Моделирование технологических процессов: методы и опыт

Тип работы:
Реферат
Предмет:
ТЕХНИЧЕСКИЕ НАУКИ


Узнать стоимость

Детальная информация о работе

Выдержка из работы

Минин ВПЧ1Ы1 шдм 2ИІ
МОДЕЛИРОВАНИЕ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ: МЕТОДЫ И ОПЫТ М. В. Мальков, А. Г. Олейник, А.М. Федоров
Настоящая работа носит обзорный характер. В ней представлены общие подходы к моделированию технологических процессов, рассмотрены этапы создания математических моделей и компьютерное моделирование технологических процессов. Приведены примеры работ, выполняемых Институтом информатики и математического моделирования технологических процессов КНЦ РАН в данном направлении.
Основу современных производств составляют технологические системы, имеющие сложную структурно-функциональную организацию. Как правило, объектом управления в этих системах являются конкретные технологические процессы. Если абстрагироваться от конкретного типа и вида технологического процесса, то любой технологический процесс можно представить в виде множества действий, условий и связей. Вообще говоря, любое производство состоит из стадий (этапов), на каждой из которых производится определенное воздействие на материальные потоки и превращение энергии. Последовательность стадий обычно описывается с помощью технологической схемы, каждый элемент которой соответствует определенному технологическому процессу. Соединения между элементами технологической схемы отражают материальные и энергетические потоки, протекающие в системе [1]. Система характеризуется алгоритмом функционирования, направленным на достижение определенной цели.
С позиций системного подхода, технологический процесс — это сложная динамическая система, в рамках которой взаимодействуют: оборудование, средства контроля и управления, вспомогательные и транспортные устройства, обрабатывающий инструмент или среды, находящиеся в постоянном движении и изменении, объекты производства, люди осуществляющие процесс и управляющие им. С целью анализа сложный технологический процесс можно разделить на подсистемы различных уровней. Декомпозиция системы на подсистемы позволяет вскрыть иерархию структуры и рассматривать систему на разных уровнях ее детализации.
Работа не с самим объектом (явлением, процессом), а с его моделью во многих случаях дает возможность относительно быстро и без существенных материальных затрат исследовать его свойства и поведение в любых ситуациях. Математическое моделирование в данной области -это процесс создания абстрактной модели в виде формального описания объекта исследований на «математическом языке» и оперирование этой моделью с целью получения необходимых сведений о реальном или проектируемом технологическом
объекте. В зависимости от уровня знаний об объекте исследований построение моделей может
осуществляться на основе различных принципов и методик: фундаментальных законов природы,
вариационных методов, аналогий, иерархических цепочек и др. Довольно часто построение модели, позволяющей получить практически значимые результаты, требует комплексного использования различных методов моделирования. Обязательным этапом моделирования является оценка адекватности модели — соответствие сконструированного
формального описания реальному объекту и сформулированным предположениям с учетом целей исследования. Модель изучается всеми доступными методами в интересах достижения поставленной цели.
В теории управления создаются и применяются математические модели двух основных типов (хотя в различных разделах теории эти типы определяются по-разному). Первый тип моделей — аналитические модели (феноменологические или модели данных). Эти модели не требуют, не используют и не отображают каких-либо гипотез о физических процессах, в которых эти данные получены. Второй тип — системные модели (или модели систем). Это математические модели, которые строятся в основном на базе физических законов и гипотез о том, как система структурирована и, возможно, о том, как она функционирует [10]. В классическом понимании к моделям данных относятся все модели математической статистики. Однако именно системные модели допускают возможность работы в разнообразных системах реального времени (операторские, инженерные, биомедицинские интерфейсы, разнообразные системы диагностики и т. д.). Поэтому можно ожидать, что именно системные модели составят ядро современного этапа в развитии математического моделирования, хотя в настоящее время во многих приложениях
используются и типичные модели данных [10].
Каждый из двух отмеченных выше типов моделей имеет свои традиционные области применения. В практике управления отдельными технологическими процессами широко используются
феноменологические модели. Простые по структуре, такие модели (обычно при числе переменных менее 10) достаточно хорошо отражают истинное поведение объекта в окрестности отдельных
режимов работы. В задачах управления, где цель управления часто состоит в компенсации
возмущающих воздействий, уводящих процесс от желаемой рабочей точки, это вполне допустимо [10]. Во многих задачах принципиально применимы
только системные модели.
Одной из основных целей математического моделирования технологических систем является прогнозирование на этапе их проектирования основных характеристик и особенностей их функционирования в реальных условиях промышленного производства. Действующих производств средствами моделирования определяются условия реконструкции, переоборудования, изменения технологических режимов и регламентов для решения задач оптимизации производственных процессов. Отсюда вытекают требования к достоверности полученных результатов, поскольку ошибки чреваты серьезными убытками или аварийными ситуациями. Практически всем технологиям свойственны экстремальные режимы функционирования. Затраты на исправление выявленной ошибки возрастает на порядок, если эта ошибка выявлена не на этапе проектирования, а на этапе создания экспериментального образца и еще на порядок при серийном выпуске. Поэтому современные принципы обеспечения качества продукции предусматривают проведение основных действий по достижению качества — 75% на начальных этапах жизненного цикла. Показательно, что на контроль производственных процессов американские специалисты затрачивают 20% усилий и только 5% - на приемку готового изделия- а в Японии на приемку изделия затрачивают лишь 1%.
Современное понимание проблемы адекватности предполагает проверку выполнения следующих критериев:
• непротиворечивость — дает ли модель результаты, которые не противоречат логике при изменении величин важнейших параметров-
• чувствительность — соответствуют ли
относительные изменения выходных параметров модели небольшим изменениям ее входных параметров-
• реалистичность — соответствует ли модель частным случаям, для которых имеются экспериментальные данные.
Именно критерий реалистичности рассматривается в большинстве случаев в качестве основного. На его основе построены современные процедуры идентификации параметров математических моделей, после чего только и выполняется собственно моделирование.
Сейчас появляются новые требования адекватности модели — адекватность понимается как макро характеристика всего моделирующего комплекса.
Сравнение методов математического и физического моделирования не даёт однозначного ответа в оценке их преимуществ. Абсолютно точную модель сложного процесса построить невозможно. По этой причине, если удаётся удовлетворить все условия критериального или геометрического подобия, прибегают к физическому моделированию. В теории автоматического регулирования имеется специальный термин — пилотное устройство, т. е. устройство, в котором параллельно основному процессу происходит его физическое моделирование
и на основании этого производится оперативное управление всей технологической системой. Но чаще всего, создание подобных устройств либо невозможно, либо очень дорого. В таком случае преимуществом обладает математическое моделирование.
Математическая формализация оценки эффективности технологического процесса
возможна только в том случае, когда сформулирован и стандартизирован механизм описания моделей технологических цепочек. Математическое моделирование может предсказать результат эксперимента. С помощью моделирования технологического процесса можно определить
оптимальные условия для производства какого-либо прибора или устройства, не прибегая к многочисленным экспериментам, которые требуют времени и материальных затрат. Моделирование позволяет учитывать множество различных факторов, влияющих на ход технологического процесса. При построении системных моделей, как правило, формируется явное математическое описание физических процессов, происходящих в реальном объекте, в виде систем дифференциальных, алгебраических и логических уравнений.
Современные инструментальные средства позволяют строить модели имитационного типа путем описания системы причинно-следственных связей, имеющих место в моделируемом объекте. При этом соответствующие системы уравнений синтезируются автоматически средой моделирования на основе заданных описаний [12]. При определении параметров модели необходимо учитывать технологические характеристики оборудования и экспериментальные данные о работе объекта. Допущения, принимаемые при построении моделей, должны обеспечивать воспроизведение качественно верной физической картины, происходящих в объекте процессов работы объекта. Должна также обеспечиваться необходимая полнота
моделирования, т. е.: моделироваться все
необходимые режимы работы, контролируемые параметры и органы управления объекта моделирования- воспроизводится набор возможных аварий и отказов в работе технологического оборудования и устройств автоматики. Модель должна обеспечивать достаточную точность результатов. В идеале отклонение в поведении моделируемых параметров от поведения реальных параметров должно быть настолько мало, что им можно пренебречь [7].
Наиболее содержательным является этап проектирования математической модели. На этом этапе исследуются закономерности, лежащие в основе технологии. Их математическое описание обычно основывается на дифференциальных уравнениях математической физики, теории цепей, термодинамики и т. д. Для обобщения результатов привлекаются методы теории планирования эксперимента. Результатом анализа технологического процесса, являются соотношения, полученные в результате решения дифференциальных уравнений. Таким образом, стадия
анализа технологического процесса позволяет определить основные элементы математической модели и структуру процесса моделирования [5].
В природе объективно существуют процессы, качественно разнородные по своей сущности, но описываемые одними и теми же системами дифференциальных или алгебраических уравнений, т. е. обладающие однотипными математическими моделями. Такое явление называется принципом изоморфности математических моделей. Для того чтобы быть изоморфной, модель должна удовлетворять двум условиям:
1. должно существовать однозначное соответствие между элементами модели и элементами представляемого объекта-
2. должны быть сохранены точные соотношения или взаимодействия между элементами.
Степень изоморфизма модели относительна и большинство моделей скорей гомоморфны, чем изоморфны. Под гомоморфизмом понимается сходство по форме при различии основных структур. Причем имеет место лишь поверхностное подобие между различными группами элементов модели и объекта. Гомоморфные модели являются результатом процессов упрощения и абстрагирования.
Классификация видов моделей в современной теории моделирования разнообразна. Модели могут быть: детерминированные и стохастические,
статические и динамические, непрерывные и дискретные, аналитические, физические, инфор-
мационные и т. д. Но в любом случае адекватность является доминирующим требованием к математической модели.
Важную роль при исследовании технологических процессов играет выбор между использованием детерминированных или стохастических моделей. В детерминированных моделях процесс или действие объекта описывается аналитическими выражениями, чаще всего системами дифференциальных или алгебраических уравнений. Детерминированные
модели применяют в тех задачах, в которых можно пренебречь флуктуациями значений параметров и результатов их измерений. В стохастических моделях процесс или действие объекта описывается стохастическими уравнениями и физический смысл имеют не отдельные реализации процесса, а совокупность реализаций и их параметры (математическое ожидание, дисперсия, коре-
ляционные зависимости и т. д.). Эффективность стохастических моделей в значительной степени определяется качественным выполнением всех
этапов эксперимента (выдвижение гипотезы, планирование, обработка результатов и т. д.).
Следует помнить, что в технологических исследованиях имеются:
• факторы, не допускающие целенаправленного изменения их в ходе исследования (состав, структура материала и т. п.) —
• управляемые факторы, с помощью которых реализуется заданные условия работы объекта (характеристики оборудования и т. п.) —
• неконтролируемые входные или независимые факторы, характеризующие действующие на объект возмущения.
При моделировании могут использоваться следующие подходы:
• моделирование в стационарном режиме, т. е. процесс рассматривается в определенный момент времени-
• моделирование в динамическом режиме, т. е. процесс рассматривается некотором временном интервале-
• моделирование в интегрированном режиме: включает в себя оба выше описанных режима [8].
Еще одним вариантом классификации является разделение моделей на дескриптивные и прескриптивные. Дескриптивные модели
предназначены для осмысления действительности -объяснения и описания наблюдаемых фактов, общения, обучения человека, реализации эксперимента, инструмента прогнозирования. Прескриптивные модели предназначены для нахождения желательного состояния объекта [7].
В России математическое моделирование активно развивается с конца 1950-х — начала 1960-х гг. [10]. Многочисленные модели физиологических процессов охарактеризовали приход второго поколения моделей — системных моделей процессов жизнедеятельности, использовавшихся для исследования процессов управления
искусственными органами. Развитие тренажерных моделей (в том числе — мультимедийных) характеризует начало третьего этапа. Модели третьего поколения по своей математической сущности могут быть как феноменологическими, так и системными. В настоящее время начинается переход к очередному поколению математических моделей — моделям виртуального мира. Виртуальное моделирование можно определить как воспроизведение трехмерного мира компьютерными средствами. При этом резко возрастает объем обрабатываемой и воспроизводимой информации.
Говоря о моделировании, наиболее часто используют термины: состояние, событие и объект. Состояние в моделировании примерно отвечает понятию состояния в теории управления — это совокупность переменных модели, описывающих систему в каждый момент времени. События — это действия, приводящие к изменению состояния системы. Объектами в модели могут быть как действительные сущности (объекты реального мира), так и виртуальные (физически не существующие) объекты. Для них определяется состояние и на них производятся воздействия [10].
Следует помнить, что в задаче моделирования кроме объекта моделирования и модели, обязательно присутствует субъект моделирования — лицо, усилиями и в интересах которого реализуется модель.
Роль субъекта моделирования оказывается решающей, ибо именно его цели, интересы и предпочтения формируют модель.
Общепринятым в настоящее время является подход, согласно которому на различных уровнях и этапах моделирования используют различные модели. Эго обеспечивает достижение разумного компромисса: сложность модели — точность
моделирования. Кроме того, такой подход позволяет достаточно гибко и оперативно проводить сравнение результатов моделирования с экспериментальными данными и уточнять исходные значения, т. е. осуществлять итерационный процесс совершенствования структур с учетом заданных параметров и принятых ограничений. Этот подход позволяет также соразмерять возможности численного моделирования по точности с точностью исходных данных. Совокупность моделей образует систему, взаимосвязи в которой определяются иерархическим принципом. Модели, используемые на каждом последующем более высоком уровне проектирования, отличаются большей степенью абстрагирования. Результаты моделирования на более низком уровне используются как исходные данные для моделирования на более высоком уровне. Для каждого уровня характерна своя теоретическая основа и математический аппарат для синтеза и анализа моделей [6].
Как правило, от состава средств моделирования отдельных процессов зависят функциональные возможности всей моделирующей системы. Любая задача моделирования эквивалентна большой системе нелинейных одновременно решаемых уравнений. В принципе, возможно решение всех этих уравнений одновременно, но в моделирующих системах обычно используется другой подход: каждый элемент схемы решается с применением наиболее эффективных алгоритмов, разработанных для каждого случая.
Достаточно часто при описании технологических процессов, и, в первую очередь, когда природа физических явлений, их сопровождающих, не ясна, используют полиномиальные модели. Если для исследуемых процессов существуют репрезентативные наборы статистических данных, то эффективно применение корреляционно-регрессивного анализа [8].
Моделирование многих технологических
объектов можно выполнять на микро, макро и мегауровнях, различающихся степенью детализации рассмотрения процессов в объекте.
Математической моделью технологических
объектов на микроуровне является обычно система дифференциальных уравнений с заданными
краевыми условиями, но точное решение подобных
систем удается получить лишь для частных случаев, поэтому первая задача состоит в построении приближенной дискретной модели для численных исследований.
Математической моделью технологического
объекта на макроуровне является также система дифференциальных уравнений с заданными
начальными условиями, построенными на основе сочетания компонентных уравнений отдельных элементов технологического процесса с топологическими уравнениями, вид которых определяется связями между элементами. Для сложных технологических объектов с большим числом элементов приходится переходить на мегауровень.
На мегауровне моделируют в основном две категории технологических объектов: объекты,
являющиеся предметом исследования теории динамических систем, и объекты, являющиеся предметом теории массового обслуживания, в том числе и других стохастических методов. Для первой категории объектов возможно использование детерминированного или стохастического математического аппарата макроуровня, для второй используют стохастические методы событийного моделирования.
Одной из адекватных моделей описания
причинно-следственных связей, возникающих в технологическом процессе и представленных
множествами действий и условий, является сеть Петри — мощный инструмент исследования дискретных систем. Функциональная схема технологического процесса, описываемая в терминах сетей Петри, выражает состав и определенную последовательность операций. Моделирование технологического процесса дает возможность
получить новые значения. Динамика работы модели технологического процесса находит свое отражение в совокупности срабатываний переходов в сети и в изменении соответствующих разметок, что позволяет анализировать интересующие свойства исходной сети Петри. Одна из важнейших особенностей сетей Петри состоит в том, что понятие времени выполнения всего технологического процесса или его части заменено причинно-следственными связями между действиями (переходами) сети [9].
Достаточно часто модель может входить в систему управления в форме блока, вычисляющего выходы некоторого объекта по ее входам. В этом случае речь идет о развитии так называемого имитационного моделирования — динамическом моделировании объекта. Динамическое моделирование характерно для различных задач реального времени
Способы использования математических моделей в задачах управления могут быть различными. Вплоть до недавнего времени математические модели использовались в практике управления только как источник входных данных для систем управления. Однако развитие техники (прежде всего
— появление компьютерных технологий) во многих дисциплинарных областях сделало возможным непосредственное включение моделей в работающие системы.
Информационные технологии позволяют автоматизировать технологический процесс. Автоматизация технологического процесса — это совокупность методов и средств, предназначенная
для реализации системы, позволяющих осуществлять управление производственным процессом без непосредственного участия человека. Как правило, в результате автоматизации технологического процесса, создаётся автоматизированная система управления технологическим процессом (АСУ ТП).
Процесс компьютерного моделирования включает и конструирование модели, и ее применение для решения поставленной задачи: анализа, исследования, оптимизации или синтеза технологических процессов. Вычислительные (имитацинные) эксперименты с моделями объектов не редко позволяют изучать объекты в полноте, недоступной чисто теоретическим подходам. При этом выбор вычислительных алгоритмов — важный этап работы с моделью, а разработка программ завершает создание рабочего инструмента исследователя.
Основой успешной методики компьютерного моделирования должна быть тщательная проработка моделей. Аналогии и ассоциации с хорошо изученными структурами играют важную роль в определении отправной точки процесса совершенствования и уточнения деталей. Целесообразно обеспечить взаимодействие между процессом модификации модели и процессом анализа данных, генерируемых реальным объектом. Искусство моделирования состоит в способности анализировать проблему, выделять из нее путем абстрагирования ее существенные черты, выбирать и должным образом модифицировать предположения, характеризующие систему, а затем совершенствовать модель до тех пор, пока она не станет давать полезные для практики результаты.
В процессе компьютерного моделирования исследователь имеет дело с тремя объектами: системой (реальной или проектируемой), математической моделью и программой ЭВМ, реализующей алгоритмы преобразования данных с целью получения «выходов» модели. Исходя из того, что компьютерное моделирование применяется для исследования, оптимизации и проектирования реальных технологических объектов, можно выделить следующие этапы этого процесса:
• определение объекта — установление границ и ограничений эффективности функционирования объекта-
• построение модели — переход от реального объекта к его абстрактному описанию на математическом языке (или специализированном языке среды моделирования) —
• стратегическое планирование — планирование вычислительного эксперимента-
• разработка моделирующего алгоритма (при использовании «готовой» инструментальной среды моделирования данный этап может заключаться в выборе или настройке встроенных алгоритмов) —
• подготовка данных-
• оценка адекватности модели (тестовые эксперименты и сопоставление их результатов с известными реальными данными) —
• тактическое планирование — определение способа проведения каждой серии испытаний, предусмотренных планом эксперимента-
• экспериментирование — процесс осуществления имитации с целью получения «новых» данных и анализа чувствительности-
• интерпретация — построение выводов на основе данных, полученным путем имитации-
• практическое использование результатов моделирования.
Перечисленные этапы создания и использования модели определены в предположении, что задача может быть решена наилучшим образом с помощью компьютерного моделирования. В ряде случаев, когда задача сводится к модели, позволяющей получить аналитическое решение, нет нужды в компьютерном моделировании и имитации.
В рамках «классической» схемы вычислительного эксперимента [22], которую упрощенно (опустив обратные связи) можно представить цепочкой: «объект исследований» -" «математическая модель» -" «численный метод» -& gt- «программирование для ЭВМ» -& gt- «проведение вычислений» -" «анализ результатов», основные требования предъявляются к адекватности математической модели и наилучшему выбору численного метода. Непосредственным результатом вычислительного эксперимента в этом случае являются, как правило, численные значения характеристик исследуемой системы, полученные при варьировании входных данных модели. Не смотря на то, что современные информационные технологии существенно расширили когнитивные возможности компьютерного моделирования, данная схема продолжает эффективно использоваться при моделировании технологических процессов. Схема процесса компьютерного моделирования [3], основного на триаде: модель — алгоритм —
программа, представлена на рисунке.
На первом этапе построения математической модели (ММ) выбирается эквивалент технологического процесса, отражающий в математической форме важнейшие его свойства -законы, которым он подчиняется, связи, присущие составляющим его элементам и т. д. Математическая модель исследуется теоретическими методами, что позволяет получить предварительные знания об объекте.
Второй этап связан с разработкой метода расчета сформулированной математической задачи. Фактически он представляет собой совокупности формул, по которым ведутся вычисления, и логических условий, позволяющих установить нужную последовательность применения этих формул. Вычислительные алгоритмы не должны искажать основные свойства модели и, следовательно, исходного технологического объекта, быть экономичными и адаптирующимися к особенностям решаемых задач и используемых компьютеров.
Теоретические ^->(исследования
Структурный анализ модели
Аналитическое
исследование
модели
Анализ, интерпретация и документирование результатов _
Построение М М режимов функционирования технологического процесса
Разработка алгоритма решения уравнений ММ
Програм-
мирование
алгоритма
Вычислительный эксперимент
Результаты исследования
Предметная область и
цели моделирования
Схема организации процесса компьютерного моделирования
Как правило, для одной и той же математической задачи можно предложить множество вычислительных алгоритмов. Однако требуется построение эффективных вычислительных методов, которые позволяют получить решение поставленной задачи с заданной точностью за минимальное количество действий (арифметических, логических), то есть с минимальными затратами машинного времени.
Вычислительный эксперимент имеет
«многовариантный» характер. Действительно, решение любой прикладной задачи зависит от многочисленных входных переменных и параметров. Получить решение математической задачи в виде формулы, содержащей явную зависимость от переменных и параметров, для реальных задач, как правило, не удается. При проведении вычислительного эксперимента каждый конкретный расчет проводится при фиксированных значениях переменных и параметров. Определяя в пространстве переменных и параметров точку, соответствующую оптимальному режиму, приходится проводить большое число расчетов однотипных вариантов задачи, отличающихся значениями некоторых переменных или параметров. Поэтому очень важно опираться на эффективные численные методы.
Третий этап — создание программы для реализации разработанного моделирующего алгоритма. В процессе исследования реальных систем часто приходится уточнять модели, что влечет за собой перепрограммирование моделирующего алгоритма. Ясно, что процесс моделирования в этом случае не будет эффективным, если не обеспечить его гибкости. Для этой цели можно использовать формальные схемы, описывающие классы математических моделей из определенной предметной области, поскольку программировать тогда нужно функционирование данной схемы, а не описываемые ею частные модели.
Важное место в вычислительном эксперименте занимает обработка результатов расчетов, их всесторонний анализ и формирование выводов. Эти выводы бывают в основном двух типов: или
становится ясна необходимость уточнения модели, или результаты, пройдя проверку, передаются заказчику. При оптимизации или проектировании технологического объекта из-за сложности и высокой размерности математической модели проведение расчетов может оказаться дорогим. И тогда идут на упрощение модели.
Говоря о технологии моделирования, следует отметить два важных аспекта:
1) методологическую составляющую технологии
как науки, занимающейся выявлением
закономерностей, применение которых на практике позволяет находить наиболее эффективные и экономичные приемы компьютерного
моделирования объектов на ЭВМ-
2) прикладные цели и задачи технологии как искусства, мастерства, умения достигать в ходе компьютерного моделирования сложных объектов практических результатов [3].
Использование микропроцессоров для управления разнообразными техническими, технологическими системами и их оптимизация становится возможным, если основные условия их работы связаны с критериями функционирования многофакторных математических моделей.
За последние десятилетия произошел качественный скачок в разработке моделей, их верификации, в создании и использовании модельнообоснованных методов исследования, в способах анализа и представления результатов
моделирования. Академическое понимание и узкопрофессиональное использование методов моделирования уступает место широкому использованию имитационных моделей в самых разных областях [10].
Моделирование различных технологических
процессов является одним из основных
инструментов, используемым Учреждением Российской академии наук Институтом информатики и математического моделирования технологических процессов Кольского научного центра РАН (далее Институт) в своих научных исследованиях.
С учетом тенденций и трендов в научной сфере вообще, преобразований и изменений в Российской академии наук в частности, на текущий момент Институт в своей работе руководствуется
следующими основными направлениями научной деятельности:
• информационные технологии и распределенные системы управления устойчивым инновационным развитием региона-
• математические модели, методы и системы информационного обеспечения жизненного цикла и снижения риска прогрессивных технологий.
Основные направления научной деятельности Института скоординированы в соответствии с направлениями Программы фундаментальных научных исследований государственных академий наук на 2008−2012 годы [11] и Основными научными направлениями исследований профильного Отделения нанотехнологий и информационных технологий Российской академии наук, утвержденным постановлением Президиума РАН от 28 апреля 2009 г. № 122:
• когнитивные системы и технологии, нейроинформатика и биоинформатика, системный анализ, искусственный интеллект, системы распознавания образов, принятие решений при многих критериях (соответствует п. 28 Программы) —
• проблемы создания глобальных и
интегрированных информационно-
телекоммуникационных систем и сетей. Развитие технологий и стандартов GRID (соответствует п. 31 Программы).
Вместе с классическими технологическими процессами, к которым, например, относится химическое производство, добыча и переработка минеральных ресурсов, в настоящее время Институт активно исследует средствами компьютерного моделирования и социально-экономические
процессы.
Для работы с этими разнотипными объектами исследования применяются единые методы и технологии, позволяющие эффективно решать поставленные задачи. Для этих целей в Институте разработаны и используются методы единого формализованного представления процессов, объектов и задач регионального управления и информационно —
вычислительных ресурсов, необходимых для решения этих задач. Для реализации этих методов Институтом предложена технология интеграции моделей различных типов в единую модель сложной системы, развиты методы синтеза спецификации распределенной исполнительной среды для поддержки задач регионального управления- отработана технология автоматизированного синтеза системно-динамических моделей [12]
Модели являются составной частью разрабатываемых информационных технологий и основанных на них программных продуктов и систем. Сами по себе разрабатываемые модели являются специфическим продуктами, требующими особого квалифицированного обращения. Программная же система, обеспечивающая использование модели в прикладных целях, должна быть максимально ориентирована на конечного пользователя. Поэтому она инкапсулирует в себе детали реализации, предоставляя удобный и интуитивно понятный пользовательский интерфейс для практического использования «заложенных» в систему моделей.
В рассмотренных ниже примерах использования технологий и средств моделирования в рамках основных направлений научной деятельности Института в понятие «технологический процесс» включаются не только процессы, связанные с промышленными технологиями, но и процессы, реализуемые с помощью технологий иного типа.
В Институте разработана информационная технология среднесрочного прогнозирования нагрузки трафика на узлы информационно-коммуникационной среды. Одним из центральных элементов технологии является концептуальная модель информационного взаимодействия объектов в сети. На основе задаваемых исходных данных имеется возможность рассчитать предельные объемы нагрузки на сетевые узлы, а также построить прогноз такой нагрузки в случае возникновения различных нештатных ситуаций. Особенностью используемой модели является специфическое соединение технологических процессов приема-передачи данных по сети и социально-экономических процессов региона, которые оказывают прямое и косвенное воздействия на процессы такого рода. В силу указанной специфики модель позволяет производить расчеты как на микроуровне, при рассмотрении процессов трафикообразования, так и на макроуровне, при выборе участвующих в коммуникационных процессах социальноэкономических групп пользователей [13].
Одно из направлений исследований Института в последние годы связано с решением задач информационной поддержки инновационной деятельности. Разработаны методы и технологии комплексного информационного обеспечения управления инновационным развитием региональной экономики. В основе полученных результатов лежит концептуальная модель виртуальной бизнес среды инноваций, которая позволяет проводить синтез и анализ инновационных структур. Формирование инновационных цепочек представляет собою специфический технологический процесс, результатом которого являются спецификации бизнес-структур, обеспечивающих получение необходимого инновационного продукта. Особенностью такой модели является учет и управление неопределенностями, которые возникают в процессе подбора, согласования и координации действий бизнес-посредников в процессе работы по созданию новой продукции (инновации) [14].
Другой специфической областью применения моделей и методов, характерных для моделирования технологических процессов, является система подготовки специалистов (система образования) региона. Для интерпретации развития системы образования региона с помощью дифференциальных уравнений была использована аналогия данной системы с технологической системой «смеситель -конвейер». В рамках используемой аналогии зачисление абитуриентов в учебные заведения интерпретируется как процесс «смешения» абитуриентов, прошедших по конкурсу, и финансирования, выделяемого учебным заведениям. Используя метод разделения состояний, широко применяемый для технологических объектов, полученная система дифференциальных уравнений была записана в упрощенном виде. Таким образом, для значения переменных состояния системы образования, описывающих необходимую
концентрацию абитуриентов по определенным специальностям и размеры необходимого финансирования, была получена система неравенств, решение которой позволило определить необходимый объем финансирования для обеспечения требуемого уровня выпуска специалистов [15].
Одной из задач, для решения которой создавался Институт, было информационное обеспечение классических производств и производственных процессов. С учетом региональной специфики Мурманской области особое внимание по этому направлению уделяется производственным
процессам добычи и переработки минеральных ресурсов и развития химического производства.
В тесном сотрудничестве с Горным институтом КНЦ РАН разработан ряд информационных технологий и инструментальных средств для моделирования обогатительных процессов с целью определения эффективных режимов их реализации и совершенствования конструкций разделительных аппаратов. На основе анализа обобщенной структуры параметров процессов разделения минеральных компонентов предложены структура, состав и принципы реализации системы информационной поддержки синтеза оптимальных (с точки зрения заданного критерия) схем и циклов процессов обогащения минерального сырья [16]. Синтез схем процессов обогащения и определение их оптимальных параметров разделительных процессов осуществляется на основе проведения вычислительного эксперимента над их математическими моделями. Модели процессов разделения синтезируются специальным блоком системы на основе экспериментальных данных, априорно известных зависимостей и взаимосвязей (если таковые имеются), а также неформальных представлений специалистов о свойствах объекта моделирования. Разработана агрегированная математическая модель процессов разделения минеральных компонентов, которая описывает общие закономерности движения минеральных частиц в рабочих зонах разделительных аппаратов и
позволяет определить функцию распределения фаз минерального комплекса и сепарационную
характеристику аппарата [17]. Создан алгоритм формирования и анализа вариантов реализации процессов разделения минеральных компонентов. Алгоритм обеспечивает синтез аналитических моделей конкретных разделительных аппаратов на основе агрегированной модели процессов сепарации и расчет по данным моделям матрицы
сепарационных характеристик аппаратов, реализующих конкретный метод разделения.
Последующий анализ матрицы сепарационных характеристик и параметров, при которых получена каждая характеристика, позволяет выбрать аппарат и условия разделения наилучшим образом удовлетворяющие задаваемому набору ограничений [18].
Использование мощных современных программных пакетов, включающих инструменты решения уравнений различного типа, позволяет снизить трудозатраты на разработку средств информационной поддержки задач совершенствования технологий и аппаратов обогащения минеральных полезных ископаемых. В частности, с использованием пакета FEMLAB была реализована компьютерная модель, обеспечивающая визуализацию результатов аналитического моделирования гидродинамики течений неньютоновских жидкостей в сепарационных аппаратах. Результаты компьютерного моделирования позволили выработать рекомендации по совершенствованию конструкции магнитно-гравитационных сепараторов [19].
Технология имитационного моделирования используется Институтом для развития методов диагностики состояний технологических процессов на основе оценок безопасности. Применение современных информационных технологий позволило разработать специализированные информационные системы технологической безопасности. Основными компонентами разработанных технологий являются математические модели, используемые в решении задач определения аварийных состояний, алгоритмы поиска источников нарушений, методы прогноза аварийных состояний с учетом неопределенности функционирования технологического процесса. На их основе разработаны специализированные системы поддержки принятия решений в области управления технологическими процессами. Также для поддержки выбора сценариев реализации инноваций в химико-технологических процессах в Институте разработан метод оценки финансовых рисков, основанный на аппарате нечеткой логики. Метод позволяет проводить оценку рисков на различных этапах технологической инновации, а также формировать сценарии ее реализации, характеризующиеся приемлемыми значениями риска [20].
Отдельное направление работ Института — разработка паспортов безопасности технологических объектов и планов ликвидации аварийных ситуаций. Здесь предметом исследований служат аварийные ситуации, периодически возникающие на опасных технологических производствах и объектах, и про-
цессы, связанные высоким риском для жизни людей и пагубным воздействием на окружающую среду. Концептуальное и имитационное моделирование в рамках данных работ ставить своей целью выявление аварийных ситуаций, изучение хода их развития во времени и построение адекватных данным ситуациям планов противодействия их развитию и ликвидации их последствий с учетом минимизации ущерба [21].
Приведенные в данной статье классификации моделей технологических процессов и примеры практической реализации таких моделей наглядно демонстрируют огромный потенциал, который несет моделирование не только в отношении классических технологических производств, но и связанных с ними процессов социально-экономической природы. При сравнительно небольших доработках известные методики моделирования технологических процессов могут быть применены в отношении новых, ранее не рассматриваемых, областей, таких, например, как эффективное управление продуктовыми и технологическими инновациями.
Литература
1. Моделирующие программы для нефтяной и
газовой промышленности. — Режим доступа:
http: //www. gibbsim. ru/reviews/
2. Вопросы моделирования технологических процессов и поддержки инноваций. -
Режим доступа: http: //belisa. org. by/ru/izd/other/
3. Компьютерное моделирование технологических процессов.
— Режим доступа: http: //tstu-isman. tstu. ru/pdf/
4. Информационное обеспечение технологических процессов. — Режим доступа: http: //n-t. ru/sp/lesmi/
5. Теоретические основы организации и функционирования технологических систем. -Режим доступа: http: //library. distudy. ru/books/
6. Физико-топологическое моделирование структур элементов БИС. — Режим доступа: http: //www. fos. ru/radio/
7. Нормативно-технические требования и
современная реализация тренажеров для обеспечения надежности оперативного
персонала электроэнергетических установок. -Режим доступа: http: //www. testenergo. ru/
8. Моделирование технологических процессов.
— Режим доступа: http: //wwwcdl. bmstu. ru/mt3/
9. Использование апостериорной информации при
математическом моделировании. — Режим доступа: http: //library. mephi. ru/data/scientific-
sessions/
10. Математическое моделирование в век компьютеров. — Режим доступа: http: //1 gkb. kazan. ш/
11. Программа фундаментальных научных исследований государственных академий на 2008−2012 годы. -Режим доступа: http: //www. ras. ru/scientificactivity/
12. Информационные технологии регионального управления / С. В. Емельянов и др. // Монография.- Москва: Эдиториал УРСС, 2004.
— 392 с.
13. Датьев, И. О. Метод и технология системно-
динамического моделирования нагрузки на региональные информационно-
коммуникационные сети / И. О. Датьев,
B.А. Путилов, А. М. Федоров // Труды Института
системного анализа РАН //Под ред. Попкова Ю. С., Путилова В. А. — М: Книжный дом
«ЛИБРОКОМ», 2008. -Т. 39. -С220−231.
14. Шишаев, М. Г. Имитационное моделирование рыночной диффузии инноваций / М. Г. Шишаев,
C.Н. Малыгина, А. В. Маслобоев / Инновации.
— 2009. — № 11(132). -С 82−86.
15. Кириллов, И. Е. Оценка устойчивости
региональной системы образования / И. Е. Кириллов, В. Н. Богатиков, А.Г. Олейник// Информационные технологии в региональном развитии. — Апатиты: Изд-во КНЦ РАН, 2009. -Вып. IX. -С. 121−128.
16. Автоматизированная система синтеза оптимальных схем и циклов процессов обогащения / А. Ш. Герщенкоп, и др. // Имитационное моделирование в исследованиях проблем регионального развития. — Апатиты: Изд-во КНЦ РАН, 1999. — С. 101−107.
17. Олейник, А. Г. Агрегированная математическая модель процессов разделения минеральных компонентов / А. Г. Олейник, А. А. Шалатонова //Информационные технологии в региональном развитии: концептуальные аспекты и модели.
— Апатиты: Изд-во КНЦ РАН, 2002. — С. 71−74.
18. Олейник, А. Г. Алгоритм анализа вариантов
реализации сепарационного процесса / А. Г. Олейник, А. А. Шалатонова //
Информационные технологии в региональном развитии. — Апатиты, 2003. — Вып. III. — С82−85.
19. Бирюков, В. В. Применение системы Femlab для моделирования гидродинамики течений в обогатительных аппаратах / В. В. Бирюков,
А. Г. Олейник //Информационные ресурсы России.- 2007, № 3 (97). — С. 30−32.
20. Модель управления безопасностью
функционирования технологического процесса / И. Н. Морозов и др. //Информационные технологии в региональном развитии. — Апатиты: Изд-во КНЦ РАН, 2009. — Вып. IX. — С. 90−93.
21. Яковлев, С. Ю. Информационная поддержка
принятия решений по предупреждению и ликвидации последствий аварий на объектах нефтепереработки / С. Ю. Яковлев, А. А. Рыженко, Н. В. Исакевич //Труды Института системного анализа РАН / Под ред. Попкова Ю. С., Путилова В. А. — М: Книжный дом
«ЛИБРОКОМ», 2008. — С417−422.
22. Самарский, А. А. Численные методы / А. А. Самарский, А. В. Гулин. — М.: Наука, 1988. -440 с.

ПоказатьСвернуть
Заполнить форму текущей работой