Система інтелектуальної підтримки прийняття рішень для автоматизації розподілених технологічних процесів

Abstract

Дисертаційне дослідження виконано з метою підвищення ефективності та оперативності керування виробничими процесами. Застосування у виробництві СППР, що навчаються (самонавчаються) в режимі факторного кластер-аналізу (ФКА), дозволяє надати АСК властивість адаптивності при автоматизації технологічних процесів. Розроблено науково-методологічні основи інформаційно-екстремального методу аналізу і синтезу СППР, що навчається в режимі кластер-аналізу за умов апріорної невизначеності, інформаційних і ресурсних обмежень. Суть запропонованого в дисертаційній роботі методу полягає в трансформації на етапі навчання СППР апріорного нечіткого розбиття простору ознак розпізнавання в чітке розбиття еквівалентності, що дозволило побудувати безпомилкові за навчальною вибіркою вирішальні правила. Запропоновано категорійні моделі та алгоритми оптимізації фенотопних і генотипних параметрів функціонування СППР в режимі ФКА із самонавчанням. Досліджено вплив параметрів навчання на функціональну ефективність СППР. Розроблено засоби інформаційних технологій синтезу СППР, що функціонує в режимі ФКА при виробництві складних мінеральних добрив у ВАТ «Сумихімпром» за умови відсутності через технічні ускладнення вхідного контролю сировини та матеріалів. Впровадження наукових результатів дозволило підвищити відсоток виходу кондиційного продукту та зменшити витрати компонентів мінеральних добрив. При цитуванні документа, використовуйте посилання http://essuir.sumdu.edu.ua/handle/123456789/3477

Диссертационное исследование выполнено с целью повышения эффективности и оперативности управления слабо формализованными технологическими процессами, распределѐнными в пространстве м времени и происходящими при условии отсутствия из-за технических сложностей входного контроля сырья и материалов природного происхождения. Актуальность диссертационной работы обусловлена необходимостью внедрения в производство обучающихся (самообучающихся) в режиме факторного кластер-анализа (ФКА) систем поддержки принятия решений(СППР) для автоматизации технологических процессов, что позволит наделить распределѐнную АСУ свойством адаптивности. Разработаны научно-методологические основы информационно-экстремального метода анализа и синтеза обучающихся в режиме факторного кластер-анализа СППР, функционирующих в условиях априорной неопределенности, информационных и ресурсных ограничений. Суть предложенного в диссертационной работе метода заключается в трансформации на этапе обучения СППР априорно нечѐткого разбиения пространства признаков на классы распознавания в чѐткое разбиение эквивалентности путѐм оптимизации пространственно-временных параметров функционирования, что позволило построить безошибочные по многомерной обучающей матрице решающие правила. Преимуществом разработанного метода синтеза является целенаправленная нормализация априорно деформированного образа непосредственно в процессе обучения СППР путѐм итерационной процедуры поиска глобального максимума функции информационного критерия функциональной эффективности в рабочей (допустимой) области еѐ определения. Разработаны категорийные модели и алгоритмы оптимизации фенотипных и генотипных параметров функционирования СППР в режиме ФКА с самообучением и исследовано их влияние на функциональную эффективность СППР. В работе решены задачи оптимизации системы контрольных допусков на контролируемые параметры, шага квантования во времени входных реализаций образа, периодов опроса датчиков информации и принятия управляющих решений в рабочем режиме СППР. Разработаны средства информационных технологий синтеза интеллектуальной СППР, функционирующей в режиме ФКА, при производстве сложных минеральных удобрений в ОАО «Сумыхимпром». Внедрение научних результатов диссертационной работы позволило повысить процент выхода готового кондиционного продукта и уменьшить расход компонентов минеральных удобрений. При цитировании документа, используйте ссылку http://essuir.sumdu.edu.ua/handle/123456789/3477

Dissertational research is executed for the purpose to increase the efficiency and operability of management by productions. Implementation in manufacture learning (self-learning) in a mode of the factorial cluster analysis (FCA) DSS at automation of technological processes allows to allocate automatic control system with property of adaptability. Scientifically-methodological bases of an information-extreme method of the analysis and synthesis learning in a mode of cluster analysis DSS, which functioning in the conditions of aprioristic uncertainty, information and resource restrictions are developed. The essence of the method offered in dissertational work consists in transformation at learning level DSS of a priori indistinct splitting of space of signs of recognition in accurate splitting of equivalence that allows to construct faultless on training sample solving rules. The of categorical models and algorithms of phenotype and genotypic data optimization when the DSS functioning in mode FCA with self-learning was researched. Influence of leaning parameters on functional efficiency DSS was investigated. Means of information technologies of synthesis DSS which functioning in FCA mode are developed, by manufacture of difficult mineral fertilizers in Open Society "SumyKhimprom". When you are citing the document, use the following link http://essuir.sumdu.edu.ua/handle/123456789/3477