CC BY
59
Полученная модель позволила рассчитать распределение температуры поверхности полосы по зонам печи на основании заданных значений следующих входных параметров:
- габариты полосы - ширина 1,490 м, толщина
0,9 мм;
- температура полимеризации - 250 оС;
- скорость движения полосы - 1,1 м/с;
- взрывоопасность лака - 180,5 (комплексный параметр, зависящий от температуры зажигания растворителя, нижнего предела взрывоопасности растворителя, минимальной теплоты сгорания растворителя, температуры кипения растворителя);
- толщина покрытия - 0,02 мм;
- температуры печных зон - 250 оС, 300 оС, 350 оС, 375 оС, 365 оС, 370 оС, 280 оС;
- скорости вращения вентиляторов зон нагрева
- 600 об./мин., 800 об./мин., 1000 об./мин.,
1000 об./мин., 1000 об./мин., 1000 об./мин., 600 об./мин.;
- процент открытия заслонок отвода отработанно воздуха - 2 зона - 100 %, 7 зона - 100 %.
Распределение температуры по зонам печи, необходимое для закрепления лакокрасочного покрытия на поверхности металлической полосы, показано на рис. 3.
—•— Распределение температур
-А- Фактическая температура поверхности полосы
•Температура поверхности полосы по модели
Рис. 3. Распределение температуры по зонам печи
Фактическая температура поверхности полосы и рассчитанная по модели отличаются на 5 - 7 % по зонам печи. Это связано с тем, что в модели не было учтено взаимное влияние температур соседних зон в печи. Тем не менее, температура поверхности полосы, рассчитанная с использованием модели, попала в диапазон допустимых температур полимеризации. Таким образом, при данных допущениях работу модели можно считать адекватной.
На основе имитационного исследования режимов управления с помощью идентифицированной модели стабилизации температуры печных зон был реализован и протестирован алгоритм управления процессом закрепления лакокрасочного покрытия в грунтовочной печи агрегата полимерных покрытий № 2 ОАО «Северсталь».
Литература
1. Варфоломеев, И.А. Описание многосвязных объектов с помощью нечетких динамических моделей на примере печи агрегата полимерных покрытий № 2 ЧерМК ОАО «Северсталь» / И.А. Варфоломеев, Е.В. Ершов, Л.Н. Виноградова // Сборник материалов VII Международной научно-технической конференции «Автоматизация и энергосбережение машиностроительного и металлургического производств, технология и надежность машин, приборов и оборудования». - Вологда, 2012. - С. 82 - 85.
2. Заде, Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде. - М., 1976.
3. Кудинов, И.Ю. Интеллектуальные технологии моделирования и управления многосвязными объектами / И.Ю. Кудинов // Информационные технологии. Приложение. - 2011. - № 3. - С. 1 - 32.
4. Кудинов, Ю.И. Гибридная идентификация нечетких моделей / И.Ю. Кудинов // Автоматизация и информатика. - 2009. - № 2. - С. 60 - 65.
5. Матаморос, С. Подробное описание печной установки для печи грунтовочного и отделочного слоя и термореактора АПП / С. Матаморос. - Леверкузен, Германия, 2005.
6. Sugeno, M. A Fuzzy-Logic-Based Approach to Qualitative Modeling / M. Sugeno, T. Yasukawa // IEEE Transactions on Fuzzy Systems. - 1993. - № 3. - С. 7 - 31.
УДК 519.68
В.М. Голубков
Научный руководитель: кандидат технических наук, доцент А.А. Суконщиков
МЕТОДИКА РАЗРАБОТКИ МНОГОАГЕНТНОЙ СИСТЕМЫ ПОДДЕРЖКИ И ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ РЕЗЕРВИРОВАНИЯ ДАННЫХ АВТОМАТИЗИРОВАННЫХ СИСТЕМ
УПРАВЛЕНИЯ ПРОИЗВОДСТВОМ
В статье рассмотрена методика разработки многоагентной системы поддержки и принятия решений (СППР) для резервирования данных автоматизированных систем управления производством (АСУП). Приведены этапы разработки, составлено описание многоагентной системы, приведено распределение агентов по уровням, предложена модель интеллектуального агента-анализатора.
Многоагентные системы, СППР, резервирование АСУП, интеллектуальный агент, методика разработки.
Development method of multiagent DSS for ACS data backup is considered in the article. The stages of development are given, the description of multiagent system is made, an agent level distribution is given, and the model of an intelligent agent-analyzer is presented in the paper.
Multiagent systems, decision support system, ACS backup, intelligent agent, development method.
Введение. Современные автоматизированные системы управления производством (далее по тексту АСУП) представляют собой сложнейшие системы, включающие технические средства, алгоритмы управления, методы и средства информационного и программного обеспечения. Надежность АСУП обеспечивает не только правильное технологическое функционирование, но и, что особенно важно, безопасность производства.
Методы оценки и предотвращения сбоев программной составляющей аппаратно-программных комплексов стали разрабатываться сравнительно недавно. До сих пор теория надежности не имеет четких методик расчета надежности программного обеспечения. Выход из этой ситуации - архивирование и резервирование программного обеспечения и особенно данных АСУП, поскольку даже небольшая их потеря в процессе управления подвергает производство серьезной опасности. Утраченные вычислительные ресурсы можно восстановить, а утраченные данные при отсутствии грамотно спроектированной и внедренной системы резервирования уже не подлежат восстановлению.
Один из способов решения обозначенной проблемы предложил в Д. М. Мясников в своей работе «Многоагентная распределенная отказоустойчивая система резервирования данных АСУП». Суть ее состояла в создании распределенной системы хранения данных, практическая реализация которой носит название JSaverStorage (http://sourceforge.net/ projects/jsaverstorage/). Данная система предоставляет администратору локальной вычислительной системы (ЛВС) возможность архивировать объекты АСУП в хранилище, сформированное за счет использования незадействованных ресурсов пользовательских ПК.
Однако система, разработанная Д.М. Мяснико-вым, содержит некоторые существенные недостатки. В частности:
1. Выбор узлов для восстановления данных вслепую.
2. Отсутствие резервирования агентов уровня управления.
В данной статье предложено решение обозначенных проблем. Предлагается добавить к многоагентной системе резервирования данных несколько новых видов агентов, которые будут заниматься сбором и анализом статистики о производительности узлов системы, предлагать наиболее выигрышные стратегии перераспределения агентов по узлам, предлагать наборы наиболее предпочтительных узлов системы для восстановления из них данных по запросу, а также обеспечат резервирование ключевых узлов.
Методика построения системы. Методика построения системы хранения данных состоит из трех этапов: проектирование, разработка и внедрение.
Остановимся более подробно на каждом из них.
На этапе проектирования необходимо выполнить следующие действия:
- описать многоагентную модель системы;
- выделить в системе несколько уровней: уровень анализа, уровень управления, уровень взаимодействия с пользователем и уровень исполнения;
- распределить агентов, перечисленных в описании многоагентной системы, по выделенным уровням;
- на уровне взаимодействия определить суть информационного обмена между приложением и оператором;
- на уровне управления выделить выполняемые задачи, описать алгоритмы распределения фрагментов по узлам системы и алгоритм сборки объекта из фрагментов;
- на уровне анализа описать методику выбора узлов для восстановления, а также методику поддержки принятия решений для оптимального перераспределения агентов по узлам;
- на уровне исполнения разделить вычисление слайсов, хранение данных и сбор данных о производительности узлов системы, т. е. спроектировать три подуровня;
- на подуровне вычисления спроектировать математический аппарат, позволяющий распределять фрагменты по п узлам системы и восстанавливать их из т узлов;
- на подуровне хранения выделить задачи узлов-хранителей;
- на подуровне наблюдения определить методику сбора данных о производительности узлов;
- рассмотреть возможности оптимизации и развития системы.
На этапе реализации:
- описать интерфейсы для последующей реализации классов;
- на уровне управления реализовать алгоритм разбиения объектов на фрагменты и их сборки;
- на уровне взаимодействия с пользователем реализовать пользовательский интерфейс;
- на уровне анализа реализовать алгоритм сбора информации о состоянии системы, алгоритм поддержки принятия решений для перераспределения агентов по узлам;
- на уровне исполнения, на подуровне вычисления реализовать описанный в первом этапе математический аппарат;
- на подуровне хранения уровня исполнения реализовать хранилище фрагментов;
- на подуровне наблюдения реализовать сбор информации о производительности узла;
- реализовать всех программных агентов на основе описанных интерфейсов.
На этапе внедрения:
- производится практическая оценка производительности и надежности разработанной системы;
- проводится анализ существующей структуры ЛВС предприятия или подразделения, где планируется внедрение системы. Выбираются рабочие станции и сервера для того, чтобы в будущем разместить на них агентов;
- выделяется рабочее место для эксперта;
- выбирается количество рабочих станций для размещения фрагментов, количество минимально необходимых рабочих станций для возможности восстановления объекта (соответственно параметры п и т) и количество рабочих станций для установки агентов-вычислителей;
- на выбранные рабочие станции устанавливаются соответствующие агенты, производится конфигурирование агентов, конфигурирование рабочего места эксперта;
- производится эксплуатация системы в тестовом режиме. В течение этого этапа производится накопление данных о производительности узлов системы;
- производится перераспределение агентов по узлам в соответствии с рекомендациями, полученными от системы.
Оценка результатов.
На каждом этапе проектирования системы предусмотрена проверка полученных результатов и возврат к предыдущему шагу в случае, если эти результаты неудовлетворительны.
Остановимся более подробно на первом этапе -проектировании системы.
Описание многоагентной системы (МАС). Согласно распространенному описанию многоагентных систем, любая МАС состоит из следующих основных компонентов:
- множество организационных единиц, в котором выделяются подмножество агентов, манипулирующих подмножеством объектов;
- множество задач;
- среда, т.е. некоторое пространство, в котором существуют агенты и объекты;
- множество отношений между агентами;
- множество действий агентов (например, операций над объектами).
Определим многоагентную систему следующим образом:
мас = (а, я,т,г,у,^,
где А - есть множество элементов, составляющих систему, т.е. агентов, участвующих в процессе преобразования объектов в (п, т) схему, а также выполняющих обратное преобразование, Я - множество отношений во множестве элементов, т - множество задач, Z - множество входов в систему, У - множество выходов, 8 - множество состояний системы.
В МАС можно выделить следующие типы агентов:
1. Агент-заказчик, рассылающий заявки на вы-
полнение некоторого задания другим агентам.
2. Агент-координатор (посредник), который принимает заказы на добавление либо извлечение данных в хранилище и распределяет их между другими (компетентными) агентами.
3. Агент-исполнитель.
4. Агент-анализатор, который анализирует производительность и доступность узлов, где расположены агенты, предлагает варианты оптимального их распределения, а также передает агенту-заказчику данные о том, каких агентов-исполнителей необходимо задействовать при восстановлении объекта для достижения максимальной производительности в конкретный момент времени.
5. Резервный агент-координатор, который контролирует доступность основного агента-координатора, и, в случае выхода последнего из строя, занимает его место, попутно сообщая об этом событии всем остальным агентам.
6. Резервный агент-анализатор, который контролирует доступность основного агента-анализатора, и в случае выхода последнего из строя, занимает его место, попутно сообщая об этом событии всем остальным агентам.
Схема многоагентной системы, полученная согласно данному описанию, представлена на рис. 1.
Рис. 1. Схема многоагентной системы
Множество агентов системы определяется следующим образом:
A=(Acus; Ac;Arc; Aan, Ara,, Adl... Adx, Asl... As„, A0l... A0^ ,
где Acus - Агент-заказчик, Ac - Агент-координатор, Arc - резервный Агент-координатор, Am - Агент-анализатор, Aran - резервный Агент-анализатор; Ad1... Adx - Агенты-исполнители, принимающие участие в вычислении фрагментов объектов. Назовем их агенты-дисперсеры. Общее количество агентов-дисперсеров (определяется оператором системы) - х.
As1...Asn - Агенты-исполнители, хранящие вычисленные фрагменты объектов. Назовем их агенты-хранители. Общее количество агентов-хранителей (совпадает с количеством узлов, на которых хранятся слайсы) - п.
Ao1... Aoy - Агенты-исполнители, ведущие наблю-
дение за производительностью узлов. Назовем их агенты-наблюдатели. Необходимо стремиться к тому, чтобы число агентов-наблюдателей совпадало с общим количеством узлов - у.
Многоуровневая схема многоагентной системы. В системе можно выделить несколько логических уровней, на которых работают агенты:
I - Уровень эксперта. На данном уровне происходит формирование заказов и осуществляется взаимодействие с пользователем системы.
II - Уровень управления. На данном уровне происходит формирование задач, исходя из заказов, управление задачами.
III - Уровень анализа. На данном уровне осуществляется анализ производительности узлов, формируются рекомендации для пользователя системы.
IV - Уровень исполнения. На данном уровне происходит выполнение сформированных задач. Здесь можно выделить 3 подуровня:
IV а - Подуровень вычисления. На данном уровне работают агенты А^.-.А^. В задачи данного подуровня входит вычисление фрагментов объектов в случае их распределения и вычисление исходных слайсов в случае сборки.
IV Ь - Подуровень хранения. На данном уровне осуществляется получение/передача данных с подуровнем IV а, а также сохранение фрагментов объектов на файловых системах машин, на которых работают агенты А^... А^.
IV с - Подуровень наблюдения. На данном уровне осуществляется сбор данных о производительности узла в конкретные моменты времени, а также передача этих данных на уровень анализа. Этим занимаются агенты Ао!... А^.
Распределение агентов по уровням изображено на рис. 2.
I
III
Ли Ал Аіч
ПЪ
Азі
ПЪ
IV
А01 А0]( Аоу Нс
Рис. 2. Работа агентов на различных уровнях системы
Модель интеллектуального агента-анализатора. Остановимся более подробно на архитектуре агента-анализатора. Предлагаемый агент-анализатор состоит из следующих компонентов:
1. Коммуникационный модуль. С помощью этого компонента осуществляется взаимодействие агента-анализатора с другими агентами.
2. Диспетчер задач. Формирует очередь задач агента-анализатора и распределяет их между соответствующими компонентами.
3. Модуль представления результата. Приводит данные, полученные от аналитического блока, к виду, понятному конечному пользователю, с целью дальнейшей их передачи агенту-заказчику.
4. Модуль сбора статистики. Отвечает за сбор данных о производительности узлов.
5. Аналитический блок. Формирует рекомендации по предпочтительности использования узлов системы для восстановления данных из хранилища, используя механизм нечеткого вывода, базу моделей, базу данных и базу правил. Состоит из двух внутренних компонентов:
- База моделей, где хранится модель системы, содержащая текущее распределение агентов по узлам, а также данные о максимальной производительности каждого узла.
- Механизм нечеткого вывода.
6. База правил. Является хранилищем для правил нечеткого вывода.
7. База данных. Содержит данные по изменению производительности узлов системы с течением времени.
Рис. 3. Архитектура агента-анализатора
Литература
1. Мясников, Д.М. Многоагентная распределенная отказоустойчивая система резервирования данных АСУП: дис. ... канд. техн. наук / Д.М. Мясников. - Вологда, 2011.
2. Тетюшев, А.В. Автоматная система резервирования данных АСУП: дис. ... канд. техн. наук / А.В. Тетюшев. -Вологда, 2008.
3. Устюжанин, А.Е. Многоагентные интеллектуальные системы: Учебный курс / А.Е. Устюжанин. - М., 2007.
