- •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)
Типовые модели структуры потоков в аппаратах: комбинированная модель.
При построении комбинированной модели принимается, что процесс или аппарат состоит из отд. зон, соединённых послед-но или параллельно, структуры потоков которых различны. Помимо этого могут наблюдаться локальные потоки (проскальзывание, циркуляционное проскальзывание и т.д.).
Наличие потоков указанных видов устанавливаются по опытным данным от зависимости вых величины от вх.
Примеры комбинированных моделей:
1. Модель идеального смешивания с застойной зоной
2 . последовательное соединение зон идеального вытеснения и идеального смешивания
3. модель ид-го вытеснения с рециклом
4. параллельное соединение зон идеального вытеснения и перемешивания.
Состав, структура и свойства нейронных сетей. Биологическая аналогия.
НС основаны на примитивной биологич. модели нервной системы.
Идея НС родилась в ходе исследований в обл. интеллекта в результате попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделирую низкоуровневую структуру мозга(94-96 гг).
Мозг состоит примерно из 1 тыс млрд нейронов, соединённых многочисленными связями.
Нероны – спец. клетки, способные распространять электро-химич. сигнал. Нейрон имеет разветвлённую стр-ру ввода информации (дендриты), ядро и разветвляющийся выход (аксон).
Аксоны соединяются с дендритами др. нейронов с помощью синапсов. Каждый нейрон может иметь до нескольких 1000 связей с другими нейронами.
При активации нейрон посылает электрохимич. сигнал по своему аксону и через синапсы этот сигнал достигает дендритов других нейронов, которые также могут активироваться. Нейроны активируются тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендрита превысит опр. порог (порог активации).
Алгоритм моделирования сложных объектов и систем с помощью нейронных сетей.(70)
1. Выбор объекта исследования и переменных между которыми должна существовать определенная взаимосвязь.
2. Сбор исходной информации (набор статистических данных для репрезентативной выборки с большим количеством повторений, число которых должно быть тем меньше, чем больше шумовое поле).
3. Выбор модификаций с различными направлениями связи и соответственно топологии.
4. Обучение выбранных модификаций нейронных сетей с помощью подготовленных данных.
5. Сравнительный анализ уровня ошибок при одинаковом числе циклов обучения.
6. Сравнение числа циклов необходимых для получения глобального минимума ошибок.
7. Выбор нейронной сети, отвечающей целям моделирования согласно сравнительного анализа.
8. Получение данных с помощью этой сети. Проверка полученных данных в критических точках и расчет адекватности нейронной сети моделируемому процессу.
Применение нейронных сетей для прогнозирования поведения системы в будущем.(71)
Методы нейронных сетей могут использоваться или служить хорошим дополнением к традиционным статистическим методам анализа систем и процессов.
Большинство статистических методов связано с построением моделей, основанных на тех или иных предположениях и теоретич. выводах.
Нейросетевой подход связан не связан с такими предположениями. Этот метод одинаково годится как для линейных, так и для сложных нелинейных зависимостей. И особенно эффективен в разведочном анализе, когда необходимо выяснить, имеются ли зависимости между заданными переменными.
Нейронные сети(НС) нелинейны по своей природе и представляют собой метод моделирования, позволяющий воспроизводить очень сложные зависимости. НС учатся на примерах.
Пользователь НС или программист выбирает репрезентативную выборку, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных.
Осн. этапы моделир-я с помошью НС:
1. Выбор объекта иссл-я, к которому можно применить данный .
2. Сбор исх. информации, подготовка репрезентативной выборки(шумовые эффекты должны быть снижены в ней до мин. – выборка должна как можно более полно характеризировать объект).
3. Выбор нескольких модификаций НС с разл. уровнями и связей.
4. обучение модификаций с помошью подготовленных данных.
5. сравнение уровня ошибок при одинаковом числе циклов обучения.
6. определение конченого вида НС и её погрешности.
7. получение нов данных с помошью сети.
8. проверка получ. данных в критических точках и расчет адекватности НС моделируемого процесса.