Logo GenDocs.ru

Поиск по сайту:  

Загрузка...

Система поддержки принятия решений при - файл


скачать (96.5 kb.)



СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ

ОПЕРАТИВНО-ДИСПЕТЧЕРСКОМ УПРАВЛЕНИИ


Аннотация:

В статье рассматривается система поддержки принятия решений при оперативно-диспетчерском управлении технологическим процессом в промышленности, описываются актуальные проблемы диспетчерского управления, решаемые задачи системы, методы аналитической обработки данных с целью получения полезной информации о рациональном и оптимальном управлении.



Ключевые слова: Система поддержки принятия решений, Data Mining, анализ, управление, диспетчер, информация, данные, технологический процесс.
Система поддержки принятия решений (СППР) (англ. Decision Support System, DSS) — компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. СППР возникли в результате слияния управленческих информационных систем и систем управления базами данных. [1]

Для анализа и выработки предложений в СППР используются разные методы. Это могут быть: информационный поиск, интеллектуальный анализ данных, поиск знаний в базах данных, рассуждение на основе прецедентов, имитационное моделирование, генетические алгоритмы, нейронные сети и др. Некоторые из этих методов были разработаны в рамках искусственного интеллекта. Если в основе работы СППР лежат методы искусственного интеллекта, то говорят об интеллектуальной СППР, или ИСППР. Близкие к СППР классы систем — это экспертные системы и автоматизированные системы управления. [1]



СППР при оперативно-диспетчерском управлении представляет собой специальное программное обеспечение по обработке входящей информации о ходе технологического процесса (ТП) в масштабе реального времени, выдавая рекомендации по оптимальному управлению. Информация преобразовывается и сохраняется в доступной и удобной для восприятия пользователем форме, оповещая оператора путем текстового или речевого сообщения, а также в случаях сбоя или некорректных показаний контрольно-измерительного прибора, система предоставит косвенные показания параметров ТП на мнемосхеме. СППР формирует отчет о выполнении производственной программы, в которой отражается аналитическая информация по эффективному управлению ТП.

Встречается ситуация, когда по каким-либо причинам отсутствует необходимая информация или передаются не верные данные о ходе ТП. Ввиду большого числа взаимосвязанных параметров, невозможно их быстро систематизировать, из-за многовариантности причин и управляющих воздействий диспетчер не может оперативно принять оптимальное решение.

Качество и полнота обработки информации напрямую зависят от достоверности обрабатываемой входной информации. Выдача в обработку не достоверной информации создаст предпосылки дезинформации диспетчера при управлении ТП, что может повлечь за собой не правильное управляющие решение. При этом наличие сбоев, при приеме информации в реальном времени в условиях функционирования автоматизированной системы технологических процессов (АСУТП), является скорее правилом, чем исключением, отказы элементов самой АСУТП также могут привести к снижению эффективности технологического процесса или к аварийным ситуациям. При исследовании вопросов принятия решений необходимо рассматривать систему в целом, состоящую из технологического объекта, АСУТП и связей между ними. Сбои в АСУТП могут случаться как по одному технологическому параметру, так и по нескольким, это обуславливается по разным причинам, к примеру, обрыв линии связи, отсутствие напряжения, а также технологические, механические аспекты.

Лицо, принимающее решение, является субъектом, поведение которого может оказывать существенное влияние, как на сам процесс принятия решения, так и на результаты этого процесса. Теоретическая важность его учета определяется тем, что процесс формирования окончательного управленческого решения является наиболее сложным и развернутым типом процессов субъективного выбора. [2]

Существенным фактором, влияющий на процесс разработки и принятия управляющего решения, является психологический аспект этого процесса, определяемый содержанием ряда понятий и их взаимосвязью. При анализе и оценке ситуации с точки зрения разработки управленческого решения существенным является учет факторов риска, неопределенности и неполноты информации. [2] Возможность и эффективность использования информации для управленческого решения обусловливается такими ее потребительскими показателями качества, как репрезентативность, содержательность, достаточность, доступность, своевременность, устойчивость, точность, достоверность, актуальность, защищенность и ценность.

Диспетчер в аварийной ситуации в условиях ограниченного времени должен на основании анализа и прогноза принять наиболее правильное решение. При обнаружении отклонений параметров от регламентированных пределов перед диспетчером встают задачи: установление причины; прогноз событий; принятие решения, т.е. определить алгоритм управляющих воздействий, стабилизируя ТП.

В настоящее время при разработке управленческих решений широко используются экономико-математические модели и инструментальные средства, которые позволяют моделировать различные ситуации, просчитывать последствия тех или иных решений, прогнозировать развитие событий, что существенно влияет на их качество и эффективность. Важным фактором выбора управленческого решения являются критерии оценки его эффективности. [2]

Ввод данных в СППР осуществляется либо автоматически от датчиков, характеризующих состояние среды или процесса, либо человеком-оператором. В первом случаи данные накапливаются путем циклического опроса, либо по сигналу готовности, возникающему при появлении информации. Во втором случаи СППР должны предоставлять пользователям удобные средства ввода данных, контролирующие корректность вводимых данных и выполняющие сопутствующие вычисления. Если ввод осуществляется одновременно несколькими операторами, то система должна решать проблемы параллельного доступа и модификации одних и тех же данных. [3]

Основная задача СППР – предоставить инструмент для выполнения анализа данных. Необходимо отметить, для эффективного использования СППР ее пользователь – аналитик (диспетчер) должен обладать соответствующей квалификацией. Система не генерирует правильное решение, а только предоставляет аналитику данные в соответствующем виде. [3]

СППР решают три основные задачи: сбор, хранения и анализ хранимой информации. Задачи анализа разделяется на информационно-поисковый, оперативно-аналитический и интеллектуальный классы. В процессе анализа данных, поиска решений часто возникает необходимость в построении зависимостей между различными параметрами. [3]

Множественность измерений предполагает предоставление данных в виде многомерной модели. По измерениям в многомерной модели откладывают параметры, относящиеся к анализируемой предметной области. Таким образом, многомерную модель данных можно представить, как гиперкуб. Рис. 1. [3]


Рисунок 1­– Представление данных виде гиперкуба.


С концепцией многомерного анализа данных тесно связывают оперативный анализ, который выполняется средствами OLAP-систем.

OLAP (On-Line Analytical Processing) – технология оперативной аналитической обработки данных. Это класс приложений, предназначенных для сбора, хранения и анализа многомерных данных в целях поддержки процессов принятия решений. Для анализа информации наиболее удобным способом ее предоставления является многомерная модель или гиперкуб, ребрами которого является измерения. Это позволяет анализировать данные сразу по нескольким измерениям, т.е выполнять многомерный анализ. [3]

Data mining (добыча данных, интеллектуальный анализ данных, глубинный анализ данных) — собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Основу методов data mining составляют всевозможные методы классификации, моделирования и прогнозирования, основанные на применении деревьев решений, искусственных нейронных сетей, генетических алгоритмов, эволюционного программирования, ассоциативной памяти, нечеткой логики.

К методам data mining нередко относят статистические методы  (дескриптивный анализ, корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ, компонентный анализ, дискриминантный анализ, анализ временных рядов, анализ выживаемости, анализ связей). Такие методы, однако, предполагают некоторые априорные представления об анализируемых данных, что несколько расходится с целями data mining (обнаружение ранее неизвестных нетривиальных и практически полезных знаний).

Одно из важнейших назначений методов data mining состоит в наглядном представлении результатов вычислений (визуализация), что позволяет использовать инструментарий data mining людьми, не имеющими специальной математической подготовки.

Методы data mining лежат на стыке баз данных, статистики и искусственного интеллекта. Знания, добываемые методами data mining, принято представлять в виде закономерностей (паттернов). В качестве таких выступают ассоциативные правила, деревья решений, кластеры, математические функции.

Алгоритмы поиска таких закономерностей находятся на пересечении областей: Искусственный интеллект, Математическая статистика, Математическое программирование, Визуализация, OLAP.

Интеграция технологии OLAP и Data Mining "обогащает" функциональность и одной, и другой технологии. Эти два вида анализа должны быть тесно объединены, чтобы интегрированная технология могла обеспечивать одновременно многомерный доступ и поиск закономерностей. [4]

Промышленное производство создает идеальное условия для применения технологий Data Mining. Причина – в самой природе технологического процесса, который должен быть воспроизводимым и контролируемым. Все отклонения в течение процесса, влияющие на качество выходного результата. [4]

Методами Data Mining решаются три основные задачи: классификация и регрессия, поиск ассоциативных правил и кластеризация. По назначению они делятся на описательные и предсказательные задачи. По способам решения задачи разделяют на supervised learning (обучение с учителем) и unsupervised learning (обучение без учителя). [4]

Методы Data Mining в реальном времени (или Real-Time Analytics), в основном, относятся к задаче предсказания. В отличие от статических методов они обучаются динамически и основаны на обратной связи от прогноза, полученного с помощью предсказательной модели (постоянном переобучении). [5]

Задача классификации и регрессии сводится к определению значения зависимой переменной объекта по его независимым переменным. Если зависимая переменная принимает численные значения, то говорят о задаче регрессии, в противном случае – о задаче классификации. [4]

При поиске ассоциативных правил целью является нахождение частых зависимостей (или ассоциаций) между объектами и событиями. Найденные зависимости представляются в виде правил и могут быть использованы как для лучшего понимания природы анализируемых данных, так и для предсказания моделей. [4]

Применяемые в СППР средства «Data Mining» дают возможность ставить и решать, как традиционные, так и нетрадиционные задачи анализа. Например, традиционной является постановка задачи: «определить, имеется ли определённого вида статистическая связь между такими показателями, как объем производства товара и объем его реализации». Нетрадиционной была бы следующая постановка задачи: «имеется несколько десятков показателей деятельности предприятия, и необходимо определить, между какими из них следует искать статистические связи вообще, какого рода связи следует искать, на каких объектах эти связи проявляются». [1]

Есть класс задач управления, в котором изменение ситуации предопределено, т.е. считается, что параметры факторов, воздействующих на управляемую систему, меняются, а задача управления заключается в реагировании на эти изменения. Это реагирование и будем считать оперативным управлением. Сейчас информационные технологии широко используются для сбора данных, их анализа и оценки сложившейся ситуации. Методы анализа во многих случаях остаются традиционными, но их реализация осуществляется на вычислительных сетях с использованием современных способов информационного поиска и анализа информации.

Ключом успешного компьютерного анализа ситуации является глубокое понимание, как объектной области, так и технологии обработки информации. Выбор метода анализа, сделанный экспертом или руководителем на основе его субъективного понимания характера задачи исследования и хорошего знания сильных и слабых сторон метода, является одним из важнейших условий получения результата, соответствующего его критериям и оценкам ситуации. [6]
Список литературы
1. Попов, А. Л. Учебное пособие системы поддержки принятия решений // Уральский государственный университет им. А.М. Горького. – 2008. – г.Екатеринбург – С. 80.

2. Халин, В. Г. Учебник и практикум для бакалавриата и магистратуры / Системы поддержки принятия решений: // Издательство Юрайт –2015. – г.Москва – С. 494.

3. Барсегян, А.А., Купрянов М. С., Степаненко В. В. Методы и модели анализа данных: OLAP и Data Mining. – 2004. – г. Санкт-Петербург – С. 336

4. Чубукова, И.А. Учебное пособие «Data Mining» // Интернет–Университет Информационных Технологий. – 2006. – г. Москва - Бином. Лаб. Знаний – С. 382.



5. Барсегян, А.А., Холод, И.И., Тесс, М.Д. Учебное пособие «Анализ данных и процессов» 3-е издание. – 2009. – г. Санкт – Петербург - БХВ-Петербург – С. 512.

6. Трахтенгерц, Ю.П., Степин, А.Ф. Компьютерные методы поддержки принятия управленческих решений в нефтегазовой промышленности / Российский государственный университет нефти и газа им. И.М. Губкина. – 2004. – Синтег – г. Москва – С. 575.


Скачать файл (96.5 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации