Студопедия  
Главная страница | Контакты | Случайная страница

АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатика
ИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханика
ОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторика
СоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансы
ХимияЧерчениеЭкологияЭкономикаЭлектроника

Назначение автоматизированных систем научных исследований

Читайте также:
  1. A) Закрытую систему
  2. A) Схватив окно за заголовок левой кнопкой мыши или через системное меню
  3. CAD/CAM-системы в ТПП
  4. CALS-технологий и единая интегрированной системы управления вуза
  5. E) экономические законы и развитие экономических систем
  6. ERP — информационная система масштаба предприятия
  7. GPS-системи
  8. I Операционная система ОС Unix
  9. I Операционная система ОС Unix
  10. I Операционная система ОС Unix

Классификация экспериментальных методов.

Центральной задачей современного этапа развитие экономики нашей страны является повышение производительности труда и обеспечение конкурентоспособности выпускаемой продукции. Одно из важнейших направлений решения этой задачи состоит в повышении эффективности научно-исследовательских работ и ускорении реализации их результатов в народном хозяйстве.

В первую очередь это относится к прикладным научно-исследовательским и опытно-конструкторским работам, которые часто проводятся не только в исследовательских институтах, но и конструкторских бюро и на производстве. Целью научных исследований в области техники является выявление объективных закономерностей определяющих протекание рабочих процессов в машинах и аппаратах, изучение физико-химических явлений из которых состоят эти процессы для эффективного использования полученных результатов при разработке конструкций с оптимальными характеристиками или создании материалов с заданными свойствами.

Различают теоретические и экспериментальные исследования. Это деление в значительной мере условно, так как в большинстве теоретических исследований привлекаются экспериментальные результаты, а при постановке задачи и далее при обобщении результатов экспериментальных исследований используются теоретические концепции.

Результаты теоретического исследования обладают большей общностью, чем закономерности выявленные экспериментально. При теоретическом исследовании изучается не само явление, а его математическая модель, которая с той или иной степенью полноты отражает изучаемое явление. Чем полнее описывает модель изучаемое явление, тем она сложнее, и тем труднее решить уравнения, её отражающие. Поэтому для расширения круга доступных для теоретического решения задач часто используются упрощенные математические модели. При этом одновременно сужается область возможного использования результатов исследования.

Классический путь теоретического исследования физического явления состоит в том, что в результате наблюдений и гипотез, построенных на их основе, устанавливаются основные законы, управляющие явлением. При этом используются известные к настоящему времени законы, например, законы сохранения массы, энергии и т.п. Составляется система уравнений, описывающая изучаемое явление, устанавливаются важные для изучаемого явления краевые условия (физические свойства тел, форма системы, в которой протекает явление, особенности протекания процессов на границах, начальное состояние системы).

Система составленных дифференциальных уравнений вместе с краевыми условиями представляет собой математическую формулировку задачи или математическую модель, которая подвергается теоретическому исследованию. В случаях, когда математическая модель оказывается не замкнутой, используют дополнительные гипотезы или выявленные опытным путем связи.

Трудности математического характера часто ограничивают возможность аналитического решения, и многие физические задачи, имеющие математическую формулировку, пока не решены.

Возможен и другой путь решения систем дифференциальных уравнений – численный метод. Численное решение систем дифференциальных уравнений выполняют с помощью ЭВМ. В некоторых случаях оказывается достаточным использование персональных компьютеров; в сложных - используются большие ЭВМ. При численном решении краевые условия задаются не символами и уравнениями, а в виде конкретных чисел. Поэтому численное решение математической модели описывает только одно из многих состояний системы при конкретно заданных условиях. Изменяя численное значение параметров входящих в граничные условия можно выявить влияние различных факторов на изучаемое явление. Этот путь решения также относится к категории теоретического исследования, хотя и называется математическим экспериментом.

 

Для исследования физических явлений применяется также метод аналогий. В природе существуют явления, имеющие разную физическую природу, но одинаковое математическое описание. Такие явления называют аналогичными. Примером аналогичных явлений являются, в частности, процессы передачи тепла и электричества в твердых телах. Существует аналогия и между другими физическими явлениями, но наиболее широко используется аналогия с электрическими явлениями, так как она позволяет достаточно просто с помощью аналоговых устройств или машин с электрическими схемами получить информацию об исследуемом физическом явлении. В этом методе математические уравнения, описывающие исследуемое явление, решаются с помощью электрических моделей.

При использовании метода аналогий, также как и при численном методе решения задач, удается получить только дискретную информацию об исследуемом явлении.

В отличие от описанных выше методов экспериментальное исследование заключается в осуществлении системы операций, направленных на получение информации путем наблюдения непосредственно за исследуемым объектом (явлением).

В данном случае эксперимент, называемый также натуральным экспериментом, осуществляется на специально созданной для этих целей экспериментальной установке, рабочий участок которой устроен так, чтобы было возможным легко изменять и измерять важные для изучаемого процесса параметры. Иногда в качестве рабочего участка используется элемент машины или сама машина. Эксперимент, выполняемый на полноразмерной машине или её полноразмерных элементах, называется натурным. Эксперимент, в котором в качестве объекта исследования используется модель машины или ее элемента, называют модельным экспериментом.

В зависимости от природы изучаемого явления или группы явлений различают физический, физико-технический, физико-химический, химический и другие виды экспериментов.

В зависимости от характера воздействия на объект исследования различают активный и пассивный эксперимент. Активным называется эксперимент, в котором условия проведения опытов задаются исследователем. Эксперимент, в котором условия каждого опыта регистрируются исследователем, но не задаются им, называется пассивным.

Различают также статический и динамический эксперименты, в которых наблюдения осуществляются за объектом, находящемся соответственно в установившемся (стационарном) или изменяющемся (динамическом) режимах.

При экспериментальном исследовании выявляется зависимость параметров исследуемого явления от многих факторов. При достаточно широком диапазоне изменения этих факторов возникает необходимость проведения большого числа опытов при различном сочетании этих факторов. Математические методы планирования и анализа эксперимента позволяют выбрать для исследования минимальное число режимов, обеспечивающих получение надежной информации об изучаемом явлении. Использование ЭВМ при подготовке и проведении экспериментов, а также при обработке и обобщении их результатов способствует повышению труда исследователей.

На основе ЭВМ создаются автоматизированные системы поиска и обработки научной информации, ставятся теоретические исследования с численным решением систем уравнений, они используются для планирования экспериментов, обработки опытных данных, а также автоматизации экспериментальных исследований.

Процесс экспериментального исследования может быть подразделен на ряд этапов.

1. Постановка задачи. Данный этап предшествует непосредственному исследованию и выполняется на основе поиска, анализа и систематизации информации об объекте исследования.

2. Разработка исходных представлений и путей решения задачи. На этом этапе формируются исходные гипотезы и модельные представления об изучаемом явлении, конкретизируется программа исследования, выбираются технические средства, оборудование и методы измерений.

3. Создание экспериментальной установки. На этом этапе проектируется экспериментальная установка, осуществляется монтаж и наладка экспериментального оборудования и производится калибровка средств измерений.

4. Планирование и реализация экспериментальных работ. В ходе выполнения этого этапа осуществляется сбор, выбраковка, накопление, обработка, обобщение и отображение получаемой информации.

5. Анализ полученных результатов исследования. На этом этапе по завершении эксперимента и обработки полученных данных осуществляется проверка соответствия их исходным гипотезам и представлениям. Эти гипотезы могут уточняться или пересматриваться заново. При необходимости проводятся дополнительные серии экспериментов.

6. Оформление результатов работ. Экспериментальные исследования завершаются установлением новых законов и закономерностей, определяющих исследуемое явление, разработкой его теории и методов расчета. Эти результаты оформляются, как правило, в виде заключительного научно-технического отчета.

 

Планирование второго порядка

Часто для описания поверхности отклика полинома первого порядка уже недостаточно. Во многих случаях вполне удовлетворительная аппроксимация может быть достигнута, если воспользоваться полиномом второго порядка. Уравнение регрессии второго порядка имеет вид

(13.19)

Основное требование к плану второго порядка состоит в том, что план должен допускать получение раздельных, не смешанных оценок коэффициентов регрессии. Для этого необходимо, чтобы число разных опытов было не меньше числа коэффициентов в уравнении регрессии, равного числу сочетаний из N+ 2 по два, т.е.

.

Кроме того, требуется, чтобы каждый фактор варьировался не менее чем на трех уровнях.

Полный факторный эксперимент 3 N содержит слишком большое число опытов (N =3, 3 N =27; N =4, 3 N =81; N =5, 3 N =243). Сократить число опытов можно, если воспользоваться так называемыми композиционными или последовательными планами, предложенными Боксом и Уилсоном. «Ядро» таких планов составляет ПФЭ 2 N при N <5 или дробная реплика от него при N ≥5. Согласно этим планам, если линейное уравнение регрессии оказалось неадекватным, необходимо добавить 2 N «звездных» точек, расположенных на координатных осях факторного пространства (± а, 0,..., 0), (0, ± а,.., 0),..., (0, 0, ± а), где а – расстояние от центра плана до «звездной» точки – «звездное» плечо, и увеличить число экспериментов в центре плана К 0 Такие планы называются центральными, ибо все опыты расположены симметрично вокруг основного уровня эксперимента, и композиционными, т.е. последовательно строящимися, а сокращено ЦКП.

Общее число опытов в матрице композиционного плана при N факторах составит для N< 5 и для N≥ 5.

Ортогональные планы. Композиционные планы легко проводятся к ортогональным выбором «звездного плеча» а. При числе факторов N =2 а выбирается равным 1,0, при N =3 а = 1,215, при N =4 а = 1,414, при N = 5 а= 1,547 (здесь величина а приведена для случая, когда в качестве генерирующего соотношения в дробной реплике 25-1 используется ). Обычно К 0 в этом случае принимают равным единице.

Ротатабельные планы. Для того чтобы композиционный план был ротатабельным, величину «звездного» плеча а выбирают из условий , . Число точек в центре плана К 0 увеличивают (например, при N= 2 K 0 выбирают равным 5, при N = 3 К 0=6, при N= 4 К 0 = 7, при N= 5 K 0 = 10).

 

Планирование экстремальных экспериментов

 

Изменяя условия процесса, можно получить значения того или иного отклика и при необходимости оптимизировать процесс по этому отклику, принятому за критерий или параметр оптимизации. Для решения задач оптимизации используются два принципиально различных подхода:

1) каким-либо способом определяется полная математическая модель и далее задача решается аналитическим или численным методом;

2) осуществляется экспериментальный поиск экстремальной точки в факторном пространстве переменных в процессе эксперимента; местоположение этой точки в факторном пространстве определяется вектором х 0.

Первый подход рассматривается в литературе по методам оптимизации. Здесь же остановимся подробнее на методах второй группы. Экстремальное значение отклика в них достигается с помощью многократной последовательной процедуры изучения поверхности и продвижения в факторном пространстве. Методы различаются способом определения направления движения и организацией самого движения.

Для отыскания точки максимума можно воспользоваться методом сечений (методом Зайделя – Гаусса). По этому методу выбирается произвольная точка М 0, фиксируются все переменные, кроме одной, и отыскивается точка М 1, соответствующая условному экстремуму при , затем фиксируется переменная и отыскивается точка М 2 и т.д. Поиск оптимума здесь не только малоэффективен, но и весьма длителен и удлиняется при увеличении числа факторов, причем при определенной форме зависимости у от факторов поочередное изменение аргументов может привести к ошибке в определении экстремума. На рис. 8.7 показан один из таких частных случаев, когда поочередное изменение каждого из двух аргументов в любую сторону (вдоль осей координат) от точки A 1 вызывает уменьшение у (отклик у откладывается перпендикулярно к плоскости рисунка). Из-за этого создается ложное впечатление, что точка А 1 соответствует максимуму, в то время как в действительности максимум у (точка А) располагается при больших значениях x 1 и меньших значениях х 2. Рассмотрим более совершенные методы.

 

Рис. 13.7. Схема движения к оптимуму методом Зайделя– Гаусса:

А ' – ложный оптимум; А – действительный оптимум;

1 – линии постоянного уровня

 

Метод градиента. При оптимизации процесса этим методом рабочее движение совершается в направлении быстрого возрастания выходного параметра, т.е. в направлении градиента целевой функции y (х). Причем направление движения корректируется после каждого рабочего шага, т.е. каждый раз заново вычисляется значение вектора grad y (x) по результатам специально спланированных пробных экспериментов.

Координатами вектора градиент

(13.20)

служат коэффициенты при линейных членах разложения функции у(х) в ряд Тейлора по степеням .В выражении (13.20) i, j,..., k –единичные векторы вдоль координатных осей xi. Тогда соответствующие компоненты вектора градиента могут быть получены как коэффициенты линейной аппроксимации поверхности отклика вблизи исходной точки х:

. (13.21)

Для получения оценок линейных коэффициентов можно воспользоваться любым из известных способов экспериментального получения уравнения (13.21) (например, можно реализовать ПФЭ с центром в точке xi).

По результатам пробного эксперимента вычисляется вектор

. (13.22)

Совершается рабочий шаг в направлении grad y (x 1)

. (13.23)

Здесь а – параметр рабочего шага.

 

Рис. 13.8. Метод градиента для двух факторов

 

 

 

Рис. 13.9. Крутое восхождение для двух факторов

В точке х 2 описанная выше процедура полностью повторяется. Поиск прекращается, когда модуль градиента у становится малой величиной (|grad у (х) | ≈0), т.е. все коэффициенты bi, (i = 1, 2,..., N) в уравнении (13.21) получаются незначимыми.

Характер движения к оптимуму при использовании градиентного метода иллюстрирует рис. 13.8.

Существуют модификации метода градиента, в которых, например, параметр рабочего шага а зависит от номера шага, и некоторые другие. Следует отметить, что если целевая функция y сложная, то и градиентный метод приводит к значительным вычислительным трудностям.

Метод крутого восхождения. При использовании этого метода в отличие от градиентного корректировка направления производится не после каждого следующего шага, а по достижении в некоторой точке хn, на данном направлении частного экстремума целевой функции (рис. 8.9) аналогично методу Гаусса – Зайделя. Важной особенностью процедуры крутого восхождения является также регулярное проведение статистического анализа промежуточных результатов на пути к оптимуму.

Практически поиск оптимума по методу крутого восхождения осуществляется в несколько этапов:

1) с центром в исходной точке x 1 проводится ПФЭ (или ДФЭ) для определения grad y (x 1); результаты эксперимента подвергаются статистическому анализу (проверяются значимость оценок коэффициентов линейного уравнения регрессии и адекватность этого уравнения);

2) вычисляется направление градиента;

3) проводятся несколько опытов в направлении градиента функции, выбирается опыт с наибольшим значением у; затем весь цикл повторяется.

Поиск прекращается, когда все коэффициенты bi, (i = l, 2,..., N) линейного уравнения получаются незначимыми, что свидетельствует о выходе в область экстремума.

 

Рис. 13.10. Схема движения симплекса

Относительно выбора шага для движения по градиенту заметим, что слишком малый шаг потребует значительного числа опытов при движении к оптимуму, а большой шаг создает опасность проскакивания области оптимума.

Симплексное планирование. Последовательный симплексный метод планирования (ПСМ), является одним из эффективных методов поиска экстремума. В этом методе не требуется вычисления градиента, поэтому он относится к безградиентным методам поиска оптимума и связан с простыми расчетами при шаговом движении к оптимуму.

Симплекс – это простейший выпуклый многогранник, образованный N +1 вершинами в N -мерном пространстве. Так, например, на плоскости (N = 2) симплекс – любой треугольник, в трехмерном пространстве – любая треугольная пирамида и т.д.

Симплекс называется правильным или регулярным, если все расстояния между образующими его вершинами равны. Применение правильных симплексов упрощает процедуру последовательного расчета вершин симплекса.

Процедура ПСМ состоит в выборе начального симплекса и последовательном отражении его вершин с наихудшим откликом в новую точку относительно противоположной грани. Процесс заканчивается при достижении экстремальной области. Для N = 2 сущность симплексного метода движения к оптимуму для правильного симплекса можно иллюстрировать на примере рис. 8.10. Начальный симплекс (опыты 1, 2, 3) располагают в факторном пространстве на основе априорной информации об объекте исследования. Результаты опытов в вершинах 1, 2, 3 упорядочивают, т.е. ранжируют по значению отклика, далее выбирают наихудший результат (пусть для примера это будет точка 1). Для первого шага к оптимуму на грани 2, 3, противоположной наихудшему опыту, симметрично строят новый правильный симплекс 2, 3, 4, опытные результаты опять ранжируют и т.д.

Координаты каждой новой вершины симплексов рассчитывают по формуле

, (13.24)

где N – число факторов; u – номер опыта, т.е. вершины симплекса (u = 1, 2,..., N +1); i – номер фактора; –координата i -фактора в наихудшем опыте (i = l, 2,..., N).

По достижении области экстремума симплекс начинает вращение вокруг вершины с максимальным значением отклика. Здесь-необходимо прекратить процедуру ПСМ.

Важным свойством ПСМ является то, что он не боится ошибок эксперимента, которые могут лишь задержать, но не остановить продвижение к оптимуму. В связи с этим при ПСМ дублировать опыты не обязательно. Осложнения при применении ПСМ возникают тогда, когда симплекс попадает на гребень поверхности отклика, в этом случае он начинает колебаться. В схеме оптимизации, изображенной на рис. 13.10, такое колебание возникает при достижении области оптимуму – симплекс 9, 10, 11 возвращается на место предыдущего 9, 10, 8.

В случае, когда колебание возникло на гребне вне оптимума, для устранения колебаний рекомендуется отражать не самую худшую вершину, а ближайшую, несколько лучшую в ранжированном ряду откликов.

При достижении оптимальной области можно уточнить при необходимости положение оптимума (если отсутствует его дрейф). Для этого можно использовать в этой области симплекс меньших, размеров или применить ЦКП второго порядка.

Симплексный метод широко используется для поиска оптимума как на реальных объектах, так и по математической модели. Эта эффективность по сравнению с другими методами тем заметнее, чем больше число факторов.

 

 

Назначение автоматизированных систем научных исследований

Современная научно-техническая революция стала возможной благодаря тесной связи науки и техники, их взаимному влиянию и обогащению. Фундаментальные открытия в настоящее время быстро становятся основой для создания новых технических систем, машин и аппаратов. Своевременное воплощение научных идей в конкретные технические разработки, необходимое для поддержания конкурентоспособности отраслей экономики, требует выполнения все большего числа прикладных научно-исследовательских и опытно-конструкторских работ. Соответственно увеличивают затраты на проведение этих работ и число людей занятых в этой сфере деятельности. Постоянно возрастающая доля бюджетных средств затрачиваемых на проведение научных исследований и рост числа научных работников является общей тенденцией для всех экономически развитых государств. При этом приобретает актуальность и проблема повышения эффективности научных исследований, одним из направлений решения которой является широкое привлечение вычислительной техники и средств автоматизации.

При проведении научно-исследовательских работ человеку приходится иметь дело с большим потоком информации, с необходимостью одновременного измерения многочисленных иногда быстро изменяющихся параметров изучаемых процессов и явлений, поддержанием этих параметров на заданном уровне или изменением их по заданному закону, с необходимостью проведения большого объема сложной математической обработки эмпирических данных как во время проведения эксперимента, так и по его завершении. Это обусловило возникновение и все более широкое распространение в исследовательской практике автоматизированных систем научных исследований (АСНИ).

Под автоматизацией научных исследований понимается создание условий для проведения комплексных (экспериментальных и теоретических) научных исследований на основе широкого использования технических средств и математических методов с максимальным привлечением вычислительной техники.

Проблему автоматизации научных исследований следует рассматривать как часть комплексной проблемы автоматизации на различных организационных уровнях.

 

Наряду с термином АСНИ находит применение термин системы автоматизации экспериментальных исследований (САЭИ). Последний термин является, очевидно, менее удачным, поскольку отражает только проблему автоматизации натурального эксперимента, между тем как значительное количество времени при выполнении исследовательской работы затрачивается также на проведение теоретических расчетов и интерпретацию результатов эксперимента.

Проведение научных исследований с применением АСНИ позволяет увеличить производительность труда исследователей, сократить сроки получения информации, результатов полной обработки и интерпретации экспериментальных данных, интенсифицировать использование дорогостоящего оборудования. Применение АСНИ позволяет существенно повысить точность и достоверность получаемых результатов. Автоматизированные системы научных исследований расширяют возможности исследователей при изучении процессов в динамическом режиме, при исследовании быстропротекающих процессов. Незаменимы АСНИ при исследовании процессов на объектах, нахождение рядом с которыми связано с риском для здоровья и жизни.

Термин АСНИ не следует понимать в буквальном смысле как систему, выполняющую вместо человека научно-исследовательскую работу.

Проведение научных исследований связано с выполнением таких работ, как изучение и обобщение исходных данных, разработка исходных гипотез и модельных представлений об изучаемом явлении, путей экспериментальной проверки этих гипотез и принятие принципиальных решений по организации эксперимента и оформления экспериментальной установки, разработка плана проведения работ, обобщение полученных результаов и их теоретическое обоснование и многих других работ творческого характера, которые не поддаются автоматизации. К основным функциям АСНИ на современном этапе их развития относят сбор, обработку и накопление информации, отображение результатов исследования и их интерпретацию, управление экспериментом и контроль за ее ходом.

Сбор измерительной информации предполагает выполнение измерений исследуемой величины, преобразование непрерывного аналогового сигнала в дискретную цифровую форму, устранение избыточной информации и дальнейшее преобразование сигналов для передачи по каналам связи.

Обработку информации можно подразделить на первичную (расчет величин с использованием калибровочных зависимостей для измерительных трактов) основную определяемую целями и задачами исследования

и дополнительную (выбраковка результатов, их статистический анализ и т.п.).

Накопление информации осуществляется в целях ее обработки или последующего хранения.

Отображение результатов исследования в форме графиков, таблиц, формул может быть оперативным (в процессе поступления информации) или осуществляться по завершении исследования или его этапа.

Интерпретация результатов исследования предполагает:

1) сопоставление их с результатами расчетов по соответствующей математической модели и установление степени адекватности полученных результатов исходным гипотезам

2) сопоставление с имеющимися данными и выявление новых закономерностей явления, позволяющих исследователю построить его теорию или сформулировать новые гипотезы, требующие дальнейшей проверки.

Управление ходом эксперимента возможно по заранее составленной жесткой программе или по гибкой программе корректируемой в ходе экспериментального исследования по результатам очередного опыта (например, в соответствии с тем или иным методом планирования экстремальных экспериментов).

Совокупность технических и программных средств, обеспечивающих выполнение этих функций АСНИ, носит обобщенное название информационная измерительная система (ИИС).

Конкретные разновидности ИИС в соответствии с выполняемыми функциями называются:

- измерительными системами (ИС);

-измерительно-вычислительными системами (ИВС);

-измерительно-вычислительными комплексами (ИВК);

и т. д.

При проектировании и разработке ИИС следует учитывать то, что не все этапы исследования в настоящее время могут быть автоматизированы, поэтому АСНИ будет экономически оправдана лишь тогда, когда ее использование приведет к повышению эффективности исследования в целом, а не только его отдельных автоматизированных этапов. Если на недоступные для автоматизации творческие этапы исследования затрачивается большая часть времени и средств, то даже полная автоматизация всех остальных этапов не приведет к заметному повышению эффективности исследования в целом, хотя при этом может быть ускорено и облегчено выполнение творческих этапов. И напротив, даже частичная автоматизация одного наиболее трудоемкого этапа может ощутимо повысить эффективность всего исследования.




Дата добавления: 2014-12-18; просмотров: 22307 | Поможем написать вашу работу | Нарушение авторских прав

<== предыдущая лекция | следующая лекция ==>
Понятие об исследовательском эксперименте.| Методологическое, математическое и информационное обеспечение АСНИ

lektsii.net - Лекции.Нет - 2014-2024 год. (0.02 сек.) Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав