Основные принципы построения математических моделей
Рассмотрим основные принципы построения математических моделей, не касаясь пока вопросов формализации физических процессов в математическом плане. Применительно к СТС моделирование чаще всего начинается с построения концептуальных моделей и изучения статистических данных, определяющих вход и выход системы. Последнее применяется в тех случаях, когда внутренняя структура промежуточных процессов мало исследована и не ясна или не поддается аналитическому выражению. Задачи такого плана часто встречаются на практике и получили символическое название задач «черного ящика». С точки зрения изложения самих принципов построения математических моделей необходимо отметить следующее.
Общим элементом для всех принципов является определение состава значимых факторов, влияющих на исследуемый процесс. Использование того или иного принципа обусловлено степенью сложности системы или исследуемого процесса и глубиной раскрытия внутренних связей. Существует несколько принципов построения математических моделей, но использование из них того или иного определяется прежде всего наличием априорной информации, степенью понимания физических особенностей исследуемых процессов, знанием и оценкой предполагаемых функциональных связей между элементами системы и т. п. Рассмотрим основные принципы построения математических моделей сложных технических систем.
Иерархический принцип построения математических моделей СТС. Основная трудность, с которой приходится сталкиваться при разработке математических моделей СТС, заключается в преодолении противоречия между требованием возможно большей простоты описания (без него трудно понять и решить задачу) и необходимостью учета многочисленных параметров, закономерностей, ограничений и взаимосвязей, определяющих работу системы. Сложную техническую систему практически невозможно полно и детально описать в рамках единой математической модели. Поэтому при описании таких систем обычно используется модульный принцип, предусматривающий разработку не одной, а семейства взаимосвязанных и взаимодействующих между собой моделей.
Использование единой модели СТС нецелесообразно и по методическим соображениям. Различные части системы (подсистемы) изучены в разной степени, поэтому их математические описания обладают разной точностью, а непрерывное накопление физической информации приводит к систематическому совершенствованию описаний отдельных элементов. При использовании единой модели точность моделирования целиком определяется точностью описания наименее изученных подсистем, а любая новая информация требует полной переделки модели. Разумеется, переход к модульному описанию сам по себе не приведет к увеличению точности. Однако в этом случае появляется возможность более достоверного моделирования, по крайней мере некоторых из подсистем. Изменение представлений об отдельных процессах или элементах системы при модульном описании не требует полной переделки модели и затрагивает лишь отдельные ее модули.
Таким образом, применение модульного принципа при описании СТС позволяет:
• разрешить проблему больших объемов информации за счет распределения ее между отдельными блоками модели;
• «развязать» изучение отдельных подсистем между собой, так как каждый из модулей модели может быть исследован в квази — автономном режиме.
Вместе с тем переход к системе моделей приводит к необходимости исследования связывающих их взаимодействий. Возникает задача координации подсистем и их моделей между собой.
Наиболее эффективные результаты при описании и изучении сложных систем дает иерархический подход, предусматривающий разбиение системы на вертикально соподчиненные подсистемы разных уровней, разработку модульных моделей каждой из подсистем, введение приоритетов (т. е. права преимущества) для подсистем старших уровней по отношению к подсистемам младших уровней, известную автономность каждой из подсистем. Поскольку каждая из подсистем в свою очередь может быть разбита на новые подсистемы, возникает многоуровневая иерархическая система моделей (рис. 4.3).
Реальный процесс Рис. 4.3. Уровни иерархического описания СТС |
При иерархическом описании СТС на верхних уровнях рассматриваются их общие характеристики, а на нижних — характеристики отдельных узлов и элементов. Очевидно, изучение СТС на каждом из уровней требует специфических знаний и методов и зачастую ведется специалистами различного профиля.
На каждом уровне описания вводится свой набор переменных, принципов и представлений, позволяющий в значительной степени ограничиться изучением только этого уровня. При этом наблюдается известная асимметрия представлений. Понимание физических процессов и точность описания объекта растут с переходом к нижним уровням иерархии. Общие же цели и задачи функционирования системы, ее место в материальном мире более полно раскрываются на верхних уровнях.
Принцип установления причинно-следственных связей. Построение математической модели ведется на основе логики установления причинно-следственных связей между управляемыми и неуправляемыми факторами. Практическое использование данного принципа можно показать на следующем примере.
Допустим, что для работы испытательного стенда регулярно заказывается Nx тонн жидкого кислорода. Неизрасходованный в течение рабочего цикла компонент практически испаряется. При этом затраты на каждую реализованную тонну компонента составляют Сх, а затраты на неиспользованную — С2. В свою очередь потребное количество кислорода, которое может израсходовать испытательный стенд, составляет N2 тонн. Помимо этого существует условие, что NXZN2. Вероятность того, что в случайно выбранное время фактические потребности стенда составляют N2 тонн, равна P(N2). Требуется установить, какова взаимосвязь между перечисленными факторами и суммарными затратами D.
Модель исследуемого процесса может быть построена на основе простейшего анализа. Управляемым фактором в данном случае следует считать количество ввозимого кислорода Nx. Выходная характеристика D — критерий качества функционирования стенда при условии, что исключены нерациональные потери, проливы и т. п.
Если в какое-либо время потребности стенда в кислороде превышают заказанное количество (N2 > Nx), то суммарные затраты составят
DN2>NX =ncv
Если же потребности стенда в кислороде не превышают заказанное количество (Л^ > N2), то затраты будут равны
Dnx>n2 = N2(Cx-C2) + NxC2.
Ожидаемые затраты в один рабочий цикл
N.
D= X P(N2)[N2{Cx-C2)+NxC2]+ X P(N2)NxCx.
N2=Q Nx+1
Для его решения необходимо задать вид функции распределения вероятности P(N2) при изменении N2 в пределах от нуля до бесконечности (0 < N2 < оо). К числу таких распределений можно отнести нормальный закон, распределение Вейбулла и другие статистические распределения. В случае необходимости вид функции вероятности достаточно точно может быть определен путем обработки предшествующей информации. Конечной целью решения поставленной задачи следует считать оптимизацию выходной характеристики модели для отыскания условий, обеспечивающих минимизацию финансовых затрат стенда на потребление жидкого кислорода.
Принцип использования однофакторных экспериментов. Зачастую причинно-следственные связи между выходным качеством процесса и значимыми факторами в функциональном виде неизвестны. Данный принцип позволяет получить некоторые математические зависимости с помощью простейших экспериментов. Проиллюстрируем сказанное на примере реализации двух схем, представленных на рис. 4.4.
Схема на рис. 4.4, а позволяет установить форму связи для линейных эффектов, зависящих от отдельных факторов. В этом случае выборочно могут быть реализованы некоторые однофакторные эксперименты. Число экспериментов, порядок их проведения и программу испытаний устанавливают интуитивно или путем экспертного опроса.
Рис. 4.4. Принцип использования однофакторных экспериментов для определения вида модели |
В соответствии со схемой на рис. 4.4, б для линейного эффекта у(хп) управляемым фактором является хп. С практической точки зрения такие эксперименты могут быть завершающими для какой-либо экспериментальной программы, проводимой в соответствии с планом отработки.
Полученные результаты отработки определенной системы устанавливают частные зависимости. Каждая из зависимостей характеризуется соответствующей формой связи — экспоненциальной, степенной, линейной и т. п. В итоге установленные частные зависимости могут быть введены в общее уравнение вида
У f (-4 ? *2 5 • • • > ) >
но с соответствующими весовыми коэффициентами. Если для отдельных факторов установленные формы связи имеют вид УІхі) = bXjф(х/), тогда в общем случае многомерная функция отклика может быть представлена для /1-го числа факторов суммой частных функций:
п
У(х) = ‘Z, bXj<p(xi).
/=1
Если этого окажется недостаточно, тогда может быть аналогичным образом реализована схема, представленная на рис. 4.4, б, позволяющая установить частные формы связи для взаимодействий факторов и их эффектов. Такие факторы вводятся в эксперименты попарно и группами по известным исследователю соображениям. Творчество и инициатива в данном случае являются одним из главных атрибутов качества разрабатываемой модели.
Принцип эмпирико-статистических исследований. Принцип можно назвать эмпирико-статистическим, если для определения формы связи при оценке влияния линейных факторов и их взаимодействий на выходную характеристику используются статистические данные в виде априорной информации.
Результаты статистических исследований в некоторых случаях следует дополнить проведением отдельных экспериментов. В остальных вариантах повторяется принцип использования однофакгорных экспериментов.
Принцип математической аппроксимации. В качестве аппроксимирующих функций при реализации данного принципа для обеспечения выбора рациональной формы связи априори принимаются ранее апробированные виды моделей. К таковым могут быть отнесены полиномы первой, второй и реже третьей степеней, дифференциальные и интегральные уравнения, линейные, степенные, экспоненциальные и другого рода математические зависимости. Принцип аппроксимации широко применяется при решении частных задач с помощью так называемых моделей «черного ящика».
Данный метод является одним из наиболее часто встречающихся методов формализации исследуемых процессов, когда их описание с помощью аналитических моделей вызывает серьезные трудности. Определение вида модели, как правило, осуществляется путем перебора нескольких видов апроксимирующих функций, с помощью которых делается попытка увязать наиболее рациональным образом «вход» процесса с его «выходом». При этом в качестве оптимального направления тренда функции принимается вектор, проходящий через максимально возможное число точек реализаций.
Множественная регрессия является одним из методов практического развития рассматриваемого принципа.
Принцип аналитических исследований. Математическая модель исследуемого процесса устанавливается на основании использования соответствующих законов физики, химии и других прикладных наук, описывающих происходящие процессы. В данном случае модель и программа дополняются соответствующей логической подмоделью, которая включает в расчет или исключает из него определенную систему уравнений в соответствующие моменты времени, вводит ограничения на параметры и т. д.
Этот принцип широко применяется на практике при проектировании СТС и конкретно — при выборе основных проектных параметров. Вследствие некоторой идеализации исследуемого процесса с помощью теоретических функций реализуемые аналитические модели не всегда обладают требуемой точностью. Часто из-за сложности математического выражения отдельных функций, описывающих некоторые особенности исследуемого процесса, эти модели сознательно упрощаются, что также ведет к снижению точности исследований.
Существует еще одна особенность аналитических моделей, используемая при реализации других принципов. Как правило, аналитический вид применяемых при моделировании законов и уравнений позволяет заранее определить рациональные формы связей между входными и выходными параметрами процессов.
Принцип уточнения аналитических моделей экспериментальным путем. Реализуемые аналитические модели на практике уточняют по экспериментальным данным, которые в свою очередь используются для повышения точности моделирования. В соответствии с этим можно записать общий вид такой уточненной с помощью экспериментов аналитической модели:
Я*) = fa (*1 > *2 > *л ) + 4/І (*1 > *2. •••» Хп ) + Д/г (хл+1, Хп+2,Х„+к ) .
В аппроксимирующей функции данного вида первый член правой части характеризует эффект, определяемый самой аналитической моделью; второй член — эффект от влияния учтенных факторов путем реализации некоторого числа экспериментов и наконец третий определяет эффект факторов, не учтенных в аналитическом виде модели. Опыт показывает, что использование аналитических методов построения математических моделей, базирующихся на применении физических законов, вносит новый вид информации в разрабатываемую модель, что значительно сокращает объем экспериментальных исследований. Этим, собственно, и объясняется рациональность сочетания в одном виде вычислительной программы элементов аналитической и экспериментальной моделей.
Модели такого вида называют экспериментально-аналитическими. Они с успехом применяются при исследовании динамических процессов. Рациональным методом использования данных моделей следует считать их сочетание с логическими моделями, позволяющими наилучшим образом осуществлять цикл вычислительных работ. По мере проведения экспериментальных исследований ряд аналитических функций, дающих приближенные результаты, заменяются аппроксимирующими зависимостями, позволяющими повысить точность моделирования.
При исследовании динамических процессов экспериментальноаналитические модели являются эффективным средством для прогнозирования ряда важных с точки зрения надежности характеристик СТС. По мере накопления экспериментальных данных точность моделирования повышается. В этом отношении возможности экспериментально-аналитических моделей почти безграничны.