37. Задачи и реализация систем автоматизации насосов и поршневых компрессоров.
Насосы
В соответствии с ГОСТ 12.1.007-76 «Вредные вещества. Классификация и общие требования безопасности» для перекачки жидкостей I и II класса опасности следует применять герметичные мембранные или центробежные насосы с двойным торцевым уплотнением.
Оговаривается порядок удаления остатков продуктов из трубопроводов, насосов и другого оборудования.
Для высоковязких, обводненных или легкозастывающих продуктов необходимо соблюдать условия, обеспечивающие непрерывность работы, теплоизоляцию или обогрев насосов.
Корпуса насосов, перекачивающих легковоспламеняющиеся и горючие жидкости должны быть заземлены.
Пуск насоса при уровне жидкости в полости меньше минимального запрещен. При достижении температуры подшипников граничного значения происходит сигнализация и останов насоса. При вибрации и осевом смещении аналогично.
Компрессоры
Оговаривается оборудование помещения компрессорной и качество применяемого для смазки масла.
За температурой охлаждающей воды должен быть постоянный контроль с сигнализацией опасных значений температуры и блокировкой в ПАЗ при достижении предельной допустимой температуры.
Производится контроль, сигнализация и блокировка значения уровня в отделителе жидкости, оборудованные световой и звуковой сигнализацией, а также блокировкой, обеспечение остановки компрессора при достижении предельно допустимого уровня жидкости.
Запрещается эксплуатация компрессоров с отключенными или неисправными средствами сигнализации и блокировки.
Температура газа на входе компрессора должна быть выше температуры конденсации газов.
Оговаривается порядок пусковых и ремонтных работ компрессоров.
38. Предпосылки, задачи и методы разработки интеллектуальных средств автоматизации. Нейронные сети. Продукционные системы и сетевые модели: общие сведения, сопоставительный анализ. Фреймы и предикаты: общие сведения, сопоставительный анализ.
Основные задачи решаемые производственными системами с искусственным интеллектом:
1) На нижнем уровне: разработка интеллектуальных регуляторов; разработка алгоритмов диагностирования внезапных и некоторых видов постепенных отказов элементов автоматизированных систем, защита автоматизированных технологических комплексов от последствий отказов.
2) Второй уровень: разработка систем принятия решений или систем поддержки оператора при управлении
- формирование уставок регуляторов с учетом ограничений для режимных параметров и показателей качества
- система поддержки принятия решений в аварийной ситуации;
3) Третий уровень:разработка АРМ, разработка систем управления по экономическим критериям.
Способы представления знаний
Интеллектуальные системы базируются на знаниях. Существуют следующие способы представления знаний:
1) Концептуальные знания
2) Эмпирические знания
Концептуальные знания базируются на известных законах. Эмпирические знания – на закономерностях, которые получены в результате научных исследований, опыта людей и т.д.
Модели представления знаний: декларативные и процедуральные. По смыслу, декларативные знания как правило знания концептуального характера. Отличие от процедуральных в том, что эти знания имеются оприори и для всех ситуаций – это стабильная часть знаний.
Процедуральные модели должны обладать аддитивными свойствами т.е. это переменная часть знаний.
На знаниях формируются некоторые интерпретаторы на основе исходной информации и моделей представления знаний реализуют некоторый механизм вывода заключения. В отличии от обычных алгоритмов системы с искусственным интеллектом – это алгоритмы формирования алгоритмов.
Нейронные сети - это ячеечная модель мозга, которая представляют собой совокупность нейронов, связанных между собой определенным образом. Каждый нейрон имеет несколько входов(синапсов), на которые поступают входные сигналы хi и один выход(аксон), с которого снимается выходной сигнал у. Каждый синапс имеет вес wi, на который умножается входной сигнал хi.
Внутри нейрона можно выделить блок суммирования, определяющий взвешенную сумму входных сигналов U=∑ wi хi и блок функции активации Y=F(U). Итак, нейрон функционирует за два такта:1)суммирование входных сигналов и 2)вычисление Y по функциям активации
∑
F(U)
Структура
нейрона:
x1 нейрон
w1 аксон выход(аксон) с
x2 w2 Y
wn
xn
синапсы блок суммирования функция активации
Нейроны образуют нейронные сети путем соединения синапсов с аксонами.
Нс:1)дают стандартный способ решения многих нестандартных задач
2)обладают способностью к обучению,3)эффективны там,где нужен аналог человеческой интуиции,4)при создании эффективного ПО для комп-ров с высокой степенью параллельной обработки.
Продукционные системы - набор продукционных правил + интерпретатор.
Продукционные правила имеют вид: PR = <S, N, F, A Þ C, W>,
где S - сфера применения правила; N - номер или имя правила; F - предусловие применения, A Þ C - ядро ПП; W - постусловие.
Применения S обозначает принадлежность ПП определенному этапу функционирования ПС или состоянию процесса принятия решения.
активизации F -переменная или логическое выражение. Когда F - «истина», ядро продукции может быть активизировано. Если F -«ложно», то ядро не активизируется.
Постусловие W описывает, какие изменения следует внести в ПС, и актуализируется только после того, как ядро продукции реализовалось
Назначение интерпретатора – добиться выполнения всех правил (обеспечить их непротиворечивость) путем их перестановки. В результате должно получиться решение, которое является устойчивым, т.е.после упорядочивания правил проход по правилам не приводит к изменению решений.
Сетевые модели. По своей сути – семантические (смысловые) сети. Ее можно трактовать как некоторый граф (матр.,табл.) у которого вершины – это объекты, дуги – отношения м/у объектами; отношение – это процедуры связи м/у объектами. Отношение – некоторый набор правил, описывающий взаимодействие вершин. В результате представления семантической сети удается по исходной информации и отношению м/у вершинами получить новое знание – результат анализа исходной информации на непротиворечивость и устойчивость элементов сети.
Фреймы – некоторый шаблон, формализованная форма сценария. Он состоит из имени фрейма; набора слотов (чистый бланк), имя слота, значение слота, которое получается в результате наполнения слота исходными данными и присоединения процедуры. Фрейм – сценарий с большим числом вариантов. Процедура программирования – это заполнение слота исходными данными. Фрейм будет называться экземпляром, если он содержит заполненные слоты. Если заполнены все, - то это сотовый сценарий. При реализации конкретной задачи фреймы могут взаимодействовать др.с др., т.е. образуется сеть фреймов, для извлечения данных могут использоваться присоединенные процедуры (это некоторые подпрограммы, осуществляющие подготовку данных для фрейма). Существует 2 вида процедур:
- процедура демоны – активизируется по умолчанию (всегда), если начали заполнять экз. фрейма, то процедура запускается одновременно;
- процедура слуги – активизируется по условию, когда мы хотим что-то изменить.
Пример: Задачи управления на складах, заправках, БД реляционных систем финансовых операций (открытие банковского счета)
Предикаты – некоторые выражения Р(хi), i=1,n определенные ч/з булевские переменные xi, либо ч/з лингвистич-е выражения со смыслом «да», «нет». В отличие от булевской алгебры в предикатах
используется 2 квантора:
- квантор общности
- квантор существования
По своей сути совокупность предикатов эквивалентна некоторой продукционной системе, но:
1) остается проблема согласования предикатов
2) определение порядка исчисления (предикатов)
«+»: существуют формализованные методы анализа предикатных систем.
«-»: эти процедуры – очень сложные.
Существуют пакеты, основанные на предикатных системах. По своей сути это некоторые оболочки, заполнение которых происходит на естественном языке, далее идет тестирование знаний в результате диалога, далее эта оболочка начинает работать, все время пополняя и уточняя знания.