Cтраница 3
Принятый критерий управления - минимум технологической себестоимости жидкого аммиака при заданной производительности должен быть реализован с помощью системы автоматического расчета и анализа технико-экономических показателей производственных участков. Разработанный алгоритм оперативного управления состоит из алгоритма сбора и обработки информации, алгоритма расчета технико-экономических показателей, алгоритмов координации нагрузок и распознавания ситуаций. [31]
Современный же нейрокомпьютинг - только первая ласточка. В наше время эта технология распознавания ситуаций и принятия решений отрабатывается в конкретных, четко очерченных областях ( например, игра на бирже), не требующих знания социального контекста, пока недоступного компьютерам. До принятия действительно значимых управленческих решений нейрокомпьютерами еще очень далеко. [32]
Если отклонения в ресурсах влияют лишь на выполнение работ, не находящихся на критическом пути сетевого графика, то можно рассчитать располагаемое для их ликвидации время. Если оно не превышает резерва времени, то можно не рассматривать данное отклонение с точки зрения принятия немедленных мер по его ликвидации, в противном случае возникшее отклонение считается ситуацией, требующей немедленных действий по его ликвидации. Такие отклонения передаются в блок распознавания ситуации, где представленная ситуация сопоставляется с типовыми. В случае совпадения ситуаци-и с одной из типовых информация о ней выдается руководителю для согласования. При согласии руководителя информация о ситуации передается в блок генерации и выбора способов действий. [33]
Рассмотрим процедуру распознавания типа прихвата, пользуясь диагностическими таблицами ( табл. 22), разработанными для одного из объединений на основании промысловой информации о 18, 25 и 45 прихватах, соответственно, I, II и III типов. Анализ работоспособности таблиц показал, что вероятность распознавания ситуации весьма высока - 70 % и выше. [34]
Дальнейшее совершенствование станков с адаптивным управлением связано с введением в DNC-системы элементов искусственного интеллекта. Сегодня уже ведутся интенсивные исследования в области интеллектуального управления станками. При этом значительное внимание уделяется визуальному контролю качества обработки, распознаванию ситуаций ( например, аварийных ситуаций типа поломки инструмента), планированию технологических операций и оптимизации режимов обработки в недетерминированной рабочей обстановке. [35]
Применение табличного метода управления предполагает оптимальное решение вопроса дискретизации входных признаков - возмущений. По мере увеличения числа разбиений какого-либо входа его информативность также увеличивается. При выборе табличного автомата как технического устройства, выполняющего вычисления при распознавании представленной ситуации, ограничивающими условиями являются допустимый объем или стоимость автомата. [36]
При рассмотрении преобразования информации в ПИ предпо лагалось, что ПИ - идеальный. В общем случае в нем может про исходить как потеря полезной информации ( образование пустой информации), так и появление ошибочной информации. Процесс преобразования информации в ПИ, как известно, состоит из восприятия осведомляющей информации, распознавания ситуации, предсказания, принятия решения и исполнения. [37]
Образцы, с которыми должны сравниваться входные сигналы, должны быть заложены в машине подобно тому, как Платоновы формы заложены в небесах. При всем уважении к работам по распознаванию, основанным на сканировании, можно утверждать, что этот способ не годится для распознавания ситуаций, связанных с управлением производством. В качестве модели таких функций мозга, как чтение, эти методы вполне пригодны. Но как модель чувствительности к сбалансированности плана они не пригодны. [38]
Дело в том, что одноразовые показы фиксируют внимание на последовательности действий, изложенных в инструкции, нацелены на воспитание уверенности в надежности технической системы. Однако непосредственное формирование готовности к выполнению задачи, процесс обучения дополняются как тренировкой извлечения сведений из долговременной памяти, так и обучением способам распознавания ситуаций. [39]
На рис. 4.3 показана блок-схема типового алгоритма обработки информации на примере расчета технико-экономических показателей. Исходная информация от аналоговых и дискретных датчиков автоматически вводится в УВК с интервалом 4 - 10 с. При этом осуществляются оцифровка входных аналоговых сигналов, накопление и усреднение исходных данных для первичного интервала обработки. Распознавание ситуации производится по дискретным сигналам ( признакам), характеризующим состояние соответствующих элементов основного оборудования. В зависимости от технологической ситуации изменяется состав исходной информации, участвующей в расчете ТЭП, корректируются формулы и набор вычисляемых параметров. [40]
При асинхронном временном мультиплексировании каждое устройство может пересылать данные по мере его готовности вне всякого предварительно установленного порядка. Вместе с данными идет информация, показывающая принадлежность сообщения тому или иному устройству-отправителю. Поскольку устройства могут пересылать данные в одно и то же время, возможны конфликтные ситуации, вследствие которых сообщения делаются нечитаемыми. Для распознавания ситуаций столкновения сообщений, требующих повторной их передачи, во многих сетях с асинхронным временным мультиплексированием используется протокол управления передачей данных CSMA / CD ( C. Временное мультиплексирование используется при организации сетей передачи данных в полосе модулирующих частот ( В. [41]
В соответствии с изложенными в разд. При, этом список типовых ситуаций и их характеристики используются лишь блоком распознавания ситуаций. Информация об отклонениях в ресурсах поступает для распознавания. Целью распознавания ситуаций является отнесение отклонений к типовым ситуациям, применительно к которым имеются типовые способы ликвидации отклонений. Распознавание ситуаций осуществляется по следующей схеме. [42]
Ситуация s ( t) считается распознаваемой моделью MZI. Если множество микроситуаций, допустимое в семиотической системе, задается списком, то распознавание сводится к поиску заданной ситуации среди множества допустимых. Поскольку множество допустимых микросостояний большой системы является астрономически большим, то единственно возможным эффективным способом задания этого множества является способ, базирующийся на принципе порождения. При этом распознавание ситуации сводится к описанию ее синтаксической структуры с помощью правил модели. [43]
При конкретной реализации модели U в модели СОИС приходится строить достаточно сложные алгоритмы распознавания ситуаций. Общая схема такого алгоритма обычно состоит в следующем. В каждом звене управления системы формируется гипотеза о состоянии системы на языке этого уровня. Алгоритмический оператор распознавания ситуаций ставит в соответствие полученной гипотезе о состоянии системы стандартные классы ситуаций, каждой из которых соответствует определенное решение, например выбор критерия для последующего решения задачи распределения. [44]
Предикаты применимости правил трансформации ситуаций возникают в виде обобщенных ситуаций в результате применения операций теоретико-множественного пересечения к заданному множеству ситуаций-решений. Свойство транзитивности для отношения толерантности в общем случае не выполняется. Возможность пересечения классов ситуаций вызывает необходимость использования метрики в пространстве ситуаций-решений на этапе распознавания ситуаций. [45]