Тема 2. Основные схемы автоматизации и управления типовых технологических объектов машиностроения. Система scada.
Изучение материала
[1,3,5]
Современная АСУ ТП (автоматизированная система управления технологическим процессом) представляет собой многоуровневую человеко-машинную систему управления.
Рис. 2.1. Пример структурной схемы АСУ ТП
Создание АСУ сложными технологическими процессами осуществляется с использованием автоматических информационных систем сбора данных и вычислительных комплексов, которые постоянно совершенствуются по мере эволюции технических средств и программного обеспечения.
SCADA-система (Supervisory Control And Data Acquisition) – система диспетчерского управления и сбора данных. Специальное программное обеспечение, решающее задачи ввода-вывода информации в системе АСУ ТП, отслеживание аварийных и предаварийных ситуаций, обработки и представление на пульт оператора графической информации о процессе, поддержки отчетов о выполнении технологического процесса.
SCADA-система это программный комплекс, позволяющий визуализировать технологический процесс и управлять им в реальном времени с монитора компьютера.
SCADA-системы применяются везде, где требуется оперативный контроль параметров, хода производства с возможностью немедленно реагировать на события технологического процесса либо автоматически в соответствие с заданным алгоритмом, либо вручную действиями оператора.
ПТК – программно-технический комплекс.
Конфигурирование цифровых регуляторов также возможно посредством различных технических устройств – коммуникаторов, облегчающих программирование или с помощью специальных программ при подключении прибора к компьютеру. Такие программы, позволяющие взаимодействовать между оператором и техническими средствами автоматизации называются MMI (Man Machine Interface) или HMI (Human Machine Interface) – человеко-машинный интерфейс. Эти пакеты могут быть написаны на любом языке высокого уровня общего назначения или создаваться с помощью программного обеспечения, получившего общее название SCADA.
Программное обеспечение визуализации призвано выполнять следующие задачи:
1. Отображение технологической информации в удобной для человека графической форме (как правило, в виде интерактивных мнемосхем);
2. Отображение аварийных сигнализаций технологического процесса;
3. Предоставление оператору возможности управлять объектами управления и т. д.
Функционально графические интерфейсы SCADA-систем весьма похожи. В каждой из них существует графический объектно - ориентированный редактор с определенным набором анимационных функций. Все SCADA - системы включают библиотеки стандартных графических символов, библиотеки сложных графических объектов, обладают целым рядом других стандартных возможностей.
Мнемосхемы (экранные формы) могут создаваться как на основе встроенных средств рисования, так и управляющих элементов ActiveX различных производителей.
Единые принципы организации экранных форм:
наглядность изображения;
высокая информативность;
низкая утомляемость.
Пример 2.1. Укажите тип (входной/выходной) аргумента мнемосхемы, отвечающего за отображение величины технологического параметра.
Значение величины технологического параметра приходит с контроллера и отображается на мнемосхеме, следовательно, тип данного аргумента – входной. В случае если с этого аргумента значение передается в какой либо иной раздел, тип должен быть указан как in/out.
Пример 2.2. Укажите местоположение блока «Масштабирование» в разделе FBD-блоков в SCADA-системе TRACE MODE 6.
Блок «Масштабирование» расположен в закладке «Арифметические».
Пример 2.3. Укажите название и местоположение FBD-блока в SCADA-системе TRACE MODE 6, соответствующего математическому описанию: O = X2+Y2.
Данный блок называется «Сумма квадратов (HYPOT)» и располагается в закладке «Арифметические».
Технология OPC
Сравнительно давно в АСУ ТП обмен данными между программами и устройствами осуществляется с использованием стандарта OPC. Стандарт разработан ассоциацией OPC Foundation. В настоящее время в ассоциации более 500 членов, и поддержка стандарта осуществляется всеми крупными производителями аппаратных и программных средств АСУ ТП и промышленными ассоциациями.
OPC (OLE for Process Control) – это стандарт взаимодействия между программными компонентами системы сбора данных и управления (SCADA), основанный на объектной модели COM/DCOM фирмы Microsoft. Через интерфейсы OPC одни приложения могут читать или записывать данные в другие приложения, обмениваться событиями, оповещать друг друга о нештатных ситуациях (тревогах), осуществлять доступ к данным, зарегистрированным в архивах (так называемые «исторические» данные). Эти приложения могут располагаться как на одном компьютере, так и быть распределенными по сети, при этом независимо от фирмы-поставщика стандарт OLE for Process Control, признанный и поддерживаемый всеми ведущими фирмами-производителями SCADA-систем и оборудования, обеспечит их совместное функционирование. Особый класс OPC-приложений представляют собой OPC-серверы конкретных аппаратных устройств – они поставляются многими производителями аппаратуры (а также независимыми производителями, но в этом случае они, как правило, не бесплатные). Устройство, для которого есть OPC-сервер, может использоваться вместе с любой современной SCADA-системой.
Рис. 2.2. Схема компоновки данных ОРС
Технология OPC позволяет различным программным модулям, разработанным самостоятельно или другими компаниями, взаимодействовать друг с другом через унифицированный интерфейс. Стандарт OPC описывает два типа интерфейсов для приложений. Первый тип интерфейса предназначен для обмена большими объёмами информации при высокой пропускной способности. Это специализированный интерфейс OLE custom interface. Второй тип интерфейса – OLE Automation interface – позволяет получать доступ к данным более простым способом. Он предназначен для использования в программах, написанных на языках Visual Basic (VB). Основным объектом данной технологии является OPC-сервер, который отвечает за получение данных, запрошенных клиентом, от соответствующего устройства управления процессом. На каждом сервере имеется некоторое количество OPC-групп, объединяющих наборы данных, запрос на получение которых поступил от клиента. Группы на сервере могут быть доступны нескольким клиентам одновременно или только одному клиенту. OPC-группа содержит набор OPC-элементов, в которых хранятся данные, поступившие от соответствующего устройства управления процессами. Клиент может произвольно объединять элементы в группы. Схематично это изображено на рис. 2.2.
Концепция стандарта OPC
Стандарт состоит из трех основных спецификаций:
1) доступ к данным реального времени (Data Access);
2) обработка тревог и событий (Alarms & Events);
3) доступ к историческим данным (Historical Data Access).
OPC-серверов, соответственно, тоже может быть три вида, хотя не возбраняется совмещать все эти функции в одном. OPC-серверы физических устройств обычно являются только серверами данных (Data Access Servers).
Сервер тревог формирует определенные логические переменные, называемые состояниями (conditions), имея в качестве исходной информации некую переменную (тег), полученную от сервера данных. Состояния изменяют свое значение, если переменная, например, вышла за допустимые границы. Об изменении состояния сервер тревог оповещает клиентов, посылая им событие (тревогу), а клиент возвращает серверу подтверждение, что он тревогу воспринял. Впрочем, могут существовать состояния, не связанные с каким-либо параметром и управляемые сервером тревог по собственному усмотрению (например, если сервер тревог напрямую взаимодействует с аппаратурой, он может устанавливать или снимать состояние неисправности). Серверы исторических данных получают от серверов данных параметры в реальном времени и архивируют их, а затем предоставляют эти данные другим приложениям (например, для построения графиков трендов). Центральное место среди спецификаций OPC занимает доступ к данным реального времени (Data Access). Это самая старая и отработанная спецификация, в настоящее время действует ее вторая версия. Базовым понятием этой спецификации является элемент данных (Item). Каждый элемент данных (то есть фактически – параметр технологического процесса) имеет значение, время последнего обновления (timestamp) и признак качества, определяющий степень достоверности значения.
Процесс стандартизации
Стандарт OPC разрабатывает независимая организация – OPC Foundation (www.opc-foundation.org), насчитывающая более 170 членов, среди которых Siemens, Fisher-Rosemount, Honeywell, Rockwell, Iconics и др., то есть практически все известные (и не очень известные) компании-производители SCADA-систем и оборудования для систем промышленной автоматизации. Техническая деятельность OPC Foundation осуществляется в рабочих группах по направлениям. Среди этих направлений:
– доступ к данным реального времени OPC (Data Access Working Group);
– обработка тревог и событий (OPC Alarms and Events Working Group);
– защита данных (OPC Security Working Group);
– подтверждение соответствия стандартам OPC (OPC Compliance Working
Group);
– доступ к историческим (архивным) данным (OPC Historical Working Gro%
up);
– Windows CE (OPC Windows CE Working Group).
Рис. 2.3. Структурная схема передачи и резервирования ОРС-серверов данных
Аппаратная реализация связи с устройствами ввода/вывода
Для организации взаимодействия с контроллерами могут быть использованы следующие аппаратные средства:
COM - порты. В этом случае контроллер или объединенные сетью контроллеры подключаются по протоколам RS-232, RS-422, RS-485.
Сетевые платы. Использование такой аппаратной поддержки возможно, если соответствующие контроллеры снабжены интерфейсным выходом на Ethernet.
Вставные платы. В этом случае протокол взаимодействия определяется платой и может быть уникальным. В настоящее время предлагаются реализации в стандартах ISA, PCI, CompactPCI.
Применение аппарата искусственных нейросетей.
Первая ЭВМ появилась в середине 50-х годов. Однако параллельно ученые занимались созданием компьютеров, действующих по законам человеческого мозга. Такие системы стали называть системами искусственного интеллекта. Искусственный интеллект и системы на этой базе являются горячей точкой в современных исследованиях, так как:
в этом направлении сконцентрированы наибольшие усилия ученых;
в процессе разработки возникли новые методы научных междисциплинарных исследований;
в процессе разработки формировались новые взгляды на роль тех или иных научных результатов.
Существует много различных определений области информатики, называемой искусственным интеллектом (ИИ). Ниже приведены некоторые из них.
«Автоматизация видов деятельности, которые мы ассоциируем с человеческим мышлением (human thinking), таких как принятие решений, решение проблем, обучение ...» (Belman, 1978).
«Искусство создания машин, которые осуществляют функции, требующие интеллекта при реализации их человеком» (Kurzweil, 1990).
«Область науки, которая имеет дело с объяснением и воспроизведением интеллектуального поведения в терминах вычислительных процессов» (Schalkoff, 1990).
«Изучение того, как заставить компьютеры делать вещи, которые в настоящее время лучше делают люди» (Rich, Knight, 1991).
«Изучение вычислений, которые делают возможным распознавать, размышлять и действовать» (Winston, 1992).
«Область информатики, имеющая дело с автоматизацией интеллектуального поведения» (Luger, Stubblefield, 1993).
Такое разнообразие определений объясняется тем, что понятие «искусственный интеллект» может рассматриваться в различных контекстах. Оно может рассматриваться как наука, набор технологий, реализованная модель разума (цель), раздел информатики, занимающийся изучением того, как работает мозг. Некоторые склонны рассматривать «искусственный интеллект» как нечто постоянно ускользающее и недоступное (цель, всегда находящаяся за горизонтом). Такая точка зрения объясняется тем, что технологии и алгоритмы, разработанные в рамках ИИ, со временем становятся неотъемлемой частью информационных технологий и более не ассоциируются с ИИ. Если встать на эту точку зрения, то искусственным интеллектом можно назвать «еще не широко используемые или не открытые технологии, которые реализуют или моделируют процессы обработки информации в нервной системе».
В истории человечества можно выделить несколько информационных революций, которые являлись переломными моментами в развитии цивилизации.
Первая была связана с появлением речи. Речь дала возможность передавать знания от одного индивидуума другому и, следовательно, сохранять их, передавая из поколения в поколение.
Вторая информационная революция была связана с появлением письменности. Письменность позволила передавать знания между индивидуумами без непосредственного контакта и, следовательно, существенно увеличить доступность и надежность сохранения знаний.
Третья революция - появление книгопечатания - еще более увеличило доступность знаний и сделало возможным массовое распространение и сохранение знаний.
Четвертая революция была связана с появлением электросвязи в различных видах и средств записи знаний (информации) электрическим путем.
Пятая революция, которую мы переживаем сейчас, связана с появлением массовых ЭВМ, объединенных сетями, и обладающих мощными средствами для хранения, накопления и использования знаний. В рамках этой информационной революции можно выделить также ряд этапов, последним из которых является появление систем искусственного интеллекта или систем, основанных на знаниях. В целом пятая революция дала возможность сохранять и иметь быстрый доступ практически к неограниченным по объему знаниям. Кроме того, системы искусственного интеллекта дали возможность впервые связать непосредственно знания с материальным производством (или в более общем случае с окружающим материальным миром), исключив человека как промежуточное звено. Более того, они могут вырабатывать новые знания. Для этого служат средства извлечения (или приобретения) знаний, например, из баз данных путем выявления закономерностей и формулирования этих закономерностей в виде баз знаний. В компьютерном мире сейчас получили распространение исследования и разработки в области так называемых технологий «data mining» - извлечения полезных данных (знаний) из большого их количества, в том числе, из неструктурированных данных.
Современная информатика во многом обязана исследованиям в области искусственного интеллекта. Например, на терминологию и методы построения программ-компиляторов повлияли исследования в области машинного перевода. Средства распознавания и синтеза речи сейчас уже являются неотъемлемой частью некоторых специализированных информационных систем и претендуют на широкое использование в операционных системах. Системы распознавания текста являются обычной частью офисных программных систем (печатный текст) или карманных компьютеров (рукописный ввод в компьютерах Newton). Нейросетевые технологии и технологии экспертных систем успешно применяются в системах автоматического управления и экономического анализа.
Чем отличается понятие «знание» от понятия «данные» или «информация»? В последнее время ученые приходят к выводу, что наряду с веществом и энергией информация является объективно существующей неотъемлемой частью материального мира, характеризующей его упорядоченность (неоднородность) или структуру. Способность живых существ сохранять свою структуру (упорядоченность) в мире, где, вероятно, превалирует стремление к увеличению энтропии (однородности), обусловлена их способностью распознавать структуру окружающего мира и использовать результат распознавания (т.е. знания о мире) для целей выживания.
Таким образом, знания - это воспринятая живым существом (субъектом) информация из внешнего мира и в отличие от «информации» «знание» субъективно. Оно зависит от особенностей жизненного опыта субъекта, его истории взаимоотношения с внешней средой, т.е. от особенностей процесса его обучения или самообучения. На этом уровне абстракции знание уникально и обмен знанием между индивидуумами не может происходить без потерь в отличие от данных, в которых закодирована информация (неоднородность) и которые могут передаваться от передатчика к приемнику без потерь (не учитывая возможность искажения вследствие помех). Знание передается между субъектами посредством какого-либо языка представления знаний, наиболее типичным представителем которого является естественный язык. Создавая и используя естественный язык, человек, с одной стороны, стремился в нем формализовать и унифицировать знания, для того чтобы передавать их одинаковым образом наибольшему количеству людей с разным жизненным опытом, а с другой - пытался дать возможность передавать все богатство личного знания. Первая тенденция привела к появлению различных формализованных специальных диалектов языка в различных областях знаний (математике, физике, медицине и т.д.). Вторая - к появлению художественной литературы, в основе которой лежит стремление средствами языка вызвать ассоциации (переживания) в мозгу человека, т. е. заставить его думать и переживать на основе знаний, почерпнутых из прочтенного, и своих собственных знаний. По большому счету все разновидности искусства направлены на это - передачу знаний с использованием ассоциаций.
Если перейти or такого высокого уровня абстракции (философского) к более приземленному, то можно сравнивать знания и данные в их формализованном виде, что обычно и делается в литературе по искусственному интеллекту. Тогда можно сформулировать следующие отличия знаний от данных:
знания более структурированы;
в знаниях наибольшее значение имеют не атомарные элементы знаний (как в данных), а взаимосвязи между ними;
знания более самоинтерпретируемы, чем данные, т.е. в знаниях содержится информация о том, как их использовать;
знания активны в отличие от пассивных данных, т.е. знания могут порождать действия системы, использующей их.
Следует иметь в виду, что резкой границы между данными и знаниями нет, так как в последние двадцать лет разработчики систем управления базами данных все более делают их похожими на знания. Примером может служить применение семантических сетей (формализма для представления знаний) для проектирования баз данных, появление объектно-ориентированных баз данных, хранимых процедур (это делает в какой-то мере данные активными) и т.п. Таким образом, отличия знаний от данных, перечисленных выше, с развитием средств информатики сглаживаются.
С самого начала исследований в области моделирования процесса мышления (конец 1940-х годов) выделились два до недавнего времени практически независимых направления: логическое и нейрокибернетическое.
Логическое направление основано на выявлении и применении в интеллектуальных системах различных логических и эмпирических приемов (эвристик), которые применяет человек для решения каких-либо задач. В дальнейшем с появлением концепций «экспертных систем» (в начале 1980-х годов) это направление вылилось в научно-технологическое направление информатики «инженерия знаний», занимающееся созданием так называемых «систем, основанных на знаниях» (Knowledge Based Systems). Именно с этим направлением обычно ассоциируется термин «искусственный интеллект» (ИИ).
Нейрокибернетическое направление - основано на построении самоорганизующихся систем, состоящих из множества элементов, функционально подобных нейронам головного мозга. Это направление началось с концепции формального нейрона Мак-Каллока-Питтса и исследований Розенблатта с различными моделями перцептрона - системы, обучающейся распознаванию образов. В связи с относительными успехами в логическом направлении ИИ и низким технологическом уровнем в микроэлектронике нейрокибернетическое направление было почти забыто с конца 1960-х до начала 80-х годов, когда появились новые удачные теоретические модели (например, «модель Хопфилда») и сверхбольшие интегральные схемы.
Логическое направление можно рассматривать как моделирование мышления на уровне сознания или вербального мышления. Его достоинствами являются:
возможность относительно легкого понимания работы системы;
легкость отображения процесса рассуждений системы на ее интерфейс с пользователем на естественном языке или каком-либо формальном языке;
достижимость однозначности поведения системы в одинаковых ситуациях.
Недостатками этого подхода являются:
трудность и неестественность реализации нечетких знаков (образов);
трудность (или даже невозможность) реализации адекватного поведения в условиях неопределенности (недостаточности знаний, зашумленности данных, неточно поставленной цели и т.п.);
трудность и неэффективность распараллеливания процесса решения задач.
Нейрокибернетическое направление можно рассматривать как моделирование мышления на подсознательном уровне (моделирование интуиции, творческого воображения, инсайта). Его достоинства - это отсутствие недостатков, свойственных логическому направлению, а недостатки - отсутствие его достоинств. Кроме того, в нейрокибернетическом направлении привлекает возможность (быть может, иллюзорная), задав базовые весьма простые алгоритмы адаптации и особенности структуры искусственной нейронной сети, получить систему, настраивающуюся на поведение сколь угодно сложное и адекватное решаемой задаче. Причем его сложность зависит только от количественных факторов модели нейронной сети.
Еще одним достоинством в случае аппаратной реализации нейронной сети является ее живучесть, т.е. способность сохранять приемлемую эффективность решения задачи при выходе из строя элементов сети. Это свойство нейронных сетей достигается за счет избыточности. В случае программной реализации структурная избыточность нейронных сетей позволяет им успешно работать в условиях неполной или зашумленной информации.
В процессе создания систем искусственного интеллекта обнаружились проблемы, далеко выходящие за пределы традиционных направлений информатики, физики, математики. Кроме того, для создания машин, имитирующих работу человеческого мозга, надо разобраться, как действуют миллиарды взаимосвязанных между собой нейронов. По мере продвижения и создания интеллектуальных систем все запутаннее становятся процессы функционирования человеческого разума.
В настоящее время сложились 2 основных подхода к моделированию воспроизведения техническими средствами принципов и конкретных особенностей функционирования системы.
Первое направление рассматривает продукт интеллектуальной деятельности человека, изучает его структуру и стремится воспроизвести его средствами вычислительной техники. При этом моделирование систем достигается за счет использования законов формальной логики, теории четких и нечетких множеств, графов и др. Основные результаты машинного интеллекта заключаются в создании экспертных систем, систем разбора естественного языка.
Второе направление рассматривает данные по нейрофизиологическим и психологическим механизмам и интеллектуальной деятельности. В этом случае стремятся воспроизвести эти механизмы с помощью технических устройств. Рассмотрение систем искусственного разума базируется на математической интерпретации нервной системы во главе с мозгом человека и реализации систем искусственного интеллекта в виде нейроподобных сетей.
В качестве основных особенностей нейронов, т. е. элементарных ячеек человеческого мозга, следует отметить:
нейронная система содержит около 100 млрд. нейронов, каждый имеет 100000 связей. Ежедневно погибает большое количество нейронов, а человеческий мозг продолжает функционировать и представляет собой устойчивую систему;
нейрон является медленно действующим элементом со временем реакции несколько мс, а обработка огромных объемов информации осуществляется мгновенно;
нейронные системы способны к самоорганизации и обучению.
Благодаря вышеуказанным особенностям нейронные системы имеют очень большие перспективы. В настоящее время существует несколько моделей нейронов. В дальнейшем рассмотрим такую модель, благодаря которой появились нейрокомпьютеры, т.е. компьютеры, функционирующие по модели человеческого мозга.
Нейрон представляет собой особый вид клеток человеческого организма, обладающих электрической активностью, особое назначение которых заключается в оперативном управлении организмом.
Схематически нейрон включает в себя (рис. 2.4):
тело, которое называется сомо (1);
дерево входов - дендриды (4);
дерево выходов (2);
начальный сегмент выхода - аксон (3).
Рис. 2.4. Схема нейрона
Сомо имеет поперечный размер 10-20 мкм, длина дендрида – 1мкм. Длина аксона составляет 100 мкм. На соме и дендриде располагаются окончания, идущие от других нервных клеток. Входные сигналы дендридного дерева взвешиваются и суммируются к аксонному холмику, где генерируется импульс.
Входной сигнал может быть положительным и отрицательным, т. е. либо возбуждается, либо тормозится. Величина входного сигнала может быть различной и определяет эффект работы аксона.
Все нейроны делятся на 3 группы:
1) рецепторные;
2) эффекторные;
3) промежуточные.
Рецепторные нейроны обеспечивают ввод в мозг сенсорной информации. Они трансформируют сигналы, поступающие на органы чувств.
Эффекторные нейроны передают приходящие на них сигналы исполнительным органам. На конце аксонов находится мышца, где возбужденные нейроны трансформируются в сокращение мышц.
Промежуточные нейроны осуществляют обработку информации, полученной от рецепторов, и формируют управляющие сигналы. Данные нейроны образуют центральную нервную систему.
Нейронные сети - искусственный аналог биологических сетей, по своим параметрам максимально приближающийся к оригиналу.
Данная модель нейрона и на базе ее нейроподобные сети (НПС) используются в следующих случаях:
когда задача не может быть формализована по заранее известным алгоритмам;
когда имеются неполные входные данные;
сигналы зашумлены или результаты противоречивы.
В этих случаях применение традиционных компьютеров неэффективно. Альтернативой им становятся специальные компьютеры, реализующие НС-технологии.
Отличительной чертой таких компьютеров является нестандартный характер обрабатываемой информации. В этом случае информация запоминается и содержится не в отдельных ячейках памяти (как в традиционных системах), а в распределении связей между нейронами и в их величине. При этом состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним. Особенностью является то, что потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом.
Высокая естественная помехоустойчивость и функциональная надежность независимо от искажающих, зашумляющих потоков и отказов отдельных процессорных элементов обеспечивают высокую оперативность (производительность) и достоверность обрабатываемой информации.
Возможно дообучение и переобучение НС при изменении внешних факторов. Обучение связано с более точной настройкой НС в процессе работы. Кроме того, следует отметить универсальность НС, которая связана с переходом в процессе обучения на новые виды решаемых задач.
Приведенные преимущества НС определяют следующие области применения таких сетей:
обработка и анализ изображения;
распознавание речи независимо от автора и перевод ее;
обработка высокоскоростных цифровых потоков;
автоматизированные системы быстрого поиска информации;
классификация информации в реальном масштабе времени;
решение трудоемких задач оптимизации большой размерности;
адаптивное управление и предсказание;
защита информации в сетях.
НПС - представляет собой параллельную связанную сеть простых адаптивных элементов, которые взаимодействуют с объектами реального мира аналогично биологической нервной системе. С инженерной точки зрения такая сеть представляет собой сильно распараллеленную динамическую систему с топологией непрерывного графа.
Такая система выполняет обработку информации посредством изменения своего состояния в ответ на постоянный или импульсный входной сигнал.
В настоящее время основными направлениями использования НПС являются:
программная реализация на цифровых ЭВМ традиционной архитектуры;
программно-аппаратная реализация в виде сопроцессоров для ЭВМ общего назначения;
аппаратная реализация путем создания нейрокомпьютеров на базе нейроплат в виде параллельных НП структур.
Первое направление характеризуется универсальностью, дешевизной и низкой скоростью обучения и функционирования НПС. Для второго направления характерны высокая скорость моделирования функционирования НПС, возможность обучения и дообучения. Первые два направления относятся к ранним вариантам создания НПС. По мере развития элементной базы нейрокомпьютеров оказалось возможным создание и развитие третьего направления, в котором мощная индустрия нейрокомпьютеров позволяет создавать аппаратные и программные средства для реализации различных моделей НС.
На сегодняшний день известно около 2000 различных концептуальных схем (парадигм) НПС, которые реализованы либо на специализированных кристаллах, либо - платах. Современные технологии позволяют создавать мощные рабочие станции и суперкомпьютеры в виде НПС, включающих в себя до 3-4-х млрд нейронов (в мозге около 100 млрд). Однако соединение различных компонентов в единую сеть представляет собой сложную проблему.
Вопросы для самопроверки
Что такое HMI-интерфейс?
Поясните назначение мнемосхем?
Поясните назначение SCADA-систем.
Приведите примеры основных элементов SCADA-систем.
Опишите основные языки программирования, доступные в SCADA-системе TRACE MODE.