- •1. Понятие технологической системы, ее свойства
- •2. Схема управляемой технологической системы
- •3. Пример управляемой тех. Системы производства см
- •4. Схема частично управляемой и не управляемой тех. Системы
- •5. Пример частично управляемой и не управляемой тех. Системы
- •6. Входные параметры тех. Системы производства см. Примеры, уровни
- •7. Выходные параметры тех. Системы производства см. Примеры, уровни
- •8. Виды возмущающих воздействий на технологическую систему и их учет
- •9. Общая классификация систем. Пример
- •10. Системный анализ. Задачи, способы
- •11. Общие положения стратегии системного анализа
- •12. Применение блочного принципа системного анализа на примере процесса строительной технологии
- •13. Основные типы мат. Мод.
- •16. Высшая ступень иерархической структуры птс
- •17. Исследование птс как объектов управления
- •18. Чувствительность систем
- •19. Управляемость системы
- •20. Наблюдаемость системы
- •21. Устойчивость системы
- •22. Помехозащищенность системы
- •23. Эмерджентность птс
- •24. Интерэктность птс
- •25. Детерминированные процессы. Примеры
- •26. Стохастические процессы. Примеры
- •27. Основные положения теории информации: информационная энтропия
- •28. Основные положения теории информации: св-ва информационной энтропии
- •29. Основные положения теории информации: количество информации
- •30. Передача сигналов в технологических системах: ступенчатое возмущение
- •31. Передача сигналов в технологических системах: импульсное возмущение
- •32. Передача сигналов в технологических системах: синусоидальное возмущение
- •33. Основные типы звеньев тех. Системы: безинерционное и инерционное звено
- •34. Основные типы звеньев тех. Системы: дифференцирующее и интегрирующее
- •35. Основные типы звеньев тех. Системы: чистого запаздывания и колебательное
- •Помехи в технологических системах.
- •Обратная связь в технологических процессах.
- •Моделирование как метод исследования систем. Основные виды моделирования.
- •Виды математических моделей. Классификация моделей по степени точности.
- •Классификация математических моделей по степени соответствия реальному объекту, способности работать в реальном времени.
- •Основные принципы моделирования: информационной точности.
- •Основные принципы моделирования: параметризации.
- •Основные принципы моделирования: агрегирования.
- •Основные принципы моделирования: осуществимости.
- •Основные принципы моделирования: рационального использования факторного пространства.
- •Основные принципы моделирования: принцип множественности.
- •Основные этапы и способы построения моделей.
- •Статистические модели процессов. Понятие активный эксперимент.
- •Статистические модели процессов. Понятие пассивный эксперимент.
- •Эволюционное планирование эксперимента в производственных условиях. Смысл, план эксперимента.
- •Понятие фаза и цикл при эволюционном планировании эксперимента.
- •Графические зависимости и критерии при эволюционном планировании эксперимента в производственных условиях.
- •Оценка опытных данных по g-критерию Кохрена.
- •Области применимости регрессионного анализа.
- •Понятие полнофакторного эксперимента и дробной реплики от него. Применимость планов, их виды.
- •Виды математических моделей используемых при регрессионном анализе.
- •Области применимости дисперсионного анализа.
- •Планирование эксперимента при дисперсионном анализе.
- •Виды математических моделей используемых при дисперсионном анализе.
- •Оценка адекватности по f-критерию Фишера. Проведение вычислительного эксперимента.
- •Основы теории подобия. Виды подобия.
- •Критерии подобия. Применимость, примеры.
- •Типовые модели структуры потоков в аппаратах: модель идеального вытеснения.
- •Типовые модели структуры потоков в аппаратах: модель идеального смешивания.
- •Типовые модели структуры потоков в аппаратах: диффузионная модель.
- •Типовые модели структуры потоков в аппаратах: ячеечная модель.
- •Типовые модели структуры потоков в аппаратах: комбинированная модель.
- •Состав, структура и свойства нейронных сетей. Биологическая аналогия.
- •Алгоритм моделирования сложных объектов и систем с помощью нейронных сетей.(70)
- •Применение нейронных сетей для прогнозирования поведения системы в будущем.(71)
- •Имитационные модели. Этапы построения модели.(85)
- •Основные элементы системы управления. Способы продвижения модельного времени.(90)
- •Построение моделирующего алгоритма системы управления запасами по принципу Δt.
- •Построение моделирующего алгоритма системы управления по принципу особых состояний.
- •Специальные методы применяемые при имитационном моделировании: группировка, применение относительных и средних величин.
- •Специальные методы применяемые при имитационном моделировании: сравнение, метод цепных подставок.
- •Специальные методы применяемые при имитационном моделировании: метод аналогий, экспертные оценки.
- •Моделирование и анализ организационной структуры предприятия при создании системы управления.
- •Структурная схема имитационной модели тп сборного железобетона с изменяемыми критериями управления. Основные информационные потоки.(86)
- •Оценка стабильности технологических процессов. Организация работ.(72)
- •Регистрационные методы оценки стабильности технологических процессов.(73)
- •Статистические методы оценки стабильности технологических процессов.(74)
- •Оценка стабильности технологических процессов. Контрольные карты.(79)
- •Оценка стабильности технологических процессов. Диаграммы Парето.(80)
Графические зависимости и критерии при эволюционном планировании эксперимента в производственных условиях.
Графически зависимости иллюстрируют метод эволюционного планирования эксперимента для случая, когда в технологическом процессе варьировались две переменные (t0 и время) можно выразить так:
1 - выход продукта; 2 – производительность в день; 3 – себестоимость единицы продукции; 4 – планирование 2-ой фазы.
Во 2-ой фазе должен быть осуществлен переход к новым условиям за нулевую точку в которых взята та точка 1-ой фазы, которая соответствовала оптимальным условиям по показателям стоимости.
Оценка опытных данных по g-критерию Кохрена.
В зависимости от характера дублирования опыта используют различные формулы для определения дисперсии воспроизводимости. Если в эксперименте несколько раз дублировался только один u-ый опыт, то дисперсия воспроизводимости определяется по формуле:
- результат q-го повторения u-го опыта; - среднее арифметическое значение всех n повторений u-го опыта; - число степеней свободы u-го опыта.
Если каждый опыт в эксперименте повторялся n раз, то:
Прежде чем пользоваться формулами для расчета дисперсий воспроизводимости, где каждый опыт дублируется одинаковое число раз, необходимо проверить однородность ряда из N полученных дисперсий; для случая когда каждый опыт повторялся одинаковое число раз можно воспользоваться G-критерием Кохрена.
При этом рассматриваются дисперсии всех опытов и находится наибольшая сумма, которая делится на сумму всех дисперсий:
Гипотеза об однородности всей дисперсии принимается, если Gрасч < Gтабл.
Где Gтабл. – критерий, взятый из таблицы в зависимости от уровня значимости α и числа степеней свободы vn = n – 1, где n – число повторений каждого опыта, и числа опытов N.
По этому неравенству определяется возможность применимости регрессионного анализа и в ряде случаев – исключение ошибок при проведении эксперимента.
Области применимости регрессионного анализа.
Регрессионный анализ применяется в различных областях любой деятельности, где встречаются задачи с качественными факторами. Эти факторы явл дискретными по своей природе, либо в отдельных случаях непрерывные, и для решения практических задач необходимо знать зависимость откликов системы (вых сигналов) от переменных (факторов).
Понятие полнофакторного эксперимента и дробной реплики от него. Применимость планов, их виды.
Задача исследователя сводится к проведению экспериментов на изучаемом объекте в N точках факторного пространства. Координаты этих точек определяют условия опытов и явл вх значениями определяемые функциональной зависимостью. В каждом опыте фиксируются случайные значения откликов, которые затем используются для построения функциональной зависимости.
Виды математических моделей используемых при регрессионном анализе.
модели вида . Могут применяться функции вида: , , и т.д , где - известные значения.
При недостаточном объеме априорной информ модель м.б. представлена с помощью полиномов. Если при k факторах аппроксимировать , то: .
Модель должна учитывать нелинейность влияния факторов на выход. Поэтому необходимо учесть нелинейность добавлением к полиному еще k слагаемых : . Добавляя к этому полиному эл-ты учитывающие тройное взаимодействие получим полином 3 степени и т.д. На практике обычно используют полином 2 и 3 степени, в крайних случаях 4 и 5.