¦ сбор и обработка информации и непосредственное управление работой оборудования и технологическими процессами с учетом команд, поступающих с вышестоящего уровня;

¦ фиксация времени простоя оборудования с учетом причин простоя;

¦ контроль за состоянием инструмента и учет его использования; учет числа обработанных деталей;

¦ передача информации на уровень оперативного управления. Функциями уровня оперативного управления ходом производственного процесса являются:

¦ анализ наличия ресурсов для выполнения сформированных заданий;

¦ оперативная корректировка режимов отдельных технологических процессов и выдача заданий по коррекции технических устройств низшего уровня; контроль качества изделий;

¦ прием и систематизация информации с управляющих устройств низшего уровня;

¦ координация работы всех элементов системы в соответствии с полученным заданием; передача информации на верхний уровень управления.

Функциями уровня планирования работ являются:

¦ решение комплекса задач, связанных с управлением и контролем за работой уровня оперативного управления;

¦ управление библиотекой управляющих программ для оборудования и технологических процессов;

¦ сбор, обработка и выдача информации о ходе производственного процесса в системе.

Комплексная автоматизация охватывает проектирование и производство изделий и обеспечивается совокупностью автоматизированных систем. В эту совокупность входят автоматизированные системы научных исследований (АСНИ), системы автоматизированного проектирования (САПР), автоматизированные системы технологической подготовки производства (АСУПП), автоматизированные системы управления технологическими процессами (АСУ ТП), автоматизированные системы управления производством (АСУП) и автоматизированные информационные технологии управления гибкой производственной системой (АИТУ ГПС).

3. Методологические основы применения метода имитационного моделирования

Одна из важных особенностей автоматизации управления - принципиальная невозможность проведения реальных экспериментов до завершения проекта. Возможным выходом является использование имитационных моделей. Сущность метода имитационного моделирования состоит в построении так называемой имитационной модели исследуемого объекта и целенаправленном экспериментировании с такой моделью для получения ответов на те или иные вопросы. Говоря о методе имитационного моделирования, как правило, имеют в виду метод, ориентированный на применение ЭВМ, хотя могут использоваться любые средства, включая лист бумаги и карандаш.

Другой важный аспект -- использование имитационных моделей в процессе эксплуатации информационных технологий управления для принятия решений. Такие модели создаются в процессе проектирования, чтобы их можно было непрерывно модернизировать и корректировать в соответствии с изменяющимися условиями работы пользователей. Эти же модели могут быть использованы для обучения персонала перед вводом в действие информационных технологий в эксплуатацию и для проведения деловых игр.

Имитационное моделирование -- это метод исследования, заключающийся в имитации на ЭВМ с помощью комплекса программ процесса функционирования технологии или отдельных ее частей и элементов. Сущность метода имитационного моделирования заключается в разработке таких алгоритмов и программ, которые имитируют поведение системы, ее свойства и характеристики в необходимом для исследования составе, объеме и области изменения параметров.

Принципиальные возможности метода весьма велики, он позволяет при необходимости исследовать системы любой сложности и назначения с любой степенью детализации. Ограничениями являются лишь мощность используемой ЭВМ и трудоемкость подготовки сложного комплекса программ. Методы имитационного моделирования развиваются в основном в направлении исследования степени подобия имитационных моделей реальным системам и разработки, типовых методов и приемов создания имитационных моделей.

Различают два подкласса систем, ориентированных на системное и логическое моделирование. К подклассу системного моделирования относят системы с хорошо развитыми общеалгоритмическими средствами, широким набором средств описания параллельно выполняемых действий, временных последовательностей выполнения процессов, а также с возможностями сбора и обработки статистического материала. К подклассу логического моделирования относят системы, позволяющие в удобной и сжатой форме отражать логические и топологические особенности моделируемых объектов, обладающие средствами работы с частями слов, преобразования форматов, записи микропрограмм.

Имитационное моделирование используется в основном для следующих применений:

* при исследовании сложных внутренних и внешних взаимодействий динамических систем с целью их оптимизации. Для этого на модели изучают закономерности взаимосвязи переменных, вносят в модель изменения и наблюдают их влияние на поведение системы;

* для прогнозирования поведения системы в будущем на основе моделирования развития самой системы и ее внешней среды;

* в целях обучения персонала, которое может быть двух типов: индивидуальное обучение оператора, управляющего некоторым технологическим процессом или устройством, и обучение группы людей, осуществляющих коллективное управление сложным производственным или экономическим объектом. В первом случае модель ориентирована на тренировку психофизиологических характеристик человека, поэтому модели называются тренажерами. Модели второго типа гораздо сложнее. Они описывают некоторые аспекты функционирования предприятия или фирмы и ориентированы на выдачу некоторых технико-экономических характеристик при воздействии на входные параметры управляющей системы (чаще всего не отдельного человека, а группы людей, выполняющих различные функции управления).

Макетирование проектируемой технологии и соответствующей части управляемого объекта осуществляется с целью проверки предполагаемых проектных решений. Оно позволяет в наиболее наглядной и понятной заказчику форме продемонстрировать работу будущей автоматизированной технологии, что способствует взаимопониманию и согласованию проектных решений.

Имитационные модели производственных процессов.

Вид модели производственного процесса зависит в значительной степени оттого, является ли она дискретной или непрерывной. В дискретных моделях переменные изменяются дискретно в определенные моменты имитационного времени. Время может приниматься как непрерывным, так и дискретным в зависимости от того, могут ли дискретные изменения переменных происходить в любой момент имитационного времени или только в определенные моменты. В непрерывных моделях переменные процессы являются непрерывными, а время может быть как непрерывным, так и дискретным в зависимости от того, являются ли непрерывные переменные доступными в любой момент имитационного времени или только в определенные моменты. В обоих случаях в модели предусматривается блок задания времени, который имитирует продвижение модельного времени, обычно ускоренного относительно реального.

Истоки зарождения дискретного подхода к построению имитационной модели обычно относят к тому времени, когда возникла идея использовать для решения ряда аналитических задач численный метод, суть которого заключается в следующем. Исходя из условий данной задачи, выбирается некоторый случайный процесс, вероятностные характеристики которого (вероятности наступления случайных событий, математические ожидания случайных величин и т. п.) равны искомым решениям задачи. Затем осуществляется многократное воспроизведение (имитация) случайного процесса, а полученное множество реализаций последнего подвергается статистической обработке. С появлением ЭВМ получил распространение метод Монте-Карло. При этом появилась возможность выборки с помощью ЭВМ случайных чисел практически с любым законом распределения и благодаря этому возможность имитации на ЭВМ самых разнообразных случайных процессов. Метод исследования объектов, основанный на таком подходе, получил название метода статистического моделирования.

Возникновение непрерывного подхода связано с появлением различного рода аналоговых вычислительных машин и их использованием для решения дифференциальных уравнений. Таким образом, можно сказать, что непрерывный подход первоначально применялся для моделирования непрерывных реальных объектов, функционирование которых исчерпывающе описывалось дифференциальными уравнениями.

Непрерывный подход к построению имитационных моделей весьма крупных социальных и производственных объектов широко развит Дж. Форрестером. Моделируемый объект независимо от действительного характера его функционирования формализуется (у Форрестера) в виде непрерывной абстрактной системы, между элементами которой циркулируют непрерывные потоки той или иной природы. Структура такой системы графически представляется в виде так называемой диаграммы (схемы) потоков, например, потоков информации, материалов, заказов, денежных средств, средств производства, людей и т. п. Основными элементами непрерывной системы являются абстрактные бункеры (емкости, резервуары) и элементы задержки, которые могут быть представлены также в виде своеобразных бункеров. Указанные два типа элементов системы выполняют в принципе те же функции, что и интегрирующие блоки и звенья запаздывания (линии задержки) аналоговых вычислительных машин. Характеристикой состояния каждого бункера является объем или уровень, находящегося в нем содержимого того или иного типа (материалы, денежные средства и др.)- В качестве характеристики воздействия одного элемента надругой выступает темп потока, циркулирующего между этими элементами.

Имитационные модели предприятий.

Для имитации сложных производственных систем требуется создание логико-математической модели исследуемой системы, позволяющей проведение с нею экспериментов на ЭВМ. Модель реализуют в виде комплекса программ, написанных на одном из универсальных языков программирования высокого уровня либо на специальном языке моделирования. С развитием имитационного моделирования появились системы и языки, сочетающие возможности имитации как непрерывных, так и дискретных систем, что позволяет моделировать сложные системы типа предприятий. Основным назначением моделей предприятий является их исследование с целью совершенствования системы управления либо обучения и повышения квалификации управленческого персонала. При этом моделируется не само производство, а отображение производственного процесса в системе управления.

Эффективная работа пользователей с моделью достигается в режиме диалога. Важнейшими условиями эффективного использования моделей является проверка их адекватности и достоверности исходных данных. Если проверка адекватности осуществляется известными методами, то достоверность имеет некоторые особенности. Они заключаются в том, что во многих случаях исследование модели и работу с нею лучше проводить не с реальными данными, а со специально подготовленным их набором. При подготовке набора данных руководствуются целью использования модели, выделяя ту ситуацию, которую хотят смоделировать и исследовать.

4. Методологические основы теории искусственного интеллекта

Искусственный интеллект в настоящее время применяется во многих областях. В последние годы современные информационные технологии совершили резкий скачок вперед, в основном за счет повышения производительности массовых процессоров и удешевления памяти ЭВМ. Это привело к появлению приложений, в которых воплотились серьезные теоретические наработки по искусственному интеллекту.

Основной проблемой исследований в области искусственного интеллекта является построение машинной модели, которая бы производила сложные преобразования информации, осуществляемые человеческим мозгом, включая в частности зрительное распознавание пространственных сцен, общение на естественном языке, в том числе в форме речи, обучение на опыте, выработку новых понятий, открытие новых свойств и законов, постановку новых задач и нахождение алгоритмов их решения, разработку новых научных теорий и т. д.

Идея практического применения исследований в области искусственного интеллекта в виде экспертных систем заключается в следующем. Если пока не удается заставить машину тонко приспосабливаться к проблемной области, самой вырабатывать нужные методы поиска, находить существенно новые свойства и законы, вырабатывать новые знания, приобретать новый опыт в изучаемой ею проблемной области, то можно воспользоваться накопленным человеческим опытом, готовыми знаниями, методами, навыками решения задач в некоторой предметной области и заложить их в машину (в ее базу знаний). Тем самым будет на время снята проблема накопления машиной опыта, открытия ею новых знаний и останется проблема применения уже накопленного специалистами опыта для вывода знаний с помощью имеющихся средств.

Затем необходимо разработать программу применения этого опыта для решения тех задач, с которыми справляется специалист и при решении которых он не располагает строгими математическими алгоритмами в силу неформализованности соответствующих знаний, отсутствия точных математических моделей. Речь идет о том опыте, который специалист может выразить словами в терминах данной предметной области, в виде либо некоторых общих высказываний и правил, либо описания конкретных примеров, образцов решений и действий в различных конкретных ситуациях. Такие знания называются вербализуемыми. Но у человека вырабатывается и другой опыт, не описываемый терминами исследуемой предметной области. Этот опыт представляется в некоторой системе формирующихся у человека связей, образов, интуитивных предчувствий, предвидений, предпочтений, неосознаваемых реакций и т. п. Он не сформирован в четко осознаваемые человеком правила, связи, принципы, эмпирические законы.

По-видимому, описание подсознательного опыта следует проводить в другом языке - не в терминах внешнего поведения человека при обработке им информации, а в терминах нейронных структур человеческого мозга и их связей, обеспечивающих самоорганизацию и специализацию поисковых механизмов. Поэтому предметная область для экспертных систем должна быть такой, чтобы опыт, который не удается вербализовать, не играл главенствующую роль при решении задач, как, например, в задачах оценки произведений искусства, в процессах художественного творчества, дегустации и т. п.

На этапе создания экспертных систем первого поколения в них применялись наиболее проработанные фрагменты еще далеких от завершения исследований в области искусственного интеллекта. При этом из-за недостаточности научных знаний о том, как заставить машину приобретать знания и опыт, использовался накопленный человечеством научный потенциал и практический опыт; из-за недостаточности научных знаний о том, как передать машине ту часть человеческого опыта, которая не поддается словесным описаниям, пришлось передавать машине только опыт, поддающийся вербализации. Наконец, из вербализуемых знаний использовались в основном только так называемые поверхностные, эмпирические знания, получаемые в результате обобщения внешнего поведения исследуемых объектов, без учета их внутренней природы, внутренних законов функционирования, глубоких причинно-следственных связей. Представление же глубинных знаний, а также приведение индуктивных выводов, обучение на опыте, открытие новых свойств, законов и другие сложные интеллектуальные действия включаются в разработку экспертных систем второго и последующих поколений. Тем не менее уже разработанные экспертные системы находят применение в самых разнообразных областях науки, техники, производства, культуры.

Список используемой литературы

Емельянова Н.З. «Основы построения автоматизированных информационных систем: учебное пособие» / Н.З. Емельянова, Т.Л. Партыка, И.И. Попов - М.: Форум: Инфра-М, 2005. - 412 с.

Ильина О. П. «Информационные технологии бухгалтерского учета» / О. П. Ильина - СПб: Питер, 2001 - 688 с.

Филимонова Е. В. «Информационные технологии в профессиональной деятельности: учебник» / Е.В. Филимонова - Ростов н/Д: Феникс, 2004 - 352 с.

«Информационные технологии в Управлении предприятием» - Крылович А.В. - http://www.cfin.ru/itm/kis/.

«Основные факторы риска при внедрении учетно-управленческих систем класса ERP на российских предприятиях» - Василий Кашкин, Юлиана Петрова - Аналитический отчет «РА Эксперт» - 2003 - 28 с.

«Экономика информационных систем: от снижения затрат к повышению отдачи» - Кирилл Скрипкин - «Директор информационной службы» (№6, 2003).

«Экономическая эффективность инвестиций в ИТ: оптимальный метод оценки» - Юрий Ипатов, Юрий Цыгалов - «Планета КИС» (№1, 2004).

Страницы: 1, 2