Компоненты информационных систем. Алгоритмическое обеспечение

Алгоритмическое обеспечение (Лекция)

ПЛАН ЛЕКЦИИ

1. Алгоритмы первичной обработки информации

2. Алгоритмы вторичной обработки информации

3. Алгоритмы прогнозирования значений величин и показателей

4. Алгоритмы контроля

Алгоритмическое обеспечение – совокупность взаимосвязанных алгоритмов. Множество алгоритмов делятся на 6 групп:

1. Алгоритмы первичной обработки информации (фильтрация, учет нелинейности характеристики).

2. Алгоритмы определения показателей процесса (алгоритмы вторичной обработки информации), определение интегральных и средних значений, скорости, прогнозирования и т.д.

3. Алгоритмы контроля.

4. Алгоритмы цифрового регулирования и оптимального управления.

5. Алгоритмы логического управления.

6. Алгоритмы расчета технико-экономических показателей.

1. Алгоритмы первичной обработки информации

Первичная обработка информации включает фильтрацию полезного сигнала, проверку информации на достоверность, аналитическую градуировку датчиков, экстраполяцию и интерполяцию, учет динамических связей.

Фильтрация – операция выделения полезного сигнала измерительной информации из его суммы с помехой. В зависимости от помех выделяют следующие фильтры:

1. фильтры низких частот (НЧФ).

2. высоко - частотные фильтры (ВЧФ).

3. полосовые фильтры (ПФ, пропускают сигналы определённой частоты).

4. режекторные фильтры (ПФ, не пропускают сигналы определенной частоты).

Наиболее распространенными являются НЧФ, которые подразделяются на фильтры скользящего среднего, фильтры экспоненциального сглаживания и медианные.

Разностное уравнение фильтра экспоненциального сглаживания

Получим уравнение фильтра экспоненциального сглаживания при следующих допущениях:

допущение 1: полезный сигнал x (t ) представляет собой случайный стационарный процесс с известными статическими характеристиками M x – математическое ожидание; D x – дисперсия; - автокорреляционная функция, показывающая степень связи между значениями сигнала в моменты времени, сдвинутые относительно друг друга на время τ. Полезный сигнал не коррелирован с помехой.

допущение 2: помеха f (t ) представляет собой случайный стационарный процесс, некоррелированный с полезным сигналом и с известными статическими характеристиками M f =0; ; при этом k <0 m >0.

В непрерывном варианте свойства фильтра экспоненциального сглаживания описываются ДУ:

.

Передаточная функция - апериодическое звено

.

Заменив производную - разностью и получаем разностное уравнение:

– разностное уравнение

А ,

где Т – постоянная времени, Т 0 – период опроса датчика, γ – параметр настройки регулятора. Оптимальное значение определяется путём минимизации погрешности фильтра. Оптимальное значение параметра настройки фильтра зависит от статических свойств полезного сигнала, помехи. На практике в большинстве случаев эти параметры определить нельзя, чем меньше , тем сильнее сглаживающее свойство фильтра, однако при малых значениях может произойти искажение полезного сигнала.

Данный фильтр является самым распространенным низкочастотный фильтром.

Разностное уравнение фильтра скользящего среднего

В аналоговом виде (непрерывный вариант) уравнение ФСК имеет вид:

.

Используя метод прямоугольников можно получить разностное уравнение:

Заменив интеграл суммой (применяя для интегрирования метод прямоугольников), получим:

где- площадь прямоугольников; Т – время усреднения;

Т= nT 0 , n – это число точек усреднения, параметр настроек фильтра. Оптимальное значение n определяется путём минимизации погрешности (дисперсии ошибки) фильтра и зависит от статических свойств полезного сигнала и помехи.

Чем больше n , тем больше сглаживающее свойство фильтра.

Статические фильтры нулевого порядка

Статический фильтр – фильтр, который в аналоговом варианте представляет собой параллельное соединение ( n +1) цепочек, состоящих из усилительного звена и звена чистого запаздывания.

ПФ такого фильтра имеет вид:

где τ – время запаздывания; n – порядок фильтра.

При n =0 имеем статический фильтр нулевого порядка W (p )= b 0 → .

При использовании данной формулы y (t ) будет смещённой оценкой полезного сигнала x (t ),

т.е. - математическое ожидание выходного сигнала.

Для получения несмещённой оценки необходимо использовать следующую функцию:

В этом случае .

b 0 в качестве параметра настройки .

Для программной реализации статического фильтра нулевого порядка используют формулу:

Статические фильтры первого порядка

ПФ таких фильтров имеет вид: .

Математическое ожидание:

Для того чтобы фильтр имел несмещенную оценку при учете

Где - параметры настройки фильтра.

Минимизируя значение ошибки фильтрации, получаем: .

Для программной реализации - - период опроса датчика.

Разностное уравнение: .

при n =0 имеем статический фильтр нулевого порядка W (p )= b 0 .

При использовании данной формулы y (t ) будет смещённой оценкой полезного сигнала x (t ), т.е. - математическое ожидание выходного сигнала

Для получения несмещённой оценки необходимо использовать следующую функцию: .

В этом случае .

b 0 в качестве параметра настройки .

Для программной реализации статического фильтра первого порядка используют формулу: .

Робастные фильтры

Фильтры данного типа предназначены для фильтрации аномальных выбросов. К числу робастных фильтров относят медианный фильтр, фильтр релейно – экспоненциального сглаживания.

Медианный фильтр

Реализация медианного фильтра осуществляется по формуле: , где М – параметр настройки,

med – оператор, означающий операцию оценки медианы.

Оценка медианы проводится по следующему алгоритму:

Проводится упорядочение отсчетов в ряд по возрастанию.

При нечетном М в качестве медианы выбирается центральное значение этого ряда. При четном значении в качестве медианы выбирается полусумма двух средних значений ряда.

Фильтр релейно-экспоненциального сглаживания

Алгоритм работы данного фильтра имеет вид:

,

где - среднеквадратическое отклонение (СКО) помехи, - модуль приращения полезного сигнала на соседних отсчетах.

Разностные уравнения фильтров с заданной АЧХ

Если необходимо реализовать низкочастотный фильтр с заданной АЧХ, то для этих целей необходимо использовать ЛАЧХ (логарифмическая АЧХ).

- зависимость коэффициента передачи гармонического сигнала от частоты.

.

Необходимо определить ЛАЧХ, а затем ПФ и далее от ПФ перейти к дискретной ПФ, используя преобразования Лапласа.

Передаточная функция (ПФ) – отношение, в изображении Лапласа выходной функции к входной при нулевых начальных условиях.

, где р – комплексная величина.

Дискретное преобразование:

.

Произвели замену переменной:

.

Переход от ПФ к дискретной ПФ может быть произведен на основе от ношения: .

После получения дискретной ПФ можно легко получить разностное уравнение, пользуясь теоремой о смещении (запаздывании):

Смещенная решетчатая функция

.

Не рекуррентная, не рекурсивная система: - наличие только входных сигналов в правой части, - наличие выходных сигналов.

Для АЧХ, вида

(*);

.

A и B подставляем в выражение (*) и ДПФ определена. Далее необходимо написать разностное уравнение и составить программу.

Теорема о смещении:

;

Преобразуем, применяя теорему о смещении, и получаем

Для высокочастотного фильтра с характеристикой : ;

;

.

Для полосового фильтра:

;

;

.

Для режекторного фильтра:

;

;

.

Для реализации процедуры фильтрации применяются и другие фильтры кроме рассмотренных, являющиеся более сложными адаптивными и АЧХ с крутыми фронтами. К числу таких фильтров относят фильтры Чебышева, Калмана, Винера.

Проверка достоверности информации

Недостоверность информации появляется при отказах информационно-измерительных каналов. Отказы бывают двух видов: полные и частичные. Полный отказ наступает при выходе из строя измерительного преобразователя, или при повреждении линии связи. При частичном отказе технические средства сохраняют работоспособность, однако погрешность измерения превышает допустимое значение.

Алгоритмы, позволяющие обнаруживать полные отказы:

1) алгоритм допускового контроля параметра : проверка условия - X i min ≤ X i ≤ X i max

X i min – минимально возможное значение i -го параметра;

X i max – максимально возможное значение i -го параметра.

Если условие не выполняется, то информация недостоверная. В этом случае используют достоверную информацию, полученную в предшествующий момент времени, либо используют среднее значение i -го параметра.

2) Алгоритм основан на определении скорости изменения i -го параметра и проверки условия :

A ≤ Xi ≤ B

Х i =dX i (t)/dt

dX i (t )/ dt =(X i (k )- X i (k -1))/ T 0 , где T – период опроса, T=dt

3) Алгоритм аппаратного резервирования – алгоритм контроля информации, с помощью которого выявляются частичные отказы, основанные на использовании информационной избыточности. Избыточность может быть получена путем резервирования информационно – измерительных каналов (аппаратная избыточность), или путем определения некоторых параметров с помощью прямого измерения, так и путем расчетов через другие параметры.

Аппаратная избыточность – признак отказа, нарушение условия - | X i - ­ X ­| < C , где

‌Х­ – это среднее значение по всем измерительным преобразованием

X i – значение, полученное от i измерительного преобразования

С – наибольшее допустимое значение модуля разности (2-3 от средне квадратичной погрешности изменения преобразования)

4) Уравнение материального баланса имеет вид: f ( x 1 , x 2 , …. x n )=0. Уравнение выполняется лишь в том случае, если значения параметров x 1 , x 2 , …. x n соответствуют истинным значениям. Если параметры изменяются с погрешностью , имеем . При подстановке значений , получим . Если , то информация считается недостоверной.

X - измеряемая величина,

Y - установившийся сигнал

y = f (x ) -статическая характеристика датчика.

Под аналитической градуировкой датчика (АГД) понимают определение (восстановление) измеряемой величины по сигналу, снимаемому с датчика (преобразователя).

, где x ^ - оценка измеряемой величины, полученная по сигналу, снимаемому с датчика; f -1 – обратная функция y = f (x ).

Если градуировочная характеристика измерительного преобразования задана аналитически, то АГД сводится к реализации вычислительной операции.

Если статическая характеристика датчика линейная: y = ax + b , то аналитическая градуировка сводится к реализации вычислительных операций, то есть к формуле =(y - b )/ a .

В этом случае аналитическая градуировка датчика выражается в масштабировании. Однако большинство промышленных датчиков (преобразователей) имеют нелинейную статическую характеристику, которая часто определяется экспериментально и представляется в виде графика или градуировочной таблицы (для этого используют паспортные данные). При табличном представлении градуировочной характеристики применяют способ АГД, заключающийся в аппроксимации градуировочной характеристики аналитическим выражением. Одним их наиболее распространенных методов аналитической градуировки является аппроксимация при помощи степенных полиномов:

где - коэффициенты, которые должны быть численно определены;

n – степень полинома.

Используя эту формулу, возникает ряд задач:

1. Выбор критерия, по которому определяется коэффициенты a j ;

2. Определение степени полиномов ( n ), обеспечивающие требуемую точность аппроксимации.

В зависимости от критерия, используемого для аппроксимации, различают следующие полиномы:

1. Полиномы наилучшего равномерного приближения (НРП).

Критерием определения коэффициентов данных полиномов выступает требование обеспечения заданной точности в любой точке диапазона работы датчика. Для аппроксимации данного полинома необходимо минимизировать линейную форму, для чего используются методы линейного программирования (решение задачи оптимизации). Линейное программирование – раздел математики, в которых рассматриваются методы определения экстремума линейного критерия при линейных ограничениях. Наиболее распространенный метод линейного программирования – симплекс метод (метод последовательно улучшения плана). Недостатком полинома НРП является сложность определения коэффициентов, то есть необходимость решения задачи линейного программирования.

2. Асимптотические полиномы.

Достоинством является возможность предварительной оценки степени полинома до расчёта коэффициента. Расчёт коэффициентов базируется на градуируемой таблице. Приведем фрагмент этой таблицы:

Степень	Используемые точки	Коэффициенты полинома	Параметр точности
	y 0 =b y 1 =(b-a)/2 y 2 =a	a 0 =1/4[(x 0 +2x 1 +x 2) – 2((b+a)/(b-a))(x 0 -x 2)] a 1 =(1/(b-a))(x 0 -x 2)	L 1 =1/2(1/2x 0 - x 1 - 1/2x 2)
	y 0 =b y 1 =b-1/4(b-a) y 2 =a+1/4(b-a) y 3 =a	a 0 =2/3((b+a)/(b-a)) 2 (x 0 -x 1 -x 2 +x 3)-1/3((b+a)/ (b-a))(x 0 +x 1 -x 2 -x 3)+1/6(-x 0 +4x 1 +x 2 -x 3) a 1 =2/3(b-a)[ 1-4((b+a)/(b-a))](x 0 -x 2)+(1+4) ((b+a)/(b-a))(x 1 -x 3) a 2 =2/3(2/(b-a)) 2 (x 0 -x 1 -x 2+ x 3)	L 2 =1/3(1/2x 0 - x 1 +x 2 -1/2x 3))

a≤y≤b

x 0 , x 1 , x 2 – значения измеряемого параметра, соответствующие y 0 , y 1 , y 2

3. Регрессионные полиномы используются для АГД нестандартных датчиков. В качестве критерия определения коэффициентов принимается величина среднеквадратической погрешности аппроксимации в диапазоне изменения измеряемой величины: (минимизируется сумма квадратов ошибок)

Для определения коэффициентов полинома используется метод наименьших квадратов, при котором минимизируется критерий и решается система уравнений:

dI (..)/ da 0=0

…..

dI (..)/ dan =0

Сравнивая разные полиномы можно сделать вывод: регрессионные полиномы дают наименьшую среднеквадратичную ошибку. Полиномы НРП дают минимум максимальной ошибки, а асимптотические занимают промежуточное положение между ними.

Применение интерполяции и экстраполяции при контроле параметров и показателей

Процесс получения инфо о непрерывно-изменяющихся величинах в АСУ ТП происходит дискретно во времени, поэтому возникает задача восстановления значений измеряемых величин в моменты времени, несовпадающие с моментами замеров.

Для управления, когда необходимо знать значение измеряемой величины в текущий или будущий момент времени используется метод экстраполяции значения величины, полученной в предшествующий момент времени.

Для анализа работы производства и вычисления технико-экономических показателей необходимо определить значение величин в предшествующие моменты времени, в этом случае используются методы интерполяции.

В большинстве случаев экстраполяцию осуществляют ступенчатым методом. При ступенчатой экстраполяции о значении измеряемой величины в любой текущий момент времени судят по измеренному значению величины последней токи замера. Погрешность ступенчатой экстраполяции: ,

где - автокорреляционная функция (устанавливает степень связи);

T 0 - период опроса датчик а;

Погрешность измерительного преобразования.

Таким образом, погрешность ступенчатой экстраполяции зависит от статических свойств измеряемой величины, периода опроса и погрешности измерительного канала, что необходимо учитывать при выборе периода опроса.

Для интерполяции чаще всего применяется кусочно-линейная аппроксимация, которая проводится по двум точкам с использованием следующей формулы:

Менее точной является ступенчатая интерполяция.

Учёт динамический связей

Наличие инерционного датчика может существенно исказить частотный состав измеряемого сигнала, например, при измерении температуры в печах применяют массивные чехлы для защиты термопар от механических повреждений, что вызывает значительную динамическую погрешность.

Если принять статический коэффициент передачи инерционного датчика равный единице, то есть при , то необходимо учитывать следующую связь: , т.е. в текущий момент времени на выходе датчика формируется сигнал несущий информацию о значении параметра в предшествующий момент времени, т.е. в момент времени .

2. Алгоритмы вторичной обработки информации

К основным операциям вторичной обработки относят:

· определение интегральных и средних значений величин и показателей;

· определение скорости изменения величины и показателей;

· определение величин и показателей, неизмеряемых прямым методом (косвенное измерение);

· прогнозирование значений величин;

· определение статических характеристик, величин и показателей.

Применяются для управления и анализа работы. Большое значение имеет определение суммарных количеств вещества или энергии, получаемых в производстве за определенный интервал времени. Примерами являются расходы электроэнергии, топлива за час, смену, сутки и так далее. Этим же целям служит определение средних значений измеряемых величин, являющихся режимными показателями (среднее время, среднее давление и т.д.)

Рассмотрим методы дискретного интегрирования, непрерывно изменяющейся во времени измеряемой величины. Далее приведены численные методы интегрирования.

1. Метод прямоугольников.

Суть метода состоит в замене реализации x( t ) её ступенчатой экстраполяцией за время t .

, , где - период опроса датчика.

В представленном виде алгоритм интегрирования используется редко, для его реализации требуется запоминать все значения . На практике используется рекуррентная формула:

2. Метод трапеций.

Более точным является метод трапеции. Рекуррентная формула: .

Погрешность метода трапеции меньше погрешности метода прямоугольников на величину:

.

Как показывают расчеты приблизительно на 10% уменьшается погрешность дискретного интегрирования при переходе от метода прямоугольника к методу трапеции при n >10, когда существеннее влияние на результат расчета оказывают кратные числа, следовательно, на практике в большинстве случаев используют метод прямоугольников, как более простой и экономичный.

Среднее значение определяется через интегральное: , где

Время интегрирования.

Дифференцирование дискретно – измеряемых величин. Для анализа хода технологического процесса весьма важным является определение не только численных значений параметров, но и тенденция их применения в текущий момент времени (увеличивается параметр или уменьшается). В этом случаи необходимо определять скорость изменения параметра, то есть осуществлять дифференцирование.

Производная от ошибки необходимо определять и при реализации регулятора, например с ПД, ПИД звеньями.

Наиболее простой алгоритм дискретного дифференцирования основан на использовании следующей функции: , где Т 0 – период опроса датчика.

3. Алгоритмы прогнозирования значений величин и показателей

Для расчета прогнозируемых значения необходимо построить математическую модель временного ряда. В практике краткосрочного прогнозирования наибольшее распространение получили модель авторегрессии и полиномиальная модель.

Модель авторегрессии имеет вид: , где а – коэффициенты, р – порядок. Расчет прогнозируемых значений проводится по формуле: , где - измеренные или прогнозируемые значения временного ряда в моменты времени t =(n - k + l ) To .

Данный алгоритм прост в реализации, но его недостатком является низкая точность, так как результаты а(к) не уточняются по результатам прогноза. Этого недостатка лишен метод полиномиальной модели: , где n - номер текущего шага, l - число шагов прогноза.

Оценка параметров этой модели а уточняется по мере поступления каждого нового значения временного ряда. Для этих целей используется экспоненциальные средние различного порядка.

1 порядка: Z 1 (j )=γ y (j )+(1-γ) Z 1 (j -1)

2 порядка: Z 2 (j )=γ Z 1 (j )+(1-γ) Z 2 (j -2)

… …

r порядка: Z N (j )=γ Z r -1 (j )+(1-γ) Z r (j -1), где - параметр настройки прогнозирования.

Выбор данного параметра основывается на следующих свойствах: если желательно чтобы прогноз базировался на последних значениях временного ряда, то следует выбирать значение , близкое к 1. Если необходимо учитывать и предыдущие значения временного ряда, то необходимо уменьшать.

Расчет коэффициентов осуществляется по формуле для модели 1 порядка:

Расчет коэффициентов осуществляется по формуле для модели 2 порядка:

Коэффициенты в полиномиальном законе рассчитываются через модели 1 и 2 порядка; модели высшего порядка применяются редко, т.к. качество прогноза растет незначительно.

Определение статистических показателей измеряемых величин

Знание статистических характеристик необходимо для оценки качества выпускаемой продукции и определения момента нарушения хода ТП. В этом случае меняются значения статистических характеристик измеряемых величин. Особенностью определения lfyys [ характеристик является использование рекуррентных формул.

Математическое ожидание (1 – не рекуррентная формула, 2 – рекуррентная формула)

Дисперсия (1 – не рекуррентная формула, 2 – рекуррентная формула)

4. Алгоритмы контроля

Понятие контроль более широкое понятие и включает в себя измерение величин и показателей и сравнение их с допустимыми пределами.

Рассмотрим общие и частные постановки задачи определения величин и показателей.

Общая постановка:

Задана совокупность величин и показателей, которые необходимо определить в объекте контроля. Указана требуемая точность их оценки. Имеется совокупность датчиков, которые установлены или могут быть установлены на автоматизированном объекте. Требуется для каждого отдельного показателя найти группу датчиков, частоту их опроса и алгоритмы обработки, получаемых от них сигналов. В результате чего значение этой величины определилось бы с требуемой точностью.

Точность оценки искомой величины определяется точностью работы измерительных цепей (датчика, преобразователя), частотой их опроса и точностью вычислительной переработки измерительных сигналов в искомую величину.

Частные постановки:

1. Определение текущего значения величины непосредственно измерением автоматическим прибором или датчиком.

- когда требуемая точность измерения намного меньше точности датчика с преобразователя;

- когда требуемая точность измерения больше точности датчика или преобразователя.

Второй случай является более общим. Для контроля необходимо найти такие алгоритмы преобразования сигнала датчика, которые бы увеличили точность до требуемого значения. Для этого необходимо произвести анализ существующей погрешности и выявить отдельные ее составляющие, а затем их скомпенсировать, путем использования специальных алгоритмов.

В зависимости от причин возникновения погрешностей применяют следующие алгоритмы, уменьшающие погрешность:

Аналитическая градуировка датчиков.

Если погрешность вызвана нелинейностью статической характеристики датчика.

Фильтрация сигнала от помех.

Если внутри объекта или датчика существует источник значительной помехи, который накладывается на полезный сигнал.

Экстраполяция и интерполяция

Если значительная погрешность оценки величины вызвана большим значением периода опроса.

Коррекция динамической погрешности датчика

Если датчик представляет собой инерционное звено, а измеряемая величина меняется во времени со значительной скоростью.

2. Определение значения величины, вычисляемой по измеренным датчиком сигналам.

Например, оценка суммарного значения, среднего значения, скорости и т. д. В этом случае необходимо выбрать рациональные алгоритмы переработки измеряемого сигнала.

Кроме того здесь не исключено применение алгоритмов АГД, фильтрации и т. д.

Данная задача наиболее сложна в тех случаях, когда не известен характер связи между измеряемыми сигналами и искомой величиной (косвенное измерение). В этом случае необходимо произвести анализ уравнений материального и теплового баланса, которые позволяют выявить эту связь или использовать регрессионный анализ.

Определение периода опроса датчиков измеряемых величин

Период опроса существенно влияет на точность контроля. Рассмотрим способ определения периода опроса, основанный на определении автокорреляционной функции.

Пусть задана среднеквадратичная погрешность . Определение величины x (t ). Требуется найти интервал времени T 0 между замерами, при которых погрешность определение величины не превышало бы заданного значения. Методика основана на зависимости ошибки и автокорреляционной функции:

где- автокорреляционная функция.

,

где n - объем выборки, по которой определяется автокорреляционная функция.

Сущность методики состоит в следующем:

1. Осуществляется съем данных с произвольным периодом опроса T 0 (как можно меньше). Число точек опроса: 30-50. Полученные данные заносятся в таблицу:

	Время	Значение	Отклонение за время
			T 0		2 T 0		3 T 0
		x 0
	T 0
	2 T 0
	3 T 0
	n T 0
Значение ошибки

;

, , где i – номер строки таблицы, k – номер столбца.

.

2. Строится график зависимости ошибки от периода опроса.

3. По значению по графику определяется значение .

Значение периодов опроса датчиков, используемых на практике.

· Расход: 0.1 – 2с.

· Уровень: ≈5с.

· Давление: 0.5 – 10с.

· Температура: 5 – 30с.

· Концентрация: ≈20с.

Виды контроля

Общей функцией автоматического контроля является фиксация хода технологического процесса во времени и непрерывное (периодическое) сравнение параметров процесса с заданными.

Различают следующие виды контроля:

1. Контроль технологических процессов в нормальном режиме.

2.

3.

4.

5. Контроль включения / выключения оборудования.

6. Контроль производительности оборудования.

7.

Основная операция контроля состоит в том, что для каждого контролируемого параметра x (t i ) в момент времени t необходимо проверять выполнение условия: , где - число параметров, m i – нижний допустимый предел изменения i -го параметра, M i – верхний допустимый предел.

Все контролируемые параметры можно разбить на три группы:

1. Параметры, требующие непрерывного контроля.

2. Параметры, нуждающиеся в периодическом контроле.

3. Свободные показатели процесса.

Непрерывный контроль из-за дискретного характера процесса измерения в автоматических системах осуществить невозможно, так как встает вопрос о шаге дискретизации (период опроса).

Этот шаг должен выбираться из условия: .

Чтобы максимум изменения параметра на отрезке времени t 0 не превышало некоторой заданной положительной величины . С учетом этого условия непрерывного контроля сводится к проверке неравенства: .

К параметрам, нуждающимся в периодическом контроле относятся такие параметры, для которых в некоторый момент времени допустим выход за установленные пределы. Для таких параметров на ;

- начало отсчета времени.

Свободные показатели процесса – это некоторые функции параметров, которые необходимо контролировать: , . Обычно на практике свободные показатели требуют периодического контроля.

Контроль технологического процесса в нормальном режиме.

В зависимости от того к какой группе принадлежит технологический параметр проводится соответствующий контроль (непрерывный либо периодический).

В случае выхода за установленные пределы фиксируется время, номер параметра или соотношения, предел которого был нарушен и величина отклонения от предела со знаком «-». Кроме того оператор, ведущий процесс, должен иметь возможность проконтролировать текущее значение любого технологического параметра. Такой вид контроля называется контролем по запросу. Таким образом, контроль технологии в нормальном режиме сводится к определению значения величин и сравнению их величин с заранее установленными величинами (пределами).

Контроль качества выпускаемой продукции.

Данный вид контроля осуществляется теми же методами, однако в большинстве случаев показатели качества нуждаются в периодическом контроле.

Контроль процесса при выходе его на номинальный уровень мощности.

Основная задача состоит в обеспечение безопасности, поэтому предельные значения могут отличатся от предельного значения в нормальном режиме. Для этих целей используется специальная подпрограмма.

Контроль исправности оборудования.

При выходе их строя оборудования предусматривается ручное или автоматическое включение резервного оборудования.

Контроль включения/выключения оборудования осуществляется по дискретным сигналам, характеризующим текущее состояния оборудования. Например, при заполнении резервуара, он отключается и подключает пустые резервуары.

Контроль производительности оборудования осуществляется на основе технико - экономических показателей.

Контроль над процессом в аварийных режимах.

Предусматривается автоматическая сигнализация, защита и блокировка. Возможно распознавание аварийных ситуаций и автоматический вывод из такой ситуации.

«АстроСофт» имеет многолетний опыт разработки алгоритмов для программного обеспечения в различных прикладных областях. Опираясь на передовые достижения алгоритмики и компетенции наших сотрудников в области математики и физики, мы предлагаем наиболее эффективные решения сложных математических задач для бизнеса и науки.

Основные направления :

• Цифровая обработка сигналов и изображений
• Имитационное моделирование
• Математическая оптимизация
• Статистическая обработка данных
• Машинное обучение

Мы берем на себя решение сложных прикладных математических задач, стоящих перед вашей организацией. В состав нашей команды входят высококвалифицированные математики-программисты, из них 15 – кандидаты наук.

С нами вы сможете сосредоточиться на своих ключевых задачах, снизить риски и сократить сроки разработки.

Мы предлагаем услуги по разработке решений в области Digital Signal Processing (DSP), или цифровой обработки сигналов .

Наши решения используются для фильтрации, улучшения отношения сигнал/шум, подавления помех, выделения сигнала на фоне помех и шумов, корреляционного анализа.

Мы совершенствуем методы, создаем и дорабатываем алгоритмы, которые применяются в системах связи, акустики, передачи данных, автоматического управления, и радиолокационных комплексах в таких областях, как телекоммуникации, авионика, судо- и машиностроение, электроника, промышленность и др.

: создание программного обеспечения по обработке и кодированию голосового сигнала для сетей мобильной связи.

Также мы обладаем компетенциями компьютерной обработки изображений (Image Processing) . Мы участвуем в проектах внедрения машинного зрения в системы промышленного Интернета вещей на производственных предприятиях, а также разрабатываем алгоритмические комплексы обработки и распознавания образов для систем видеонаблюдения на различных объектах.

Пример успешно завершенного проекта : решение, которое позволяет системе видеонаблюдения непрерывно отслеживать движущиеся объекты через зоны обзора нескольких камер:

• интеграция нескольких HD-камер,
• бесшовное соединение в панораму,
• задержка менее четырех кадров,
• точная синхронизация камер,
• сведение изображения с соседних камер с точностью до пикселя,
• коррекция геометрических и цветовых искажений.

Мы используем имитационное моделирование, когда невозможно или нецелесообразно проведение экспериментов на реальной системе из-за высокой стоимости, трудоемкости и длительного ожидания результатов.

По спецификациям клиентов мы разрабатываем модели разнообразных объектов и процессов, которые позволяют:

• проанализировать поведение объекта во времени,
• осуществить раннее прототипирование разработки для ее отладки на модели,
• проверить сценарии, которые могут быть опасны для дорогостоящего оборудования,
• сократить использование ресурса оборудования,
• снизить уровень неопределенности и риски.

Пример успешно завершенного проекта : модель волнения моря.

Мы разрабатываем математические модели для поиска оптимальных решений при заданных ограничениях.

Багодаря нашему опыту в области математической оптимизации и линейного программирования, мы поможем разработать, протестировать и выбрать надежные и эффективные механизмы оптимизации.

Пример успешно завершенного проекта : модель оптимизации работы мерчендайзеров группы компаний.

Мы разрабатываем алгоритмы и математические модели, которые позволяют анализировать большие объемы данных - оценивать скрытые параметры в данных, их достоверность, осуществлять прогнозирование.

Наши решения на основе спектрального и стохастического анализа могут быть применены в промышленности, авионике, радиолокации, геофизике, медицине, экономике.

Примеры успешно завершенных проектов : алгоритмы спектрального анализа состава сырья для технологического процесса на цементном заводе, траекторное сопровождения БПЛА.

С помощью алгоритмов машинного обучения мы решаем задачи классификации, распознавания изображений и речи, прогнозирования. На основе искусственных нейронных сетей мы создаем решения по борьбе с БПЛА.

Пример успешно завершенного проекта : разработка программно-аппаратного комплекса обнаружения, классификации и сопровождения БПЛА.

24.09.2018

Проблемы графов не имеют срока давности. Теория графов используется в компьютерных сетях, применяется в геоинформационных системах, при маршрутизации сигналов в цифровых сетях и т.д. Даже социальные сети – это воплощение графов, где каждый пользователь (или его страничка) - это вершина графа, а подписчики и друзья – его ребра. Именно поэтому нас заинтересовала статья о решении одной из проблем в области графов, перевод которой мы вам предлагаем.

Здесь приводится совокупность математических формул, методов и моделей для реализации целей и задач ИС.

В случае проектирования новых процессов обработки информации следует представить соответствующие алгоритмы.

2.5.5. Программное обеспечение

Следует указать системное ПО, необходимое для функционирования предлагаемой ИС (включающее сетевое ПО и ПО рабочих станций).

Указываются использованные средства разработки (языки программирования, среды разработки) и кратко описывается разработанный программный комплекс.

Затем детально описываются автоматизируемые функции, показываются разработанные программные модули и их взаимосвязь, дерево вызова процедур и программ, схема взаимосвязи программных модулей и информационных файлов.

Дерево автоматизируемых функций. Вначале следует привести иерархию функций управления и обработки данных, которые призван автоматизировать разрабатываемый программный продукт. При этом можно выделить и детализировать два подмножества функций: а) реализующих служебные функции (например, проверки пароля, ведения календаря, архивации баз данных и др.), б) реализующих основные функции ввода первичной информации, обработки, ведения справочников, ответов на запросы и др. (рис. 4)

Рис. 4. Пример дерева функций

Выявление состава функций, их иерархии и выбор языка общения (например, языка типа «меню») позволяет разработать структуру сценария диалога, дающего возможность определить состав кадров диалога, содержание каждого кадра и их соподчиненность.

Структура диалога . При разработке структуры диалога необходимо предусмотреть возможность работы с входными документами, формирование выходных документов, корректировки вводимых данных, просмотра введенной информации, работу с файлами нормативно-справочной информации, протоколирования действий пользователя, а также помощь на всех этапах работы.

В этом пункте следует выбрать способ описания диалога. Как правило, применяется два способа описания диалога. Первый предполагает использование табличной формы описания. Второй использует представление структуры диалога в виде орграфа, вершины которого могут быть перенумерованы (рис. 5), а описание его содержания в соответствии с нумерацией вершин, либо в виде экранов, если сообщения относительно просты, либо в виде таблицы.

Диалог в ИС не всегда можно формализовать в структурной форме. Как правило, диалог в явном виде реализован в тех ИС, которые жестко привязаны к исполнению предметной технологии. В некоторых сложных ИС (например, в экспертных системах) диалог не формализуется в структурной форме и тогда данный пункт может не содержать описанных схем.

О
писание диалога, реализованного с использованием контекстно-зависимого меню, не требует нестандартного подхода. Необходимо лишь однозначно определить все уровни, на которых пользователь принимает решение относительно следующего действия, а также обосновать решение об использовании именно этой технологии (описать дополнительные функции, контекстные подсказки и т. д.)

Рис. 5. Пример сценария диалога

Дерево программных модулей . На основе результатов, полученных выше, строится дерево программных модулей (рис. 6), отражающих структурную схему пакета, содержащей программные модули различных классов:

выполняющие служебные функции;

управляющие модули, предназначенные для загрузки меню и передачи управления другому модулю;

модули, связанные с вводом, хранением, обработкой и выдачей информации.

Рис. 6. Дерево программных модулей

В данном пункте необходимо для каждого модуля указать идентификатор и выполняемые функции, например, в виде:

Идентификатор	Выполняемые модулем функции
	Начало работы с программой. Выбор пунктов главного меню.
	Предназначен для хранения не визуальных компонентов
	Регистрация новой заявки.
	Справочник заказчиков.
	Справочник марок транспортных средств.
	Справочник тип кузова
	Регистрация, просмотр и редактирование индивидуальной карточки транспортного средства
	Справочник оснований на заявку
	Справочник ГСМ.
	Регистрация, просмотр и редактирование индивидуальной карточки водителя.
	Журнал поступивших заявок на транспорт.
	Справочник класс водителя
	Регистрация нового путевого листа, редактирование полей записи.

Описание программных модулей должно включать описание блок-схем алгоритмов основных расчетных модулей.

Схема взаимосвязи программных модулей и информационных файлов отражает взаимосвязь программного и информационного обеспечения ИС, и может быть представлена несколькими схемами, каждая из которых соответствует определенному режиму (например, рис. 7). Головная же часть, представляется одним блоком с указателями схем режимов.

Рис. 7. Пример схемы взаимосвязи программных модулей и информационных файлов