATION, GPSS, ГАСП-IV, СИМС-КРИПТ, ПНМП, НЕДИС и др. Менее удобными для этих целей, но более распространенными, являются универсальные языки: С и ПАСКАЛЬ.
4. По методам построения моделей. Первый вопрос, на который нам предстоит найти ответ при построении модели: какая информация об управляемом объекте имеется и как она организована?
В общем случае существуют два взаимно дополняющих метода построения моделей автоматизируемых технологических комплексов [13] (рис. 1.4).
На верхней ветви схемы показано извлечение априорной информации об объекте автоматизации, основанной на использовании законов сохранения и уравнений кинетики изучаемых технологических процессов. Анализ системы отношений, характеризующих объект, позволяет определить пространственные и временные масштабы механизмов, инициирующих наблюдаемое поведение процессов, качественно охарактеризовать вклад статистического элемента в описание процесса, а также выявить принципиальную неоднородность наблюдаемых временных рядов, обусловленных, например, переработкой различных типов руд.
Извлечение априорной информации с позиций физико-технологического подхода
Рис. 1.4. Методы построения модели объекта
На нижней ветви схемы показаны этапы извлечения информации о модели объекта с позиций функционально-статистического подхода с использованием данных, накопленных в процессе эксплуатации изучаемого объекта или полученных по результатам специально организованных экспериментов.
Как правило, статистический элемент не охватывает всего явления в целом. Обычно существуют частотные диапазоны, в которых наиболее существенно проявляются статистические закономерности, выполняются условия статистической однородности, и процесс можно считать стационарным. Как правило, условия статистической однородности выполняются для относительно высокочастотных составляющих, обусловленных, в основном, погрешностями измерений [14].
5. По видам математических моделей. Существует несколько характерных ситуаций, для которых необходимы различные методы идентификации “оператора F” (см. формулу ).
Схема классификации моделей приведена на рис. 1.5.
Классификационные модели являются основополагающими первичным формам знания и описывают множество различных объектов, а числовые – один объект или множество схожих объектов.
Процесс познания начинается с соотнесения изучаемого объекта с другими, выявления сходства и различия между ними.
Протокол наблюдений содержит результаты измерений – ряд признаков X для подмножества А объектов, выбранных из множества Г: каждый объект аÎАÌГ обладает значениями признаков xi = (xi0, xi1, ..., xin) Î (X0, X1,..., Xn), i=1, N, n ‑ число признаков, N ‑ число объектов в А. Признак характеризует конкретное свойство объекта, поэтому такой протокол называют таблицей “объект‑свойство”.
Математические модели
Классификационные Числовые
Статические Динамические
Линейные Нелинейные Линейные Нелинейные
Стационарные Нестационарные
Рис. 1.5. Схема классификации математических моделей
Способ обработки протокола зависит от цели обработки. Часто оказывается, что задача может быть сформулирована как определение по наблюдавшимся значениям признаков x = (x1, x2,..., xn) значений ненаблюдаемого целевого признака x.
Существуют различные типы задач для классификационных моделей.
Кластеризация - поиск “естественной” группировки объектов. Не заданы ни границы классов в пространстве признаков, ни число классов. Требуется их определить, исходя из “близости”, “похожести” или “различия” объектов . Компоненты вектора X-признаки класса, значения которых подлежат определению.
Классификация (распознавание образов). Число классов задано. Если также заданы границы между классами, то имеем априорную классификацию. Если границы требуется найти по классификационным примерам, то задача называется распознаванием образов по обучающей выборке. Целевой признак X имеет значения в номинальной шкале (имена классов).
Упорядочение объектов. Требуется установить отношения порядка между по определенному критерию предпочтения.
Уменьшение размерности модели. Классификационные модели как первоначальные, “сырые”, учитывают множество предположений, которые еще надо проверить. Так, сам список признаков X формируется эвристически и оказывается избыточным, содержащим “дублирующие” и “шумящие” признаки. Поэтому одна из важных задач совершенствования классификационных моделей состоит в уменьшении размерности моделей с помощью отбора наиболее информативных признаков. Информативные признаки могут оказаться различными для различных классов.
Числовые модели отличаются от классификационных:
– целевые признаки x измеряются в числовых шкалах;
– числа х представляют собой функционалы или функции признаковых переменных, которые не обязательно все являются числовыми;
– в них гораздо чаще учитываются связи переменных во времени (в классификационных задачах время иногда называют “забытой” переменной).
Связи между входом и выходом системы могут быть заданы, например, в виде уравнения регрессии.
Назовем типичные задачи для числовых моделей.
Косвенные измерения (оценка параметра). Требуется определить значение х0 по заданному множеству . В отличие от классификации х измеряется не в номинальной, а в числовой шкале.
Поиск экстремума (планирование эксперимента). Требуется разработать такой план одновременного изменения величин , чтобы за минимальное число шагов получить экстремальное значение целевого признака .
. Компоненты вектора X-признаки класса, значения которых подлежат определению.
по определенному критерию предпочтения.
. В отличие от классификации х измеряется не в номинальной, а в числовой шкале.
, чтобы за минимальное число шагов получить экстремальное значение целевого признака 
.