Глава 4. Формирование модели измерения задачи оценивания по экспериментальным данным 109

4.1. Анализ задачи формирования модели измерения 109

4.3. Этапы решения задачи формирования модели измерения 116

4.4. Общая постановка задачи формирования модели измерения 119

4.5. Выбор критерия близости 122

4.6. Способы преобразования переменных модели измерения 127

4.7. Общий анализ формирования модели контролируемого объекта 138

4.8. Решение задачи формирования модели контролируемого объекта 139

4.9. Оптимизация алфавита классов и словаря признаков 140

4.10. Взаимосвязь размерности алфавита классов и качества и эффективности модели измерения 142

4.11. Взаимосвязь размерности вектора признаков и вероятности правильности формирования модели измерения 145

4.12. Формализация задачи оптимального взаимосвязанного выбора алфавита классов и словаря признаков 147

4.13. Формирование оптимального алфавита классов и словаря признаков в условиях ограничений 149

Контрольные вопросы 151

Глава 5. Формирование модели измерения в задаче оценивания параметра по экспериментальным данным на начальном этапе разработки нового электрооборудования 150

5.1. Исследование условий формирования модели измерения задачи оценивания измеряемого параметра 150

5.2. Геометрический способ формирования модели измерения 151

5.3. Лингвистический алгоритм формирования модели измерения на начальных этапах оценивания 153

5.4. Обоснование выбора критерия расхождения для формирования модели измерения по экспериментальным данным 154

5.5. Метод формирования модели измерения 156

5.7. Синтез метода и алгоритма формирования стратегии постановки начальных экспериментов 160

_{типовые задачи и примеры их решения} 169

КОНТРОЛЬНЫЕ ВОПРОСЫ 176

Глава 6. Создание устройств формирования модели измерения 176

6.1. Состав устройства формирования модели измерения 176

6.2. Общий анализ устройств формирования моделей измерения 180

6.3. Общий анализ моделирования устройств формирования модели измерения 186

6.4. Структура устройства формирования модели измерения 188

6.5. Моделирование контролируемого объекта 190

6.6. Моделирование средств измерения параметров контролируемого объекта 192

6.7. Моделирование каналов измерения 194

Типовые задачи и примеры их решения 195

_{6.8. Модель алгоритма формирования модели измерения} 201

6.9. Модуль оценки качества и эффективности устройства формирования 205

6.10. Модуль управления моделью устройства формирования 209

6.11. Использование принципов опытно-теоретического метода при моделировании устройства формирования 212

6.12. Моделирование в задачах создания и оптимизации устройства формирования 214

ЗАКЛЮЧЕНИЕ 217

БИБЛИОГРАФИЧЕСКИЙ СПИСОК 219

219

Введение

Технико-эксплуатационная эффективность современного АСУТП определяется в первую очередь качеством принимаемого решения по управлению, что требует повышенного качества и надежности оценки контролируемого параметра. Требование минимизации затрат средств и времени используемого оборудования при большом числе каналов контроля и регулирования, а также требование высокого качества и надежности оценки контролируемого параметра в АСУТП определяет необходимость децентрализации структуры ее информационно-технического комплекса, сводящейся к передаче части ее функций на периферийные устройства.

Требование повышения качества принятия решения по управлению технологическими процессами в современных АСУТП или повышения качества формирования моделей технологических объектов в АСНИКИ определяет более полное использование экспериментальных данных и широкое применение математических методов обработки экспериментальных данных для преобразования экспериментальной информации. Основными преимуществами этих методов являются объективность получаемой информации, высокая точность, а также возможность автоматизации процесса обработки результатов измерения с помощью современных вычислительных средств, которые находят все более широкое применение в устройствах сбора, обработки и интерпретации измерительных данных. Только в том случае, когда синтезированный алгоритм обработки информации научно - обоснован и соответствует обрабатываемым результатам измерения, можно ожидать от математических методов точных результатов обработки.

Целью преподавания дисциплины “Системы реального времени” является формирование знаний и умений, необходимых для выбора, создания, внедрения и эксплуатации автоматизированных систем реального времени, в том числе их информационного и метрологического обеспечения, а также освоение инженерного подхода к управлению технологическими процессами и объектами в реальном масштабе времени.

В результате изучения данной дисциплины студент должен уметь использовать современные методы, средства и технологии при разработке структуры систем реального времени, позволяющие осуществлять сбор, обработку, анализ и интерпретацию измерительной информации в АСУ ТП, удовлетворяющей заданному критерию качества, определять статические, динамические и другие метрологические характеристики средств измерения системы, а также осуществлять выбор языка программирования, обеспечивающего цель функционирования систем реального времени. Таким образом, важным элементом дисциплины “Системы реального времени” является изучение методологии разработки алгоритмов обработки экспериментальной информации, которые обеспечивают требуемое качество принимаемого в системе решения по ее управлению как по точности, так и по быстродействию.

При формулировке концептуальной модели задачи синтеза алгоритмов обработки экспериментальной информации следует отметить, что в соответствии с современной физической концепцией [112] на выходе измерительного устройства формируются редуцированные (эффективные) величины, которые характеризуют измеряемый параметр по его воздействию на заданное измерительное устройство. Каждая редуцированная величина есть интеграл от произведения спектральной плотности соответствующей энергетической величины, характеризующей измеряемый параметр, на спектральную чувствительность данного измерительного устройства.

Решение обратной задачи оценивания параметра объекта в свою очередь сводится к интегральному уравнению Вольтерра, ядро которого равно резольвенте исходного интегрального уравнения [103], т.е. решение задачи оценивания параметра объекта является также редуцированной величиной, но от результатов измерения. Такое преобразование должно уменьшать искажения в измерениях, приближая их к значениям, свойственным объекту, а его результат естественно назвать редукцией результатов измерения к параметру объекта. Ядро данного интегрального уравнения (резольвенту) необходимо предварительно идентифицировать, поскольку ядро исходного интегрального уравнения Вольтерра (импульсная переходная функция измерительного устройства), определяющее резольвенту, подвержено воздействию внешней среды, в которой осуществляется измерение. Таким образом, задача оценивания параметров объекта по результатам измерения сводится к решению идентификационно – редукционной задачи, а выбор и обоснование алгоритма для определения решения данной задачи является узловым вопросом процесса оценки параметров контролируемого объекта и требует специальных исследований. Особенность алгоритмизации идентификационно – редукционной задачи выделяет новый класс алгоритмов, которые могут быть названы как идентификационно – редукционными алгоритмами.

Возможность решения идентификационно – редукционной задачи определяется современным состоянием развития измерительных устройств, позволяющим создать новый их класс, а именно интеллектуальные измерительные устройства (ИИУ), в которых осуществляется оценивание параметров по результатам измерения в условиях неопределенности. Причем проектируемые ИИУ должны не только осуществлять высококачественное оценивание результатов измерения, но осуществлять постановку активного эксперимента с целью преодоления неопределенности в измерительных данных, для дальнейшего повышения качества их оценивания.

В соответствии с общесистемной закономерностью “необходимого разнообразия” (Эшби) [116] при создании интеллектуального устройства, способного оценивать параметры исследуемого объекта, характеризующимся известным разнообразием, необходимо, чтобы данное устройство обладала еще большим разнообразием, чем разнообразие исследуемого объекта, или было бы способно создавать в себе это разнообразие. Ограничение разнообразия измеряемого устройства приводит к ухудшению качества его функционирования.

Для преодоления данной ограниченности измерительных устройств и дальнейшего их совершенствования требуется применение в них микропроцессоров. Совмещение в едином корпусе чувствительного элемента и устройства обработки измеряемых данных позволяет создать на базе микропроцессоров автономные, малогабаритные, программируемые первичные ИИУ, обладающие интеллектуальными возможностями. Эти устройства характеризуются способностью определять истинное решение при оценке измеряемого параметра по неполной, зашумленной и даже противоречивой информации. Поэтому современные информационно – измерительные комплексы АСУ ТППО должны обладать высокой гибкостью алгоритмов и методов обработки апостериорных данных о свойствах контролируемого параметра, чтобы с минимальными затратами дополнительных средств и времени используемого оборудования осуществлять дальнейшее его уточнение. В работе рассматриваются вопросы разработки ИИУ, проблемно – ориентированных на оценивание измеренных параметров физических процессов в сложных, уникальных научно – технических экспериментах и обладающих нейрокомпьютерной структурой. Применение ИИУ позволяет сократить время обработки поступающей многоканальной информации за счет распределенной обработки данных в самом ИИУ. Это обстоятельство, а также возможность управления работой ИИУ, позволяет создать измерительные сети интеллектуальных устройств, причем архитектура сетей, метод обработки данных в сетях могут изменяться от эксперимента к эксперименту путем программирования ИИУ. При автоматизации программирования ИИУ осуществляется учет априорных данных о предстоящем измерении и принятие решения о выборе алгоритма обработки измерительной информации в каждом из ИИУ измерительной сети, причем программирование ИИУ должно производиться без дополнительных операций по исключению ИИУ из измерительной сети.

Успех решения задачи создания алгоритма обработки измерительной информации в ИИУ зависит от соотношения двух факторов – объема априорной информации о структуре и параметрах процесса (этот объем определяется степенью изученности исследуемого явления, процесса) и объема измерительной (апостериорной) информации. Оба вида информации необходимы при синтезе алгоритма обработки результатов измерения, однако, играют различные роли. Априорные сведения позволяют определить структуру алгоритма, т.е. его вид (число входов и выходов, характер связи между ними и т.д.). При этом структура алгоритма еще не сам алгоритм, и для определения параметров алгоритма необходимо выполнить измерения. Задачу определения этих параметров по наблюдениям за процессом при заданной структуре алгоритма можно назвать алгоритмизацией в узком смысле или параметрической алгоритмизацией в отличие от структурной алгоритмизации или алгоритмизации в широком смысле.

Предметной областью данного пособия можно назвать единым термином алгоритмика, т.е. изучение алгоритмов вообще и исследование вопросов сходимости и эффективности вычислительных алгоритмов в частности. В учебном пособии, исходя из концептуальной модели задачи алгоритмизации процесса обработки результатов измерения, проанализированы алгоритмы обработки измерительной информации, которые позволяют получать оценку контролируемого параметра по измерительным данным и принимать на их основе решения в условиях неопределенности, обеспечивая тем самым интеллектуализацию измерительного устройства. Исследуется связь между количеством и качеством информации, используемой алгоритмом, с одной стороны, и его эффективностью – с другой; влияние повторного использования ранее вычисленной информации и вычисления новой информации в подходящих точках. В работе исследованы возможности снижения риска и повышения достоверности при статистическом методе оценки контролируемого параметра технологического процесса по экспериментальным данным при учете их смыслового значения, логичности, технологической непротиворечивости и согласованности.

Для определения качества алгоритма обработки результатов измерения введены количественные оценки этапов синтеза алгоритма в виде функционала риска. Рассмотрены на примере оптимального одношагового алгоритма вопросы практической реализации алгоритмов, которые сводятся в первую очередь к исследованию условий монотонной сходимости синтезированных алгоритмов, а также определена скорость их сходимости. В заключении исследованы вопросы влияния ошибок измерения на эффективность алгоритма. Данные исследования показали достаточную эффективность синтезированных алгоритмов, а их практическая реализация не является трудоемкой.