- •Предисловие
- •Часть 1 системный анализ технологических систем Введение
- •1. Основы теории систем
- •1.1. Классификация систем
- •1.2. Структурный (топологический) анализ систем
- •1.2.1. Анализ элементов
- •1.3. Структурные характеристики системы
- •1.3.1. Связность системы
- •1.3.2. Степень центральности системы
- •1.3.3. Сложность системы
- •2. Параметрический анализ систем
- •3. Структурно параметрическая модель динамики состояния большой технологической системы
- •4. Алгоритмы идентификации и прогнозирования состояния системы
- •Р ис. 1.7. Структурно-параметрическая ситуационная модель аномального
- •Аномального состояния системы
- •Экстремального функционального влияния k-го фактора
- •В больших системах
- •5. Построение структурно-параметрической модели большой системы
- •6. Отыскание характеристик связей между параметрами состояния технологической системы
- •Состояния большой системы
- •Параметры биосырья (молока):
- •На базе статистических данных по формуле (1-15) сформирована матрица корреляционных коэффициентов связей между параметрами состояния системы (таблица 1.2). Матрица коэффициентов корреляции Rij
- •Матрица коэффициентов регрессии Pij
- •Матрица безразмерных характеристик связей Cij
- •Матрица аномального состояния системы Sij
- •7. Экспертная система контроля и управления качеством продукции в перерабатывающей отрасли апк
Матрица аномального состояния системы Sij
Таблица 1.5
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
-0.379 |
0.000 |
0.043 |
0.000 |
0.000 |
0.000 |
0.000 |
-1.410 |
0.000 |
-0.178 |
0.000 |
0.000 |
1.217 |
0.000 |
0.000 |
0.531 |
0.000 |
0.000 |
-0.952 |
-0.289 |
0.000 |
0.000 |
0.078 |
0.000 |
0.224 |
0.000 |
0.000 |
0.000 |
0.000 |
-0.812 |
0.000 |
0.000 |
0.036 |
0.000 |
0.000 |
0.000 |
-0.628 |
0.000 |
0.001 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.932 |
0.000 |
0.000 |
0.768 |
0.000 |
0.000 |
0.000 |
-0.288 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.376 |
0.000 |
0.236 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.291 |
0.000 |
-0.672 |
0.094 |
0.000 |
0.007 |
0.059 |
0.001 |
0.000 |
0.000 |
0.000 |
0.000 |
-1.908 |
-0.257 |
-0.798 |
0.000 |
0.000 |
0.045 |
0.000 |
0.000 |
-0.060 |
0.000 |
-0.008 |
0.296 |
1.296 |
0.090 |
0.000 |
-0.022 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
-0.021 |
0.866 |
0.655 |
1.691 |
-0.002 |
0.000 |
0.000 |
-0.086 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.828 |
0.849 |
Точность моделирования оценивается степенью различия наблюдаемого отклонений и сумм составляющих их расчетных вкладов согласно (1-10) и в данном фрагменте не достигается либо за счет влияния неучтенных факторов, либо неполноты статистических данных и неадекватности коэффициентов регрессии. В процессе наблюдения системы и дополнения базы данных модели ее функциональных связей и ситуационная модель постоянно уточняются и корректируются по результатам идентификации текущих ситуаций. Вместе с тем для правильной диагностики и прогнозирования аномальных состояний в структурно-параметрической ситуационной модели при сравнении вкладов важна не точная их оценка, а соблюдение отношения порядка их абсолютных значений.
По алгоритму диагностирования (рис.1.8) на главной диагонали ситуационной матрицы (таблица 1.5) выбирается максимальное по модулю отклонение x8 = -1.908 и строится причинно-следственная цепь связей
(8:10), (10:8) “цикл “,
(10:9), (9:8) ”цикл ”,
(9:10)” цикл ”,
(9:2), (2:8) “цикл “,
(2:5), (5:2) “цикл “.
При диагностировании отклонения параметра выходного продукта, например x11 = 0.849 , причинно-следственная линия выглядит как
(11:10), (10:8), (8:10) “цикл “,
(8:9), (9:8) ”цикл ”,
(9:10) “цикл “,
(9:2), (2:8) “цикл “,
(2:5), (5:2) “цикл “.
Здесь поиск можно прервать, так как цепь воздействий по менее значимым линиям связи вновь замыкается на ранее прерванные циклы и в наблюдаемом пространстве исходная причина оказывается в цикле функционального взаимодействия (2:5), (5:2), т.е. объясняется отклонением параметров x2 и x5 , соответственно плотностей обезжиренного и заквашиваемого молока. По найденному направлению наибольшего функционального влияния “(11:10), (10:8), (8:9), (9:2), (2:5), (5:2)” дается сообщение:
“Отклонение x11 – содержания сухих веществ в сыворотке обусловлено отклонением плотностей обезжиренного и заквашиваемого молока x2 и x5 через изменение времени и температуры сепарирования x9 , x8 и pH творожной основы x10 .“
Другие примеры построения структурно-параметрических моделей взаимосвязей и ситуаций в технологических системах даны в приложении 1.
Описанные модели и алгоритмы структурно-параметрического моделирования и идентификации могут быть использованы для разработки интерактивной системы анализа многофакторных и многосвязных технологических систем по переработке биосырья. Примером может служить информационная технология и экспертная система контроля качества и безопасности продуктов питания, описываемые в следующем разделе.