ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Интеллектуальная система прогнозирования многоассортиментных химических производств

Статья опубликована в выпуске журнала № 1 за 1998 год.[ 20.03.1998 ]
Аннотация:
Abstract:
Авторы: Егоров А.Ф. (egorov@muctr.ru) - Российский химико-технологический университет им. Д.И. Менделеева, Москва, Россия, доктор технических наук, Балябкин А.А. () - , ,
Ключевое слово:
Ключевое слово:
Количество просмотров: 11567
Версия для печати
Выпуск в формате PDF (1.60Мб)

Размер шрифта:       Шрифт:

Развитие систем, основанных на принципах искусственного интеллекта, предоставляет новые возможности в области прогнозирования, планирования и управления производством. Эта статья посвящена разработке интеллектуальной системы прогнозирования выпуска продукции многоассортиментными химическими производствами (МАХП) [1, 2].

Сложность МАХП как объектов прогнозирования выдвигает проблему создания формализуемых и не поддающихся формализации моделей и систем прогнозирования. Решение этой проблемы связано с активным развитием высокоинтеллектуальных вычислительных систем. Разработка систем, основанных на принципах искусственного интеллекта, ведется в направлении создания экспертных систем, интеллектуальных систем поддержки принятия решений, диалоговых систем управления производством и др. [3-5]. В сфере прогнозирования производства интеллектуальные системы занимают важную роль, поскольку они позволяют формировать прогнозные решения на базе глубокого неформального анализа экономической сферы функционирования предприятия. Использование интеллектуальных систем дает возможность учесть не только количественную, но и качественную информацию, описывающую сложные производственно-экономические процессы.


Система прогнозирования выпуска продукции МАХП состоит из ряда иерархических взаимосвязанных уровней (рис.1), на каждом из которых решаются определенные задачи, их взаимосвязь определяется соподчиненностью друг другу.

Формулировка задач долгосрочного прогнозирования выпуска продукции МАХП

Под задачей долгосрочного прогнозирования выпуска продукции МАХП понимается определение набора продуктов из всего множества выпускаемых, которые будут пользоваться наибольшим спросом, с одной стороны, и наилучшим образом обеспечены сырьем для их производства – с другой. Долгосрочное прогнозирование предлагается осуществлять с использованием метода дерева целей и экспертного подхода. Согласно методу дерева целей на первом этапе разрабатывается дерево областей применения многоассортиментной продукции и дерево источников сырья для их производства. В корне деревьев располагается продукт, в вершинах – возможные области его применения или источники сырья для его производства. При движении по этим деревьям от корня к вершинам для конкретного продукта можно узнать, в каких областях возможно его использование или какие источники сырья используются для его производства. На втором этапе проводится экспертная оценка связей в структуре деревьев и создается банк вопросов, при ответе на которые определяется путь (маршрут) движения по деревьям. На следующем этапе создается экспертная система. База знаний экспертной системы разрабатывается на основании анализа структуры дерева областей применения многоассортиментной продукции и дерева источников сырья для производства продуктов. Знания представляются в виде правил продукций: ЕСЛИ ... ТО ... . База данных экспертной системы создается в виде таблицы, полями которой являются: название продукта (одно поле; тип: строчный), название областей применения многоассортиментной продукции (число полей равно K; тип: 1 или 0), название источников сырья (число полей равно M; тип: 1 или 0), коэффициенты сравнения (три поля; тип: вещественный). Запись в таблице показывает, что использование i-го продукта возможно в области применения yj, если поле содержит единицу, и использование невозможно, если – ноль, а также для производства i-го продукта используется источник сырья gl, если поле содержит единицу, и не используется, если – ноль.

Для долгосрочного прогнозирования модулем выбора решений генерируются вопросы с вариантами ответов, полученными при анализе разработанных деревьев. Пользователь выбирает удовлетворяющие его ответы. Информация поступает в базу знаний. На основании анализа ответов базой знаний формируются массивы, представленные в таблице 1, где d1j – коэффициент достоверности, показывающий, с какой достоверностью продукты будут пользоваться спросом в данной области применения yj; d2l – коэффициент достоверности, показывающий, с какой достоверностью данный источник сырья gl будет обеспечивать выпуск продуктов. Коэффициенты достоверности определяются на основании экспертных оценок связей в деревьях. Далее в базе данных рассчитываются критерии сравнения, продукты сортируются по их значениям и выдается долгосрочный прогноз на выпуск продукции. С учетом сказанного постановка задачи долгосрочного прогнозирования формулируется как задача многокритериальной оптимизации и имеет следующий математический вид:

Таблица  2

SDATE

PROD

Название поля

Содержание

Название поля

Содержание

PROD

Код продукта

ONAME

Название продукта

DDATE

Время наблюдения

BDATE

Время первого наблюдения

SALE

Объем выпуска

EDATE

Время последнего наблюдения

PRICE

Средняя цена

PKOD

Код доступа в БД SDATE

CSPEND

Постоянные издержки

KNOWLEG

Тип модели, описывающей временной ряд

VSPEND

Переменные издержки

PRSALE

Прогнозируемый объем выпуска

Таблица 3

PROGN

Название поля

Содержание

Записи

DNAME

Метод прогнозирования

1

2

3

4

5

6

7

NNAME


Имя программного модуля
 

М1

М2

М3

М4

М5

М6

М7

PT0

Приоритет метода

3

5

10

3

5

5

10

PT1

Линейный

1

1

1

0

0

0

1

PT2

Экспоненциальный

1

0

0

1

1

1

0

PT3

Циклический аддитивный

0

0

1

0

0

1

0

PT4

Циклический мультипликативный

0

0

0

1

0

1

1

,

,

,

,

Таблица 1

Область применения

Коэффициент достоверности

Источник сырья

Коэффициент достоверности

y1

d11

g1

d21

yj

d1j

gl

d2l

yk

d1k

gm

d2m

где A – множество продуктов, пользующихся наибольшим спросом и наилучшим образом обеспеченных сырьем для их производства; P – множество всех выпускаемых продуктов; Y={yij} – множество областей применения многоассортиментной продукции; G={gil} – множество источников сырья для производства продуктов; f1, f2, f3, F – критерии оптимизации; d1j, d2l – коэффициенты достоверности; впi, цi, сi – объем выпуска, цена и себестоимость i-го продукта; N – число продуктов; K – число областей применения; M – число источников сырья; S – производственно-экономическая ситуация.

Формулировка задач краткосрочного прогнозирования выпуска продукции МАХП

PRPRICE

Прогнозируемая цена

PRCSP

Прогнозируемые постоянные издержки

PRVSP

Прогнозируемые переменные издержки

Под задачей краткосрочного прогнозирования выпуска продукции МАХП понимается определение объемов выпуска, цены, издержек производства для каждого продукта на заданный интервал времени с использованием набора методов прогнозирования. При этом учитывается множество: ежемесячных выпусков продуктов, средних ежемесячных цен на выпускаемые продукты, средних ежемесячных издер-жек производства за предшествующий период.
Задачи краткосрочного прогнозирования выпуска продукции МАХП предлагается решать с использованием подхода, ориентированного на системы поддержки принятия решений. Предложена система, состоящая из базы данных, базы знаний, базы моделей прoгнозирования, блока выбора моделей и интерфейсной части, с помощью которой происходит общение с пользователем. База данных состоит из двух связанных файлов данных SDATE и PROD. Файл данных SDATE содержит статистические данные, которые используются для построения прогнозов по объему выпуска продукта, цене на продукт, по издержкам производства. Файл данных PROD хранит информацию о продуктах (табл. 2).
База моделей прогнозирования PROGN представляет набор методов прогнозирования, основанных на экспоненциальном сглаживании и оформленных в виде отдельных программных модулей (табл. 3).
База моделей сделана открытой, предусмотрена возможность добавления новых методов. В системе представлены методы прогнозирования [8], отображенные в таблице 4.
Таблица 4

 

Название метода

Расчетные формулы метода

1

Метод экспоненциального сглаживания

2

Метод Холта

3

Метод Муира-Холта

4

Метод двойного
сглаживания Брау-на 1

5

Метод двойного
сглаживания Брау-на 2

6

Метод адаптивно-го сглаживания Брауна

7

Метод Холта-Винтера

ãäå t=1,...,L


 

где Yt – прогноз на момент времени t с момента времени t; Xt – наблюдаемое значение в момент времени t; Yt – прогнозное значение в момент времени t; a, A, B, C – параметры методов; Ft – сезонные коэффициенты; L – период сезонных колебаний.

База знаний в системе представлена набором фактов, состоящих из знаний о моделях, описывающих исходные данные, и знаний о методах прогнозирования. Каждый временной ряд может быть описан линейной функцией, экспоненциальной функцией, линейной и экспоненциальной функциями с сезонными колебаниями. Эти знания находятся в базе данных PROD в поле KNOWLEG. Знания о методах прогнозирования хранятся в базе моделей PROGN и характеризуют возможность использования метода прогнозирования для работы с той или иной моделью, описывающей исходные данные. Кроме того, экспертом проставляется приоритет, характеризующий используемость метода для построения прогноза.
Определение функции, которой может быть описан временной ряд, проводится для каждого продукта. Система для этого может использовать данные экспертов или выполнять анализ данных самостоятельно. Система предоставляет возможность пользователю выбрать методы прогнозирования, сделать прогноз всеми имеющимися методами или по умолчанию предлагает провести прогноз тремя методами, выбранными системой на основании приоритета эксперта и применимости метода к функции, которой может быть описан временной ряд.
Решение задач краткосрочного прогнозирования выпуска продукции МАХП включает следующие этапы: 1) прогнозирование величины объема выпуска, цены, издержек производства для каждого продукта; 2) расчет экономических показателей по каждому из продуктов; 3) определение ассортимента месячного выпуска. В качестве критерия оптимальности используется прибыль от реализации. Ограничение количества продуктов в ассортименте учитывается средней месячной производительностью установки.
Формулировка и решение задач оперативного прогнозирования выпуска продукции МАХП приведены в [7].
Решение задач прогнозирования выпуска продукции многоассортиментного производства органических химических реактивов. Объектом прогнозирования являлась многоцелевая установка, предназначенная для производства органических химических реактивов для научных исследований. Установка может обеспечить, используя периодический способ производства, выпуск не менее 500 органических реактивов с годовым производством каждого не более 100 кг.
Решение задач прогнозирования проводилось на примере десяти продуктов, представленных в таблице 5.


Рис. 2. Дерево областей применения органических реактивов

Долгосрочное прогнозирование выпуска органических химических реактивов осуществлялось с использованием метода дерева целей, сущность которого изложена ранее. Были разработаны дерево областей применения органических реактивов (рис. 2), дерево источников сырья для производства органических реактивов, банк вопросов с вариантами ответов (рис. 3), база данных и база знаний экспертной системы прогнозирования.
Для представления информации в базе знаний использовались правила продукций вида:
“Если больше развита бытовая химия, тогда спросом пользуются моющие средства, растворители, душистые вещества, ядохимикаты, лаки и краски.”
“Если данные продукты найдут наибольшее применение в бытовой химии, тогда будет спрос на моющие средства, растворители, душистые вещества, ядохимикаты, лаки и кpаски.”
Результатом работы экспертной системы стал список продуктов, отсортированных по убыванию критерия сравнения, учитывающего наибольший спрос на продукты и наибольшую обеспеченность производства продуктов сырьем (табл. 5). Решение задачи проводилось в среде ИНТЕР-ЭКСПЕРТ на IBM PC.
Решение задач краткосрочного прогнозирования проводилось с помощью системы поддержки принятия решений. Был разработан интеpфейс системы, включающий следующие основные части • главное меню, из которого вызываются все остальные подпрограммы системы • подпpогpамма ввода и pедактиpования исходных данных о пpодуктах • подпpогpамма задания паpаметpов для постpоения пpогноза и вызова методов пpогнозиpования • подпpогpамма помощи.
На основании полученных прогнозов определен оптимальный ассортимент выпуска продукции с учетом критерия прибыли от реализации. Решение было проведено с использованием СУБД FoxPro и среды программирования Turbo Pascal. Результаты краткосрочного прогнозирования объема производства дифенилсульфида приведены на рисунке 4.

Рис. 3. Банк вопросов с вариантами ответов (пример)

Номер Название продукта
продукта
1 ГЕКСАМЕТИЛТРИАМИД ФОСФОРИСТОЙ
КИСЛОТЫ
2 ФЕНИЛАЦЕТИЛЕН
3 ЦИАН-УКСУСНАЯ КИСЛОТА
4 ЦИКЛОБУТАНКАРБОКСИЛЬНАЯ
КИСЛОТА
5 ТЕТРАМЕТИЛСИЛАН
6 РТУТЬХЛОРФЕНИЛ
7 1,5-ДИАМИНО-3 ОКСИПЕНТАН
8 ДИФЕНИЛСУЛЬФИД
9 2,2-ДИЭТОКСИПРОПАН
10 ЭТИЛОВЫЙ ЭФИР ХЛОРУГОЛЬНОЙ
КИСЛОТЫ


Рис. 4. Процедура и результаты краткосрочного прогнозирования

Список литературы
1. Кафаров В.В., Макаров В.В. Гибкие автоматизированные производственные системы в химической промышленности. - М.: Химия, 1990. - 320 с.
2. Кафаров В.В., Макаров В.В., Егоров А.Ф. Итоги науки и техники. Процессы и аппараты химической технологии. - М., 1988. - Т.16. - С. 92-181.
3. Диалоговые системы в АСУ / Под ред. Д.А. Поспелова. - М.: Энергоатомиздат, 1983. - 206 с.
4. Мельцер М.И. Диалоговое управление производством. - М.: Финансы и статистика, 1983. - 240 с.
5. Мешалкин В.П. Экспертные системы в химической технологии. - М.: Химия, 1995. - 367 с.
6. Перов В.Л., Егоров А.Ф. Стратегия гибкого управления многоассортиментными химическими производствами в условиях неопределенности // Теоретич. осн. хим. технол. -1994. - Т.28. - № 5. - С. 519-529.
7. Егоров А.Ф. Принципы и стратегия гибкого управления многоассортиментными химическими производствами в условиях неопределенности: Дис. ... докт. техн. наук. - М., 1995.
8. Гурин Л.Г. Экспериментальное исследование некоторых алгоритмов краткосрочного прогнозирования. - М., 1991. - 36 с


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=971
Версия для печати
Выпуск в формате PDF (1.60Мб)
Статья опубликована в выпуске журнала № 1 за 1998 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: