WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 15 |

В нечеткой логике значение истинности может быть размытым подмножеством любого достаточно упорядоченного множества. Но обычно это – нечеткое подмножество на интервале [0,1] или попросту точка этого интервала. Так называемые лингвистические критерии истинности, такие как «верно», «совершенно верно», «не вполне верно» и т.п., могут интерпретироваться как метки нечетких множеств. В двухзначных логиках предикаты четкие, в нечетких логических системах они размытые, например «достаточный», «недостаточный» и т.д. Следует заметить, что большинство предикатов в естественных языках размытые (нечеткие), а не четкие.

В классических логических системах вероятность выражается числом или интервалом. В теории нечетких множеств дополнительно можно использовать нечеткие понятия. Такие понятия можно интерпретировать как функции принадлежности, операции над которыми проводятся по правилам размытой арифметики.

Центральным понятием теории нечетких множеств является понятие лингвистической переменной. Согласно Л.Заде [3], лингвистической называется переменная, значениями которой являются слова или предложения естественного или искусственного языка. Примером лингвистической переменной является, например, «Уровень знаний», если она принимает не числовые, а лингвистические значения, такие как, «недостаточный», «достаточный», «удовлетворительный», «хороший», «очень хороший», «отличный». Лингвистические значения данной лингвистической переменной нечетко характеризуют сложившуюся ситуацию, причем очевидно, что мера того, что уровень знаний является «отличным» должна быть весьма мала.

Смысл лингвистического значения Х характеризуется выбранной мерой – функцией принадлежности (membership function) µ: U [0,1], которая каждому элементу u универсального множества U ставит в соответствие значение совместимости этого элемента с Х.

Нечеткое подмножество А универсального множества U характеризуется функцией принадлежности µА: U [0,1], которая ставит в соответствие каждому элементу uU число µА(u) из интервала [0,1], характеризующее степень принадлежности элемента u подмножеству А.

Носителем множества А называется множество таких точек в U, для которых величина µА(u) положительна.

Одним из основных преимуществ подхода, основанного на теории нечетких множеств, является возможность измерения качественной составляющей информации на основе сравнения функций принадлежности, что невозможно при использовании обычных методов измерений. Такой подход может составить основу метода нечетких измерений.

1.4. Пример использования нечеткой информации В качестве прикладной предметной области использования качественной информации при управлении сложными объектами целесообразно рассмотреть такой характерный энергонасыщенный технологический процесс, как доменное производство [4].

Доменный процесс в настоящее время характеризуется целым комплексом механических, тепловых и физических явлений. Такие зоны в доменной печи, как зона вязко-пластичного состояния материалов, осевая зона малоподвижных материалов, фурменная зона объективно почти не контролируются. Ведение доменной плавки, по существу, является искусством. На первый план выходят профессиональные качества технологического персонала (экспертов), их знания и заключения [5].

Основные функции типовой бригады доменщиков можно представить в следующем виде:

Мастер печи – производит комплексную оценку информации от рабочих своей бригады: проверяет ее достоверность, оценивает степень влияния всех факторов на ход плавки, проводит идентификацию технологической ситуации на печи, принимает оптимизирующие решения по стабилизации и управлению.

Машинист загрузки – оценивает качество кокса, железнорудных материалов, работы вращающего распределителя шихты, схода шихты.

Горновой – оценивает состояние фурменных очагов, нагрев чугуна и шлака, выпуск продуктов плавки, равномерность распределения газа по фурмам.

Водопроводчик – оценивает степень теплонапряжения холодильников и кожуха печи во всех зонах, состояние воздушных фурм;

Газовщик – оценивает состояние показателей контрольноизмерительных приборов, системы нагрева дутья, ход печи, давление в печи, режим загрузки.

Технолог – оценивает режим дутья, подачи кислорода, природного газа, оптимизация их соотношений, степень использования природного газа.

На каждом этапе технологического процесса эксперты, в данном случае доменщики, непосредственно принимающие участие в производстве, для оценки значений соответствующих производственных факторов помимо инструментальных измерений используют качественную информацию, формулируемую на профессиональном языке (подмножестве естественного языка), отражающем специфику доменного производства.

Следствием этого является использование в процессе выработки наилучшего решения по управлению доменной плавкой качественных элементов – понятий и отношений с нечеткими (размытыми, расплывчатыми) границами, высказываний с многозначной шкалой истинности. Упомянутые качественные элементы являются составной частью ЭЗЗ.

С другой стороны, ЭЗЗ, используемые при управлении доменным производством, формируются не только квалифицированными специалистами – производственниками, но также и научными работниками, выполнившими теоретические или экспериментальные исследования в рассматриваемой области. Такие ЭЗЗ оформляются в виде выводов, логических выражений, описаний, математических моделей, результатов расчетов, экспериментальных зависимостей и т.п.

В настоящее время полная математическая модель доменного процесса, отражающая взаимосвязь комплексов механических, тепловых, массообменных явлений и воздействий мастера печи еще не построена и поэтому существует необходимость использования частных моделей, отражающих особенности процессов в труднодоступных для объективного контроля зонах.

Одним из наиболее важных факторов при таком подходе является анализ эффективности ЭЗЗ, применяемых при построении таких моделей (табл. 2).

Необходимо отметить, что в табл. 2 перечислены далеко не все локальные модели и исследования для труднодоступных зон доменной печи.

Основной целью данной таблицы является представление характеристик и параметров, которые в настоящее время не поддаются инструментальным измерениям, и оценка которых зависит главным образом от качественной информации с объекта исследования (ЭЗЗ).

Таблица Исходная информация для анализа эффективности ЭЗЗ в доменном производстве Наименование Анализируемая информация исследований, Теоретическая Экспериментальная математических моделей Определение Расчетные значения Значения скорости газа, газораспределения в скорости газа в измеренные горне доменной шахте доменной термоанемометром, м/сек печи печи, м/сек.

Определение формы 1. Погрешность 1. Измеренные значения и местоположения методики 8,62% температур в действующей формы зоны 2. Расчетные доменной печи.

пластичности значения 2. Прогнозное значение температур газа по содержания Si в чугуне Модель радиусу 3. Коэффициент корреляции исследовательских между индексом верха и теплообмена в доменной печи горизонтов температурой колошника – 0,Модель зоны Расчетные значения Локальная скорость схода малоподвижных скорости движения шихты на колошнике материалов материала в шахте и доменной печи (тотермана) горне доменной доменной печи печи – Датчик скорости 1. Относительная газа в шихте погрешность показаний, 4,8 – доменной печи 5,3% 2. Макс. значение погрешности 30% 3. Наиболее вероятное значение погрешности 10% – Датчик определения 1. Зависимость диаметра частиц в интенсивности охлаждения слое кусковых датчика от диаметра куска материалов 2. Относительная погрешность измерений – 10% Как видно из табл. 2, проблема учета качественной составляющей информации, использующейся в исследованиях сложных объектов и процессов, в том числе доменного процесса, в той или иной мере сводится к анализу корреляционных отношений. То есть, одним из важных этапов данной задачи является измерение коэффициентов корреляции и на их основе расчете относительной погрешности измерений. Необходимо привести еще ряд исследований, в которых используются данные статистические показатели, в частности, анализируются следующие зависимости.

Между интенсивностью излучения фурменных зон и следующими параметрами: расход дутья, содержание Si в чугуне (коэффициент корреляции (r) равен 0,3 … 0,4), влажность дутья, температура дутья, содержание Mn в дутье, скорость схода шихты, содержание FeO в шлаке (r=0,564 … 0,622 … 0,655).

Первый пример:

а) приход тепла в нижнюю часть печи – содержание Si в чугуне (r = 0,15 … 0,405), с повышением надежности контроля (r = 0,449 … 0,811);

б) содержание Si в чугуне – основность шлака (r = 0,3 … 0,55);

в) расход углерода кокса на фурмах – содержание Si в чугуне (r = 0,40 … 0,55).

Степень использования CO – неравномерность газораспределения (r = 0,304).

Температура фурменных зон – содержание Si в чугуне (r = 0,474).

Расход углерода кокса на фурмах – степень использования СО (r = 0,19 … 0,569).

Второй пример:

а) тепловое состояние низа печи – содержание Si в чугуне (r = 0,38 … 0,68);

б) интенсивность плавки – тепловое состояние верха печи (r = 0,8), данные по корреляционной матрице (r = 0,03 … 0,82).

Третий пример:

а) индекс экономии углерода – содержание Si в чугуне (r= 0,30);

б) степень использования восстановительной способности газов – содержание Si в чугуне (r = 0,324);

в) показатель теплового баланса низа печи – содержание Si в чугуне (r = 0,209).

Как видно из приведенных данных, получаемые различными исследователями коэффициенты корреляции имеют большой разброс (0,03 – 0,86). Между тем, при инструментальных измерениях значения коэффициентов корреляции в зависимости от класса точности (ГОСТ 8.401– 80) принимают значения в диапазоне 0,99 … 0,9999. С другой стороны, в целом ряде работ показано, что для успешной идентификации технологических ситуаций значение коэффициента взаимной корреляции между входной и выходной величинами должно быть не менее 0,707, а для целей автоматизированного управления – не ниже 0,80. Однако такие высокие значения коэффициентов корреляции для традиционных математических методов и моделей объектов оказываются недостижимыми, поскольку они из-за своей идеализации не учитывают всю совокупность внешних возмущений и внутренних процессов, происходящих в таких сложных промышленных объектах, как, например, доменная печь. В итоге надежность практических рекомендаций, полученных с помощью традиционных «точных» методов измерений невысока.

В то же время в настоящий момент не существует практически никаких других исследований, касающихся эффективности применения на практике методов и моделей с коэффициентами корреляции, имеющими значения ниже 0,707, хотя, как видно из приведенных выше данных, большинство перечисленных методов и моделей оперируют как раз с такими значениями корреляционных отношений. Т.е. при оценивании эффективности метода или модели на основе корреляционных отношений по существу используются методы, содержащие измерительную шкалу в пределах от 0 до 1 лишь с одним делением 0,707 (или 0,8).

Все это требует разработки нетрадиционных аналитических методов измерений и алгоритмов обработки, использующих более точную шкалу для оценки корреляционных моментов и погрешностей для того, чтобы вести измерения в диапазоне [0 … 1]. Необходимо отметить, что данные методы требуют привлечения экспертной информации и анализа ЭЗЗ.

В связи с этим возникает дополнительная потребность проверки надежности ЭЗЗ, что в свою очередь связано с решением задачи обобщения и формализации ЭЗЗ на основе известных метрологических понятий Таким образом, актуальной является задача диагностики качества ЭЗЗ, применяемых при управлении сложными объектами и процессами, в частности доменного производства [6].

1.5. Нейронные технологии как средство измерения знаний и решений В настоящее время существует достаточно большое количество различных методов измерения информации и средств ее диагностирования.

Однако их ограниченные возможности для сложных объектов обуславливают поиск более эффективных и универсальных методов диагностирования Ведущую позицию в этом отношении занимает применение нейронных сетей (НС) и генетических алгоритмов. Такие свойства нейронных сетей, как высокое быстродействие, помехозащищенность (стабильность), способность к обобщению и прогнозированию информации, имеющей различную природу, являются определяющими при выборе нейронных сетей в качестве диагностического инструментального средства. Совместное применение нейронных сетей с нечеткой логикой позволяет решать комплексные задачи диагностики и контроля в условиях неопределенности значений параметров диагностируемого объекта [7].

В целом НС производит ряд преобразований пространства входов в пространство реакций и в процессе обучения превращается в более или менее идеальный фильтр, который отбрасывает бесполезную информацию и максимизирует полезную.

Как показано в исследованиях, знания, используемые экспертами при принятии решений, являются плохо формализуемыми и слабо структурированными. Поэтому характерной чертой процессов диагностики сложных объектов является исходная совокупность статистической информации и эвристических знаний эксперта.

Следует обратить внимание на методы анализа статистической информации. Одним из подходов к решению данного вопроса является нейросетевой анализ временных рядов и многофакторных зависимостей.

В случае прогнозирования показателей бывает необходимым получить на выходе не тенденцию, а конкретное значение показателя – тогда целесообразно работать с аналоговыми данными вместо дискретных. В зависимости от того, что подается на вход НС (предыдущие значения только одного динамического ряда, либо значения, относящиеся к различным показателям), она может решать и задачу простой экстраполяции, и задачу прогнозирования с учетом внешних факторов.

При аппроксимации функций с помощью искусственных НС для построения передаточных функций нейронов широко используются такие хорошо известные статистические понятия как дисперсии, корреляции, ковариации, квадратичные ошибки и т.п. Обычно при этом принимаются дополнительные предположения (о характере распределения вероятностей, об условиях, наложенных на параметры и пр.). Весовые коэффициенты таких нейронов интерпретируются как коэффициенты ковариации, а в нормированном виде – как коэффициенты корреляции.

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 15 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.