Ситуационная советующая система для управления промышленными стоками на основе нечетких множеств : На примере производства аммиачной селитры

• Автор: Сентельяс Лима Сандро Эфрайн
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Москва
• Количество страниц: 261 с. : ил

1.1. Вопросы создания системы контроля и управления стоками

водных промышленных объектов I

1.1.1. Принципы разработки автоматизированных

водоохранных систем.

1.1.2. Существующая и альтернативная системы

аналитического контроля

1.1.3. Предложенная система и опыт работы в этом направлений

1.2. Моделирование технологических объектов при

расплывчатой информации

1.2.1. Методы, основанные на нечетких множествах.2.

1.2.2. Построение нечетких моделей

1.3. Методы принятия решения в условиях неопределенности.
1.3.1. Сущность методов поддержки принятия решения.
1.3.2. Формальные критерии принятия решенийЗб
1.3.3. Классификация нечетких моделей принятия решений.
1.3.4. Модели нечеткого математического программирования.
1.3.5. Лингвистические модели принятия решений.
1.3.6. Нечеткие бинарные отношения.
1.4. Ситуационные методы управления
1.4.1. Принципы ситуационного управления.
1.4.2. Ситуационная советующая система с нечеткой логикой
Г.5. Распределенные системы поддержки принятия решений.
1.5.1. Роль экспертных систем .
1.5.2. Особенности экспертных систем.
1.5.3. Распределенная система поддержки принятия решений.
1.5.4. Особенности распределенных экспертных сист ем.
1.6. Представление знаний и процедура экспертного опроса.
1.6.1. Представление знаний в экспертной системеЫ
1.6.2. Процедура экспертного опроса
Выводы к главе 1 .
ГЛАВА 2. ОБЪЕКТ ВНЕДРЕНИЯ ЭКСПЕРТНОЙ
СИСТЕМЫ
2.1. Объект управления верхнего уровня системы
2.1.1. Общие характеристики системы промышленных стоков
МАК АЗОТ
2.1.2. Управляющие воздействия на верхнем уровне системы
2.1.3. Классификация сточных вод
2.1.4. Существующая система аналитического контроля.
2.2. Объект управления нижнего уровня системы.
2.2.1. Краткая характеристика производства гранулированной
аммиачной селитры
Выводы к главе 2.
ГЛАВА 3. РАЗРАБОТКА ЭКОЛОГ0ОРИЕШРОВАННОЙ
ЭКСПЕРТНОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ
РЕШЕНИЯ УПРАВЛЕНИЯ СТОКАМИ.
3.1. Разработка экспертной системы поддержки принятия решения управления объектом.
3.1.1. Основные этапы разработки экспертной системы.
3.1.2. Архитектура экспертной системы.
3.1.3. Алгоритмы работы экспертной системы
3.2. Построение модели объекта
3.2.1. Математический аппарат модели объекта
3.2.2. Этапы построения модели объектаi
3.3. Построение модели ситуационного управления объектомi
3.3.1. Исходные положения.i 2о
3.3.2. Отбор представительного множества эталонных
ситуаций
3.3.3. Математическое формулирование задач в условиях неопределенности
3.3.4. Расчет степени нечеткой близости между поступающей
и эталонной ситуацией
3.3.5. Построение нечеткосшуационной сети4i
3.3.6. Процедура проведения групповых экспертных опросов.
Выводы к главе 3
ГЛАВА 4. МЕТОДИЧЕСКОЕ И ПРОГРАММНОАЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДВУХ УРОВНЕВОЙ СИТУАЦИОННОЙ СОВЕТУЮЩЕЙ СИСТЕМЫ УПРАВЛЕНИЯ
ПРОМЫШЛЕННЫМИ СТОКАМИ
4.1 Методика построения моделей распределенной экспертной системы управления стоками
4.2. Анализ объекта верхнего уровня.
4.3. Анализ объсгсга нижнего уровня.
4.3.1. Модель выпарных аппаратов первой ступени производства аммиачной селитры
4.3.2. Разработка модели управления объектом.
4.3.2.1. Фазификация технологических переменных
4.3.2.2. Получение экспертной информации.
4.3.2.3. Построение Ситуация предпочтения решения
4.3.2.4. Составление графов управляющих решений и определение их соответствующих степеней предпочтения.
4.3.2.5. Формирование нечткой ситуационной сети I4С
4.4. Разработка открытой экспертной системы поддержки принятия решений нижнего уровня
4.4.1. Программная реализация системы
4.4.2. Графическое представление экспертной системы поддержки принятия решений управления стоками
Выводы к главе 4.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Приходится обращаться к методам косвенного измерения или моделированию объекта, тогда интересующую переменную обычно вычисляют по значениям других, непосредственно измеренных переменных причем это вычисление можно осуществлять с помощью классических или альтернативных подходов. Ьо ЬХ Ь2х2 Ьусх2 6. Х2. Ь0, 6, Ь2 параметры модели. Как известно для такой модели требуется, что бы дисперсия параметров считалась малой, благодаря чему в алгоритме она может быть принята неизменной, равной их средним значениям. При этом разброс значения у определяется переменными X. Подобные методы позволяют почти всегда получить адекватную модель отвечающую, например вышеупомянутому критерию по Фишеру. Но для их применения необходимо иметь возможность снять массивы опытных количественных данных об измеряемой переменной у, для этого, например, в случае технологических объектов химической технологии нужно провести лабораторный анализ и другие мероприятия. Однако, увеличение числа членов аппроксимирующего ряда, в связи с ограниченностью выборки, ведет к увеличению дисперсии, другими словами, к уменьшению точности. Таким образом, основной проблемой при использовании регрессионной аппроксимации в непрерывном виде, является невысокая точность. Развитие представленного метода позволяет решать поставленную задачу с достаточной точностью, например путем кусочной аппроксимации , где обращается внимание на тот факт, что ошибка таких моделей минимальна в центре наблюдений, а при удалении от него увеличивается. Согласно этому вводятся такие понятия как доверительные интервалы зависящие от ПеремеННЫХ X. На сегодняшний день имеется большое разнообразие алгоритмов для вычислений непрерывно недоступных данных, но, как правило, чем выше требуемая точность, тем больше осложняются модели. Кроме того, если учитывать, что не всегда все исходные переменные х, могут быть четко определены, тогда получаем, что задача будет еще осложняться, и соответствующие получаемые модели будут многократно увеличивать свою размерность. В условиях расплывчатой информации и неопределенности изза отсутствия количественной информации о некоторых параметрах объекта управления более подходящими оказываются методы построенные на основе математического аппарата нечетких множеств. Как мы видели в предыдущей главе, для разработки указанных алгоритмов широко используются методы классических разделов математики, а именно, традиционные вероятностностатические методы. Наличие таких ограничений в рамках традиционных вероятностностатических методов, в конечном итоге может привести к тому, что полученные по ним алгоритмы не всегда могут обеспечить высокие требования по точности, помехозащищенности, простоте реализации и другим параметрам. Как указано в работе , одним из направлений в решении представленной проблемы является путь снижения ограничений при описании неопределенностей. Для этих целей могут быть использованы нечеткие вероятностностатистические методы. В работах приводятся теоретические результаты относительно существования и единственности решения для нечеткой начальной задачи, которая используется для описания поведения динамической системы при воздействии неконтролируемых возмущений. Для этой задачи коэффициенты, управление и начальные условия являются нечеткими функциями или числами, т. Кроме того, в этих источниках представляются численные аспекты решения задачи для нелинейных нечетких дифференциальных уравнений. В общем, первоначальная взаимосвязь между теорией нечетких множеств НМ и теорией вероятности была установлена самим автором НМ Заде Л. А. , который дал определение вероятности нечеткого случайного события как математическое ожидание относительно функции принадлежностей. Благодаря развитию такой мысли могли быть получены основные соотношения нечеткой теории вероятностей такие, как формулы сложения, умножения, условной вероятности, независимости двух нечетких случайных событий и т. Применение таких формул позволяет, например, перейти от переходной матрицы четкой цепи Маркова к ее нечеткому аналогу. В свою очередь нечеткая цепь Маркова применяется для решения задач по принятию решений в условиях неопределенности и др.