Руководство интеллектуальные системы

УДК 681.3.016

ББК
32.973-018.2

Семенов,
Н.А. Интеллектуальные информационные
системы: учебное пособие/Н.А. Семенов.
2-е изд. Тверь: ТГТУ, 2009. 124 с.

Учебное пособие
содержит теоретические и практические
аспекты теории интеллектуальных
информационных систем. Материал пособия
охватывает вопросы, связанные с
построением экспертных систем, систем
поддержки принятия решений и экономических
советующих систем на основе результатов
современных исследований.

Предназначено
для студентов и магистрантов, изучающих
дисциплину «Интеллектуальные
информационные системы» в технических
университетах.

Рецензенты:
кафедра системного и экономико-математического
анализа ТвГУ (зав. кафедрой, доктор
технических наук, профессор

В.Н.
Михно); заведующий кафедрой ЭВМ ТГТУ,
доктор технических наук, профессор В.А.
Григорьев.

© Н.А. Семенов, 2009

ISBN
978-5-7995-0471-7 ©
Тверской государственный

технический университет, 2009

Введение

Интеллектуальные
информационные системы (ИИС)
– результат развития обычных информационных
систем (ИС),
которые сосредоточили в себе наиболее
наукоемкие технологии с высоким уровнем
автоматизации не только процессов
подготовки информации для принятия
решений, но и самих процессов выработки
вариантов решений, опирающихся на
полученные ИС данные [1].

В
пособии на основе последних достижений
в области разработки ИИС рассмотрены
различные модели представления знаний,
методы их извлечения, нейронные сети
и мультиагентные системы, интеллектуальные
методы проектирования сложных систем,
определены основные разновидности ИИС
в виде экспертных систем, систем поддержки
принятия решений и экономических
советующих систем. Кроме того, приведены
сведения об инструментальных средствах
разработки ИИС, некоторые из них доступны
в Интернете.

Во втором издании
дополнительно рассмотрены вопросы в
области основных направлений развития
искусственного интеллекта, приведены
примеры мультиагентных систем различного
функционального назначения, определены
интегрированные, гибридные и синергетические
ИИС, интеллектуальные методы проектирования
сложных систем и методы эволюционного
моделирования.

Учебное
пособие предназначено для студентов
специальности «Прикладная информатика
(в экономике)», будет
полезно для магистрантов и аспирантов,
использующих методы искусственного
интеллекта в научных исследованиях.

Глава 1. Интеллектуальные информационные системы

как
одно из направлений теории искусственного
интеллекта

1. Основные направления в искусственном интеллекте

Искусственный
интеллект (ИИ) – это раздел информатики,
посвященный моделированию интеллектуальной
деятельности человека, который в середине
ХХ века оформился в самостоятельную
науку. Термин «искусственный интеллект»
(artificial
intelligence)
был предложен в 1956 году. ИИ охватывает
обширную область исследований и
разработок интеллектуальных систем,
предназначенных для работы в трудно
формализуемых областях деятельности
человека. Для задач, решаемых методами
ИИ, характерно наличие большого числа
степеней свободы с числом вариантов
поиска решений, приближающимся к
бесконечности.

Основные
направления развития ИИ:

1. Разработка
   интеллектуальных
   информационных систем,
   основанных на знаниях. ИИС объединяют
   в себе возможности систем управления
   базами данных (СУБД), лежащих в основе
   информационных систем, и технологию
   ИИ, благодаря чему хранение в них
   информации сочетается с ее обработкой
   и подготовкой для использования при
   принятии решений. Разновидностями ИИС
   являются экспертные системы (ЭС), системы
   поддержки принятий решений (СППР) и
   экономические советующие системы
   (ЭСС).

2. Нейросетевые и нейрокомпьютерные технологии.

Искусственные
нейронные сети и нейрокомпьютеры в
значительной мере заимствуют принципы
работы головного мозга человека. Знания
в них изначально не закладываются, а
приобретаются в процессе обучения.

1. Мультиагентные (многоагентные) системы.

Агент
– это программная или программно-аппаратная
сущность, способная действовать в
интересах достижения целей, поставленных
владельцем. Интеллектуальные агенты
обладают свойствами автономности,
социального поведения, реактивности,
базовых знаний, убеждений и др.
Многоагентные системы (МАС) состоят из
множеств:

• системных
  единиц, в котором выделяется подмножество
  активных единиц – агентов, манипулирующих
  подмножеством пассивных единиц –
  объектов;

• задач
  (функций, ролей), которые поручаются
  агентам;

• отношений
  между агентами;

• организационных
  структур, формируемых агентами;

• действий
  агентов.

Средой функционирования
МАС является Интернет.

1. Распознавание
   образов. К
   нему относят широкий круг проблем в
   области распознавания изображений,
   символов, текстов и звуков.

2. Компьютерная
   лингвистика.
   В рамках данного направления решаются
   задачи машинного перевода и разработки
   естественно-языковых интерфейсов между
   человеком и компьютером на основе
   нейросетевых технологий.

3. Игры
   и творчество.
   Традиционно ИИ включает интеллектуальные
   задачи, решаемые при игре в шахматы и
   шашки. В широком смысле под игрой
   понимается некоторая конфликтная
   ситуация, участники которой своими
   действиями не только достигают своих
   целей, но и влияют на достижение целей
   другими участниками игры (экономические,
   политические и военные конфликты).

4. Эволюционное
   моделирование
   предполагает воспроизведение процесса
   естественной эволюции с помощью
   компьютерных программ, в частности, на
   основе генетических алгоритмов и
   методов группового учета аргументов.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

• #
• #
• #

  19.05.20153.48 Mб143Иванов Е.А., Логика.doc

• #
• #
• #
• #
• #
• #
• #
• #

Интеллектуальные системы управления, Теории и практика, Васильев В.И., Ильясов Б.Г., 2009.

   Дана общая характеристика основных направлений в области систем искусственного интеллекта, моделей и методов представления знаний; рассмотрены цели и задачи интеллектуального управления; показана целесообразность построения интеллектуальных систем управления (ИСУ) сложными динамическими объектами в классе многоуровневых иерархических систем; изложены теоретические основы построения ИСУ с использованием нечеткой логики, нейронных сетей, нечетких когнитивных карт, генетических алгоритмов, мягких вычислений; приведено большое число примеров, иллюстрирующих особенности и преимущества практического применения указанных методов для различных технических объектов. Особое внимание уделено вопросам автоматизации проектирования ИСУ, а также анализу современного состояния программной и аппаратной реализации алгоритмов интеллектуального управления.
Для студентов вузов, обучающихся по специальностям 230301 «Моделирование и исследование операций в организационно-технических системах» и 230103 «Авиационные приборы и измерительно-вычислительные комплексы», а также по направлениям «Системный анализ и управление», «Информатика и вычислительная техника». Может быть полезно аспирантам, научным и инженерно-техническим работникам, занимающимся проблемами управления сложными динамическими объектами в условиях неопределенности.

Понятие «искусственный интеллект».
Прежде чем рассмотреть понятие «искусственный интеллект» и родственное ему понятие «вычислительный (или машинный) интеллект», выясним, что же собой представляет собственно интеллект.

Данное понятие имеет глубокий философский смысл и не поддается строгому определению. Как отмечается в Большом энциклопедическом словаре [1], термин интеллект (англ — intelligence) происходит от латинского intellectus — «познание, понимание, рассудок». Согласно известному «Словарю английского языка» Вебстера (Webster, 1956), «Интеллект — это:
способность успешно реагировать на любую, особенно новую ситуацию путем надлежащих корректировок поведения;
способность понимать взаимосвязи между фактами действительности для выработки действий, ведущих к достижению поставленной цели».

В большинстве существующих определений интеллект выступает как внутреннее свойство человеческой личности (или искусственной системы), позволяющее ей принимать правильные (осмысленные, разумные) решения в условиях неопределенности внешней среды или самой решаемой задачи.

ОГЛАВЛЕНИЕ.
ИСПОЛЬЗУЕМЫЕ СОКРАЩЕНИЯ.
ВВЕДЕНИЕ.
1. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. ПРОБЛЕМА ПРЕДСТАВЛЕНИЯ И ПОЛУЧЕНИЯ ЗНАНИЙ.
1.1. Понятие об искусственном интеллекте.
1.2. Системы искусственного интеллекта. Экспертные системы.
1.3. Модели представления знаний.
1.4. Инженерия знаний. Data Mining.
Контрольные вопросы.
Литература.
2. ЦЕЛИ И ЗАДАЧИ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ.
2.1. Идея интеллектуального управления.
2.2. Иерархическая организация интеллектуальных систем управления.
2.3. Энтропия как мера качества процессов управления.
2.4. Оптимизация процессов управления и принятия решений на различных уровнях иерархии ИСУ.
Контрольные вопросы.
Литература.
3. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКОЙ ЛОГИКИ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКОЙ ЛОГИКИ.
3.1. Нечеткая логика: история проблемы.
3.2. Нечеткие множества и лингвистические переменные.
3.3. Операции над нечеткими множествами.
3.4. Нечеткие алгоритмы.
3.5. Общие принципы построения нечетких алгоритмов управления динамическими объектами.
3.6. Процедура синтеза нечетких регуляторов.
3.7. Синтез адаптивной САУ с эталонной моделью на основе нечеткой логики.
3.8. Нечеткий регулятор Такаги — Сугено.
3.9. Устойчивость систем с нечеткими регуляторами.
3.10. Практические примеры построения интеллектуальных систем управления с нечеткими регуляторами.
3.10.1. Задача управления «перевернутым маятником».
3.10.2. Управление движением подъемного крана.
3.10.3. Управление процессом шлифовки внутренних поверхностей.
3.10.4. Управление полетом самолета.
3.11. Программная и аппаратная реализация нечетких регуляторов.
Контрольные вопросы.
Литература.
4. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ.
4.1. Искусственные нейронные сети: история проблемы.
4.2. Моделирование нейронов мозга.
4.3. Многослойные персептроны.
4.3.1. Структура нейронной сети, алгоритмы обучения.
4.3.2. Задача аппроксимации функции.
4.4. Другие архитектуры нейронных сетей.
4.4.1. Радиально-базисные сети.
4.4.2. Нейронные сети Хопфилда.
4.4.3. Нейронные сети Кохонена.
4.4.4. Рекуррентные нейронные сети.
4.5. Нечеткие нейронные сети.
4.6. Общие принципы построения нейросетевых систем управления динамическими объектами.
4.7. Применение нейронных сетей в задачах идентификации динамических объектов.
4.8. Синтез структуры многорежимного нейросетевого регулятора.
4.8.1. Пример синтеза нейросетевого регулятора минимальной сложности.
4.8.2. Задача синтеза многомерного нейросетевого регулятора.
4.9. Примеры построения нейросетевых систем управления динамическими объектами.
4.9.1. Нейросетевая модель системы управления ГТД.
4.9.2. Нейросетевая система управления ГТД.
4.9.3. Адаптивная нейросетевая система управления полетом ЛА.
4.10. Программная и аппаратная реализация нейронных сетей.
Нейрокомпьютеры.
Контрольные вопросы.
Литература.
5. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКИХ КОГНИТИВНЫХ КАРТ.
5.1. Когнитивное моделирование: основные понятия.
история проблемы.
5.2. Построение и анализ устойчивости нечетких когнитивных карт.
5.3. Принятие решений по управлению на основе нечетких когнитивных карт.
5.4. Практические примеры построения интеллектуальных систем управления с использованием нечетких когнитивных карт.
5.4.1. Задача управления химико-технологическим процессом.
5.4.2. Управление в чрезвычайных ситуациях.
5.5. Управление проектами в малых научных группах.
5.6. Программное обеспечение процедуры когнитивного моделирования.
Контрольные вопросы.
Литература.
6. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ С ИСПОЛЬЗОВАНИЕМ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ.
6.1. Понятие о генетическом алгоритме: история проблемы.
6.2. Стандартный генетический алгоритм.
6.2.1. Пример оптимизации с помощью генетического алгоритма.
6.3. Модификации генетических алгоритмов, особенности их применения.
6.4. Генетическое программирование.
6.4.1. Особенности реализации генетического программирования.
6.5. Практические примеры построения систем управления с использованием генетических алгоритмов.
6.5.1. Задача управления перевернутым маятником.
6.5.2. Синтез оптимального по быстродействию управления с помощью генетического программирования.
6.5.3. Выбор оптимального маршрута движения автономной мобильной системы.
6.5.4. Парето-оптимизация параметров регулятора.
6.5.5. Оптимизация параметров нечеткой системы управления ГТД с помощью многоцелевого генетического алгоритма.
6.6. Особенности программной и аппаратной реализации генетических алгоритмов. Эволюционные вычисления.
Контрольные вопросы.
Литература.
ЗАКЛЮЧЕНИЕ.
Литература.

Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:

Скачать книгу Интеллектуальные системы управления, Теории и практика, Васильев В.И., Ильясов Б.Г., 2009 — fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России.Купить эту книгу

Скачать
— pdf — Яндекс.Диск.

Дата публикации: 20.01.2020 05:37 UTC

Теги:

учебник по информатике :: информатика :: компьютеры :: Васильев :: Ильясов

По данным доклада группы экспертов Комитета ООН по всемирной продовольственной безопасности, в мире ежегодно выбрасывают 30% продуктов [1]. В развивающихся странах эту проблему вызывает не богатство, а нищета. Нехватка инвестиций в агротехнические способы обработки, транспортировку и хранение приводит к потере доходов мелких фермеров и более высоким ценам для бедных потребителей — возникает ситуация «расточительства от бедности». Исследования ВЦИОМа подтверждают эту ситуацию в Российской Федерации [2]: 44% респондентов выбрасывают продукты, потому что не успевают их съесть прежде, чем они испортятся. Так, по сведениям Департамента продовольственных ресурсов Москвы и организации «Гринпис», в кризисном 2008?м столичные жители выбросили за год почти 3 млн т еды, или четверть того, что купили.

Такие потери происходят на фоне снижения реальных доходов граждан РФ.?Доля бедных россиян, которые стали экономить на товарах и услугах, в марте 2016 года выросла до 89%. Доля продуктов питания в объеме розничной торговли в феврале впервые с 2008 года превысила 50% [3].

Эти данные статистических исследований отражают нетривиальный факт — бедные голодающие люди расточительно выбрасывают продукты, не берегут еду. Рост потерь пищевых продуктов приводит к дальнейшему обнищанию населения.

Возникает соблазн провести параллели потерь пищевых продуктов с расходом топливно-энергетических ресурсов. Схожесть поведения есть: хотя мы говорим о других ресурсах, но об одних и тех же людях, об одинаковых подходах к распределению. Аналогия подтверждается статистическими исследованиями. Для большинства наших сограждан (64%) расходы на электричество являются существенной статьей семейного бюджета, при этом подавляющее большинство опрошенных россиян (88%) затруднились назвать хотя бы примерную стоимость 1 кВт·ч. Также более двух третей респондентов (69%) не представляют, из чего складывается стоимость тарифа на электричество [4].

Описанная ситуация с распределением ресурсов и недостаточной заботой об их эффективном использовании среди наиболее нуждающихся категорий важна для понимания тенденций на отдельных промышленных предприятиях РФ.

В условиях непрерывного роста тарифов на энергоносители и экономического спада часть промышленных предприятий теряет рентабельность и сокращает инвестиции в повышение энергоэффективности своего производства, что приводит к дальнейшему падению рентабельности. Возникает угроза для предприятия.

Автору запомнилась фраза коллеги, сказанная об отношении к вопросам модернизации инженерных систем в Республике Беларусь: «Белорусы активно инвестируют в модернизацию инженерных систем, потому что сейчас тяжелые времена и надо экономить». И действительно, энергоемкость белорусской экономики снизилась с 0,78 кг нефтяного эквивалента (н.?э.) на $1 ВВП по паритету покупательной способности (ППС) в 1991?м до 0,32 кг н.?э./$1 ВВП в 2008?м. Для сравнения: в 2005 году в РФ энергоемкость составляла 0,42 кг н.?э./$1 ВВП [5, 6].

Сопоставление энергоэффективности экономики РФ и РБ наглядно показывает, что эффективность экономики определяется, прежде всего, стратегией ее развития, а не внешней средой, ведь изначально у стран были схожие климатические условия, общая структура экономики, схожий уровень человеческого потенциала и т.?д.

По мере развития современной промышленности непрерывно возрастает роль систем управления как ключевого фактора конкурентоспособности. Речь идет не только о таких актуальных трендах, как «Интернет вещей» и «Индустрия 4.0», но и о современных подходах к контролю качества продукции, ее разработке, и даже развитию высокоточного оружия [7].

От автоматических систем управления происходит переход к интеллектуальным системам управления. Среди ключевых отличий ИСУ и АСУ: самообучение, интеллектуальные обратные связи, применение не одного, а множества алгоритмов управления из библиотеки алгоритмов. При этом иерархические структуры ИСУ и АСУ похожи, в любом случае все системы базируются на подсистемах сбора и передачи данных.

Далее речь пойдет об ИСУ промышленного назначения, поскольку уже более 25 лет Группа компаний Остек решает задачи оснащения и обслуживания промышленных предприятий, внедрения новых технологий. Применительно к задачам производства это развитие автоматических систем технического учета энергоресурсов (АСТУЭ), автоматизированных информационно-измерительных систем коммерческого/технического учета энергоресурсов (АИИС КУЭ), автоматизированных систем диспетчерского управления (АСДУ), информационных систем управления производственными активами (ЕАМ).

В силу опережающего развития информационных технологий относительно скоростей внедрения систем АСУ на предприятиях многие развернутые системы АСТУЭ оказались внедрены с определенными недостатками:

• узкая специализация под задачи отдела главного энергетика;
• внедрение систем, носящих локальный характер, без взаимосвязи с другими АСУ;
• привязка рабочего места пользователя системы к определенному ПК;
• чрезмерное количество информации, выдаваемое пользователю без анализа;
• отсутствие возможности масштабирования, модульности;
• отсутствие прогнозирования и разработки рекомендаций в автоматическом режиме.

Перечисленные факторы иногда приводили к дискредитации идеи АСТУЭ и тормозили дальнейшее развитие в ИСУ.?Следует также отметить, что внедрение АСТУЭ в классическом варианте на передовых высокотехнологичных производствах с высокой стоимостью продукции при малой доле энергоемкости показало весьма скромные результаты.

Для борьбы с указанными недостатками специалисты ООО «Остек-СМТ» предлагают создавать ИСУ, максимально раскрывающие потенциал аппаратного оснащения систем учета, — «умные счетчики» (smart metering). Современные аппаратные средства уже оснащены микроконтроллерами с возможностью интеллектуальных обратных связей и аналитики. Такой «умный» аппаратный комплекс позволяет реализовать в программном обеспечении верхнего уровня (ИСУ) ряд функций систем управления производством и активами (MES и EAM).

В качестве примера подобной системы можно назвать собственную разработку «Остек-СМТ» — программно-аналитический комплекс (ПАК) СИНТИЗ (рис. 1).

На примере ПАК СИНТИЗ можно говорить о зарождении нового класса «умных» автоматизированных систем — SIAM-систем (Smart Industrial Asset Management — интеллектуальное («умное») управление производственными активами). Кроме привычного технического учета энергоресурсов, статистического анализа (АСТУЭ) и мониторинга (SCADA) они осуществляют разработку рекомендаций (часть функций ИСУ типа MES и ЕАМ), прогнозирование, выявление многофакторных тенденций; частично в них применяются методы бережливого производства (LEAN-производство).

Особенности данной категории систем:

• Мощный аналитический пакет, позволяющий в автоматическом режиме выявлять и прогнозировать важные события и изменения, тем самым сокращая срок устранения проблемы или предупреждая ее возникновение.
• Встроенная экспертная система поддержки принятия управленческих решений.
• Разработка рекомендаций на основе анализа огромного массива данных.
• Комплексный анализ работы технологического оборудования, инженерных систем и их взаимодействия между собой.
• Интеграция всего парка оборудования без «теневых зон», включая и ультрасовременные системы, и раритетные экземпляры оборудования.
• Формирование коммуникационной сети предприятия, позволяющей увязать между собой оборудование и персонал.
• Интеграция с автоматизированными и информационными системами предприятия.
• Формирование статистических и аналитических отчетов.

У Остека есть исследовательские лаборатории, производственные цеха, склады и другие активы, разнесенные территориально, поэтому разработка и тестирование ПАК СИНТИЗ возможны в полном объеме на собственных площадях и задачах (рис. 2).

Комбинация источников данных позволила в дополнение к требуемому функционалу АСТУЭ добавить полезные функциональные возможности для целого ряда подразделений предприятия (рис. 3), а именно:

Хранение информации о парке оборудования: централизованное хранение расширенной информации об оборудовании начиная с даты изготовления и серийного номера и заканчивая руководством по эксплуатации и датой последнего ремонта с указанием подрядчика, его осуществлявшего. Пользователи: производство, служба главного энергетика, служба главного механика.

Планирование технического обслуживания и ремонтов (ТОиР): динамическое интеллектуальное планирование ТОиР на основе
автоматического учета наработки станков и динамики их технического состояния. Например, если система обнаружит участившиеся аварии станка, то выдаст рекомендацию провести внеплановую диагностику. Пользователи: производство, служба главного механика.

Анализ энергопотребления: СИНТИЗ позволяет осуществлять комплексный учет и анализ расходования энергоресурсов, в том числе электроэнергии, воды, сжатого воздуха и специализированных ресурсов, например технологических газов. Пользователи: служба главного энергетика, отдел подготовки и нормирования производства.

Мониторинг эффективности ОЕЕ: анализ того, насколько используется ресурс оборудования. Это может быть учет доли времени работы к времени простоев или полный анализ с выводом коэффициента общей эффективности оборудования OEE. Пользователи: руководство предприятия, руководители производств.

Анализ аварийных ситуаций: СИНТИЗ фиксирует все аварийные ситуации и сортирует их по степени важности. Позволяет проанализировать, что происходило до аварии, в момент аварии и непосредственно после нее. Предоставляет пользователю основную информацию, необходимую для анализа причин внештатной ситуации, тем самым снижая вероятность повторения. Пользователи: производство, служба главного энергетика, служба главного механика.

Мониторинг состояния производства: наглядная визуализация в виде планировок цехов, мнемосхем, диаграмм и светофоров позволяет в удобной форме без избыточной информации видеть все важные события и показатели. Более того, система может оповестить через мобильный телефон о важном событии, например о потере давления в магистрали сжатого воздуха. Пользователи: производство, служба главного энергетика, служба главного механика.

Анализ причин простоев: аналитические возможности системы позволяют анализировать причины простоев. И это не простой анализ того, сколько времени станок простаивал и почему, а многофакторный анализ. Например, система может выявить зависимость причин простоев от времени суток, что поможет правильно настроить бизнес-процессы. Пользователи: руководство предприятия, руководители производств.

Составление отчетов: система позволяет формировать отчеты на основе практически любой информации, которая в ней хранится. Отчеты могут быть сформированы в виде табличных данных, графических представлений или их комбинации. Для удобства пользователей можно составить расписание отправки отчетов на электронную почту. Для всех подразделений.

ПАК СИНТИЗ выполняет функции автоматизированной системы технического учета энергоресурсов. При этом в одну систему интегрируются данные замеров по всем основным видам ресурсов: электроэнергии, сжатому воздуху, воде, теплу и газу. Сведения учета представлены как в виде физических величин, так и в денежном выражении с учетом структуры тарифов, действующей на предприятии.

Логика функционала предполагает не привычный анализ «средней температуры по больнице», а детализацию до каждого потребителя (станка, установки) с частотой обновления данных не реже 1 с (рис. 4).

Это предоставляет пользователям следующие выгоды:

• оперативное выявление отклонений энергопотребления с детализацией до отдельного потребителя;
• анализ структуры энергозатрат;
• получение качественной исходной информации для планирования энергозатрат;
• учет всех основных энергоресурсов в одной системе;
• формирование детальных отчетов.

Кроме того, ПАК СИНТИЗ позволяет реализовать управление сценариями энергопотребления.

Что это такое и зачем это нужно? Рассмотрим на реальном примере.

Пример

В автоматизированной линии стоит электрическая печь мощностью несколько сотен киловатт. В течение рабочего дня печь не выключается, но периодически возникают простои и заготовки в печь не подаются в течение 5–6 ч и более. Часто известно, что до конца дня заготовок на линии уже не будет. Для справки: время выхода печи на режим — 1 ч. С учетом пиковых нагрузок при выводе на режим и других факторов максимально обоснованный простой составляет 2,5–3 ч.

Решение на базе СИНТИЗ

В системе настраивается допустимое время холостой работы (простоя) энергоемкого оборудования, например печей, компрессоров и т.?д. Путем сбора данных с оборудования отслеживается факт простоя. При превышении допустимого времени простоя в автоматическом режиме выдается оповещение, в том числе на мобильные устройства. Это позволяет оперативно вмешаться и принять решение либо о выключении оборудования, либо об ускорении подачи заготовок на линию.

Типовые сценарии и выгоды внедрения приведены на рис. 5.

Как видно на рис. 5, польза от внедрения ИСУ типа SIAM достигается и в случаях уникального, дорогостоящего оборудования, например на участках промышленной рентгеновской томографии (рис. 6). В данном случае ПАК СИНТИЗ обеспечивает контроль качества электропитания томографических установок, дает объективную картину эффективности использования дорогостоящего оборудования (показатель ОЕЕ).

Поскольку внедрение ИСУ ПАК СИНТИЗ происходит по различным сценариям, то и выгоды распределяются по совокупности нескольких факторов.

Общая картина по результатам внедрения ПАК СИНТИЗ на отечественных предприятиях приведена на рис. 7.

При этом стоимость внедрения системы обычно сопоставима с созданием систем типа АСТУЭ/АИИСКУЭ и составляет не более 1% от стоимости основного оборудования. Типовые сроки внедрения — от 6 до 18 мес., типовые сроки окупаемости после внедрения — от 3 до 12 мес. Данные показатели убедительно свидетельствуют о росте эффективности работы и конкурентоспособности производств, оснащенных современными системами управления типа SIAM.

Переход систем типа АСУ в ИСУ неизбежен и повлечет за собой приход на рынок промышленных программно-аппаратных средств таких инструментов и технологий обработки данных, как Blockchain. Упрощенно говоря, Blockchain — распределенная база данных, составные части которой размещаются в различных узлах компьютерной сети или промышленных устройствах, микроконтроллерах. На технологии Blockchain основаны криптовалюты, в частности биткойн и лайткойн. Поэтому сейчас эта технология будоражит умы, по большей части финансистов [8, 9]. В дальнейшем Blockchain будет представлять распределенное хранилище данных и вычислительных мощностей на тысячах разбросанных по территории промышленных холдингов «умных» счетчиков, агрегатов и исполнительных механизмов. Ситуация, таящая огромные возможности, риски и инструменты повышения конкурентоспособности.

Статья была опубликована в журнале «Технологии в Электронной Промышленности» №7’2016.