Создание подсистемы прогнозирования объемов производства в составе АСУ промышленного предприятия с использованием аппарата нейронных сетей

Создание подсистемы прогнозирования объемов производства в составе АСУ промышленного предприятия с использованием аппарата нейронных сетей

Автор: Покровская, Мария Владимировна

Шифр специальности: 05.13.06

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Вологда

Количество страниц: 171 с. ил.

Артикул: 2975441

Автор: Покровская, Мария Владимировна

Стоимость: 250 руб.

Создание подсистемы прогнозирования объемов производства в составе АСУ промышленного предприятия с использованием аппарата нейронных сетей  Создание подсистемы прогнозирования объемов производства в составе АСУ промышленного предприятия с использованием аппарата нейронных сетей 

ВВЕДЕНИЕ
Современное развитие человека и общества имеет направленность в будущее. Рынок требует от предприятий взвешенного подхода к планированию производственного процесса, к определению необходимых объемов производства продукции, выручки, объемов закупок сырья. Как недопроизводство, так и перепроизводство ведут к недополученным прибылям или потерям, что может привести к краху предприятия. Необходимость оперативного реагирования на конъюнктуру рынка и быстро меняющуюся экономическую ситуацию, стремительный рост объема информации, требующей обработки, неопределенность в поведении производственных систем, возможность использовать современные информационные технологии требуют перестройки внутренней микроэкономики предприятия, постановки управленческого учета, оптимизации процессов управления, что предполагает, прежде всего, процесс прогнозирования. Результаты прогнозирования являются одним из ключевых факторов при принятии управленческих решений на любом предприятии. Системы планирования и управления, обычно, реализуют функцию прогноза. Целыо прогнозирования является уменьшение риска при принятии решений. Вот несколько примеров, когда полезно прогнозирование на предприятии
1. Планирование производства. Для того чтобы планировать производство семейства продуктов, возможно, необходимо спрогнозировать продажу для каждого наименования продукта, на несколько месяцев вперед. Эти прогнозы для конечных продуктов могут быть потом преобразованы в требования к полуфабрикатам, материалам, рабочим и т.д. Таким образом, на основании прогноза может быть построен график работы целой группы предприятий.
2. Прогнозирование также может быть важной частью систем управления технологическими процессами, в том числе АСУТП. Наблюдая ключевые переменные процесса и используя их для предсказания будущего поведения процесса, можно определить оптимальное время и длительность управляющего воздействия.
В общем виде процесс управления во всех сферах деятельности можно представить в виде так называемой петли управления, включающей циклическую последовательность следующих этапов прогноз планирование контролируемая
деятельность по реализации планов учет и анализ результатов коррекция прогнозов и планов рис. 1.
Рис. 1. Обобщенная схема управления
В прогнозировании большое значение имеет выбранный метод или прием. Прием прогнозирования это одна или несколько математических или логических операций, направленных на получение конкретного результата. Метод прогнозирования это способ исследования объекта прогнозирования, направленный на разработку прогноза , . Модель прошозирования представляет собой модель исследуемого объекта, записанную в математической форме.
Как следует из анализа методов и приемов прогнозирования, прогноз может быть, как качественным, так и количественным 3. Методы качественного прогнозирования, такие как метод экспертного оценивания, особенно важны, когда ста тистические данные за прошедшие периоды времени недоступны иили ненадежны. Все качественные методы крайне субъективны и подвержены высокой ошибке прогноза. Количественные методы прогнозирования, в том числе основанные на анализе временных рядов, предполагают существенное использование информации за прошедшие периоды времени, что позволяет выяснить основные взаимосвязи между величинами и дать более надежный прогноз на будущее. Если определяются значимые факторы и функциональная или стохастическая зависимость отклика от этих факторов с применением множественного регрессионного анализа, то, как правило, говорят об анализе многомерных временных рядов.
При прогнозировании любого процесса возможно использование двух типов моделей зависимостей временных и причинных. Причинные зависимости, по сравнению с временными, обеспечивают большую точность и достоверность получаемого прогноза, но, в то же время, требуют тщательного выбора параметров и большего объема вычислений при выявлении зависимостей типа входвыход. Учитывая, что многие производственные процессы обладают свойством цикличности при краткосрочном прогнозировании возможно использование временных зависимостей.
Как известно, модели сложных производственных систем, таких как, производственные предприятия, не всегда могут давать однозначные рекомендации или прогноз. Эти модели всегда должны указывать, при достижении каких значений параметров, описывающих систему, или какого определенного момента времени может произойти нечто непредвиденное непредсказуемое катастрофа . Порой они должны указывать и область непредсказуемости т. е. область параметров, в которой поведение системы неконтролируемо иили непредсказуемо. Среди факторов, характеризующих динамику производства и влияющих на нее, есть изрядное количество данных нечисловой природы, значения которых известны только с определенной долей уверенности. Можно выделить различные типы неопределенностей, из которых для анализа важны следующие
Связанные с незнанием или неточным знанием некоторых факторов иили процессов, влияющих на развитие ситуации
Связанные с математической несоизмеримостью численных оценок величин, характеризующих динамику системы
Связанные с нелинейностью и наличием у системы нескольких состояний равновесия иили аттракторов
Связанные с недостатком или неадекватностью понятийного аппарата и невозможностью отождествления фактов.
Для понимания того, какие же преимущества дают предлагаемые в работе новые модели и методы анализа данных и прогнозирования, необходимо указать на три принципиальные проблемы, возникающие при создании систем поддержки принятия решений и анализа на производстве, автоматизированных систем управления технологическими процессами АСУТП и производствами АСУП.
Первая это определение необходимых и достаточных параметров для оценю состояния производства, а также выбор критериев эффективности действий. Формализация поведения систем, включающих разнородные компоненты, требует единой метрики описания ситуации.
Вторая проблема заключается в так называемом проклятье размерности. Желание учесть в модели как можно больше показателей и критериев оценки может привести к тому, что требуемая для ее решения компьютерная система вплотную приблизится к моменту ограничения быстродействия и размеров вычислительного
комплекса в зависимости от количества информации, обрабатываемого в единицу времени.
Третья проблема наличие феномена надсистсмности. Взаимодействующие системы образуют надсистему систему более высокого уровня, обладающую собственными надсистемными свойствами, которых не имеет ни одна из составляющих систем. Феномен заключается в принципиальной недостижимости надсистемного отображения и целевых функций с точки зрения систем, входящих в состав надсистемы.
В связи с широким распространением программных средств принятия решений, также особенную важность представляет разработка методов автоматизированного прогнозирования.
Существенными составными частями современных новых технологий, позволяющих в той или иной степени решать указанные проблемы, являются нейронные сети НС, генетические алгоритмы, теория динамических систем теория хаоса, истоки этого направления лежат в работах по синергетике и теории катастроф 2, ИЗ, нечеткие логики и даже виртуальная реальность, позволяющие в явлениях, на первый взгляд случайных, обнаружить порядок и некоторую струюуру. Тсуг факт, что хаотические модели дают хорошее приближение для временных рядов, говорит о возможности и важности изучения поведения производственных систем как нелинейных динамических систем и является дополнительным аргументом в пользу применения в задачах прогноза различных нелинейных методов, в том числе нейронных сетей. Считается, что эти методы позволят увеличить глубину прогноза за счет выявления скрытых закономерностей и взаимосвязей среди плохо формализуемых обычными методами макроэкономических, политических и глобальных показателей.
Прогнозирующая система, в настоящее время, все чаще является необходимым блоком подсистемой любой АСУП АСУТП на производственных предприятиях, результаты которой используются далее подсистемами планирования и управления рис.1. Прогнозирующая система должна выполняет функцию генерацию прогноза, которая включает получение данных для уточнения модели прогнозирования, проведение прогнозирования, учет мнения экспертов и предоставление результатов прогноза пользователю.
Существуют уже разработанные системы и методики, например, использующие аппарат нечетких логик. Оболочки экспертных систем, поддерживающие работу с нечеткими знаниями, такие, например, как , , x i x, x, 1 . Практически все они используют для генерации правил после заполнения базы знаний алгоритм Куинлсна I3. Созданы первые в мире электронные таблицы i, способные работать с нечеткими данными. Существуют и достаточно мощные средства разработки приложений, использующих аппарат нечетких логик, пакеты i и i 2.0 для i фирмы i.
Завоевали признание и нейросетевые технологии. На сегодняшний день известны и используются такие системы как i используется в Японии фирмой i ii система биржевых прогнозов , работающая в ii а также такие коммерческие продукты для работы на финансовых рынках, как фирмы , программы 2 v.3, i v.4.6 и один из наиболее популярных в мире пакетов на основе генетических алгоритмов v. 1.0 и пакет i .
Актуальность


Рассмотрена математическая модель для определения максимально допустимых погрешностей, возможных для сигналов и параметров каждого элемента сети, исходя из условия, что вектор выходных сигналов сети должен вычисляться с заданной точностью, используя два типа оценок погрешности гарантированные интервальные оценки и среднеквадратические оценки погрешностей. Показано, что оценки допустимых погрешностей можно получить в ходе специального процесса обратного распространения точности. Разработана и предложена общая схема поступления данных в автоматизированную прогнозирующую систему, предусматривающая автоматический ввод данных из имеющихся на предприятиях баз данных с помощью специальных процедур загрузкивыгрузки, с УЕВссрверов, а также ручной ввод данных. В заключении обобщены итоги и результаты проведенных исследований. В приложении приведены блок схемы алгоритмов работы, описание математических методов прогнозирования. Модель прогнозирования состояния производственной системы на основе комбинированной нейронной сети многослойный перцептронКарта Кохонена. Методика решения задачи прогнозирования с применением аппарата НС, рекомендации по ее применению. Критерии оценки качества прогнозирования нейронной сети. Метод анализа производственных показателей деятельности предприятия с использованием теории хаоса. Апробация результатов исследования. Основные положения диссертационной работы докладывались и получили одобрение на заседаниях кафедры Автоматизация технологических процессов и производств ВоПУ, на заседаниях комиссий по аттестации аспирантов в гг. IX международная научнотехническая конференция Информационная среда ВУЗа Иваново, , Всероссийская научная конференция Управление и информационные технологии СанктПетербург, , XV международная конференция Применение новых технологий в образовании Троицк, Московская область, , международная конференция Информационные технологии в образовании, технике и медицине Волгоград, , НТК Актуальные проблемы экономики и управления Теория и практика Вологда, , Международная конференция по мягким вычислениям и измерениям СанктПетербург. Публикации. Автор имеет публикаций. Реализация результатов исследования. Теоретические и практические результаты диссертационной работы внедрены для практического использования на производственном предприятии ООО Стальные конструкции Профлист. ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МОДЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ. Систематизированное научно обоснованное прогнозирование развития социальноэкономических процессов на основе специализированных методов осуществляется с первой половины х годов, хотя некоторые методики прогнозирования были известны и ранее. К ним относятся логический анализ и аналогия, экстраполяция тенденций, опрос мнения специалистов и ученых. В развитии методологии прогнозирования социальноэкономических процессов большую роль сыграли научные разработки отечественных и зарубежных ученых А. Г. Аганбегяна, И. В. БестужеваЛады, Л. Клейна, В. Гольдберга. В работах этих ученых рассматривается значение, сущность и функции прогнозирования, его роль и место в системе планирования, исследуются вопросы методологии и организации прогнозирования, показываются особенности научного прогнозирования. В экономически развитых странах при решении задач, связанных с управлением предприятием, все большее распространение получает использование формализованных моделей и методов управления. Часть из них нашла применение в современных АСУП. Степень формализации методов и моделей находится в прямой зависимости от размеров предприятия чем крупнее фирма, тем в большей степени ее руководство может и должно использовать формализованные подходы в политике управления. В западной научной литературе отмечается, что около крупных фирм и около мелких и средних фирм предпочитает ориентироваться на формализованные количественные методы в управлении ресурсами и анализе состояния предприятия. Прежде чем приступить к анализу современных методов прогнозирования выделим основные признаки классификации прогнозов.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.238, запросов: 244