Теория адаптивных систем возникла в связи с необходимостью решения широкого класса прикладных задач, для которых неприемлемы традиционные методы, требующие знания адекватной математической модели объекта. Качество традиционных (неадаптивных) методов управления тем выше, чем больше априорной информации о самом объекте и условиях его функционирования. На практике достаточно трудно обеспечить точное математическое описание объекта управления. Например, динамические характеристики летательных аппаратов сильно зависят от режима полета, технологических разбросов, состояния атмосферы. В этих условиях традиционные методы часто оказываются неприменимыми либо не обеспечивают требуемое качество системы автоматического управления.
В связи с этим уже на начальном этапе развития теории автоматического управления представлялся весьма эффективным путь построения управляющих систем, не требующих полной априорной информации об объекте и условиях его функционирования.
Эффект приспособления к условиям функционирования в адаптивных системах обеспечивается за счет накопления и обработки информации о поведении объекта в процессе его функционирования, что позволяет существенно снизить влияние неопределенности на качество управления, компенсируя недостаток априорной информации на этапе проектирования систем.
Система управления, автоматически определяющая требуемый закон управления посредством анализа поведения объекта при текущем управлении, называется адаптивной .
Адаптивные системы можно разделить на два больших класса: самоорганизующиеся и самонастраивающиеся.
В самоорганизующихся системах в процессе функционирования происходит формирование алгоритма управления (его структуры и параметров), позволяющего оптимизировать систему с точки зрения поставленной цели управления (ЦУ). Такого рода задача возникает, например, в условиях изменения структуры и параметров объекта управления в зависимости от режима функционирования, когда априорной информации недостаточно для определения текущего режима. При широком классе возможных структур объекта трудно надеяться на выбор единственной структуры алгоритма управления, способной обеспечить замкнутой системе достижение цели управления во всех режимах функционирования. Таким образом, речь идет о синтезе при свободной структуре регулятора. Очевидная сложность постановки задачи не позволяет надеяться на простые алгоритмы ее решения, а следовательно, и на широкое внедрение в настоящее время систем в практику.
Задача существенно упрощается, если структура объекта управления известна и неизменна, а поведение зависит от ряда неизменных параметров. Задача решается в классе самонастраивающихся систем (СНС), в которых структура регулятора задана (заранее выбрана) и требуется определить лишь алгоритм настройки его коэффициентов (алгоритм адаптации).
Самонастраивающейся системой автоматического управления называется система, самостоятельно изменяющая свои динамические характеристики в соответствии с изменением внешних условий с целью достижения оптимального выхода системы. В случае самонастраивающихся систем управления полетом таким оптимальным выходом системы будет оптимальная реакция на внешние возмущения.
СНС делятся на два подкласса: поисковые и беспоисковые. В поисковых СНС минимум (или максимум) меры качества (производительность установки, расход топлива и т.д.) ищется с помощью специально организованных поисковых сигналов. Простейшими поисковыми системами являются большинство экстремальных систем, в которых недостаток априорной информации восполняется за счет текущей информации, получаемой в виде реакции объекта на искусственно вводимые поисковые (пробные, тестовые) воздействия.
В беспоисковых СНС в явном или неявном виде имеется модель с желаемыми динамическими характеристиками. Задача алгоритма адаптации состоит в настройке коэффициентов регулятора таким образом, чтобы свести рассогласование между объектом управления и моделью к нулю. Такое управление называют прямым адаптивным управлением, а системы - адаптивными системами с эталонной моделью .
В случае непрямого адаптивного управления сначала проводят идентификацию объекта, а затем определяют соответствующие коэффициенты регулятора. Подобные регуляторы называются самонастраивающимися.
При прямом адаптивном управлении контуры адаптации работают по замкнутому циклу, что позволяет парировать изменения параметров объекта и регулятора в процессе функционирования. Однако каждый контур самонастройки повышает порядок системы как минимум на единицу, и при этом существенно влияет на общую динамику замкнутой системы.
В случае непрямого адаптивного управления контуры самонастройки работают по разомкнутому циклу и, следовательно, не влияют на динамику системы. Однако все ошибки идентификации, уходы параметров объекта и регулятора существенно влияют на точность управления. В беспоисковых самонастраивающихся системах эталонная модель может быть реализована в виде реального динамического звена (явная модель) или присутствовать в виде некоторого эталонного уравнения, связывающего регулируемые переменные и их производные (неявная модель). В неявной модели коэффициенты эталонного уравнения являются параметрами алгоритма адаптации.
На рисунке 1 показан один из часто используемых в исполнительных приводах вариантов адаптивного управления, где параметры регулятора настраиваются управляющим компьютером по эталонной модели.
Эталонная модель показывает идеальную желаемую реакцию системы на задающий сигнал g(t). В качестве эталонной модели применяют типовые звенья систем автоматического управления (например, апериодическое звено). Параметры ПИД-регулятора (пропорционально-интегрально-дифференциальный регулятор) настраиваются так, чтобы минимизировать рассогласование между выходом модели и реальной системы.
Задача контура настройки состоит в том, чтобы свести это рассогласование к нулю за определенное время с гарантией устойчивости переходного процесса. Данная проблема далеко не тривиальна – можно показать, что она не решается при линейных соотношениях «ошибка – коэффициенты регулятора». Например, в литературе предложен следующий алгоритм настройки параметров:
где k – настраиваемые коэффициенты ПИД-регулятора; А – постоянный коэффициент, задающий скорость адаптации.
Рис. 1. Блок-схема адаптивной системы с эталонной моделью
Функция градиента определяет чувствительность ошибки c(t) к вариации коэффициентов регулятора. Абсолютная устойчивость замкнутой системы, которая является существенно нелинейной, обеспечивается подбором параметра А в программе настройки. Таким образом, управляющий компьютер для реализации адаптивного управления по данной схеме должен в реальном времени решать следующие задачи:
- формировать задающий сигнал для управляемой системы;
- рассчитывать идеальную реакцию по эталонной модели;
- вычислять коэффициенты регулятора в соответствии с программой настройки, определять текущую ошибку и выдавать сигнал управления на вход мехатронного модуля.
Помимо рассмотренной блок-схемы с эталонной моделью известны и другие методы автоматической настройки параметров и структуры регуляторов.
Предлагаемая эталонная модель BPM (Business Process Management) основывается на цепочке следующих предпосылок:
Повышение производительности предприятия как сложной системы требует ее рационального построения, а процессное управление является наиболее современной концепцией для такого построения;
BPM (как дисциплина) предлагает системный подход к реализации процессного управления;
На каждом процессно-управляемом предприятии есть своя BPM-система - портфолио всех бизнес-процессов, а также методов и инструментов для руководства разработкой, исполнения и развития этого портфолио;
Гибкость BPM-системы предприятия является основным фактором ее успеха;
Специализированная программная платформа (BPM suite) для реализации BPM-системы предприятия необходима, но недостаточна, так как BPM занимает особое место в архитектуре предприятия.
Цель: повышение производительности предприятия
Для управления своей производительностью большинство предприятий используют принцип обратной связи (рис. 1), позволяющий адаптироваться к внешней бизнес-экосистеме путем выполнения определенной последовательности действий:
Измерение хода исполнения производственно-хозяйственной деятельности (обычно такие измерения представлены в форме различных метрик или индикаторов, например, процент возвращающихся клиентов);
Вычленение из внешней бизнес-экосистемы важных для предприятия событий (например, законов или новых потребностей рынка);
Определение стратегии развития бизнеса предприятия;
Реализация принятых решений (путем внесения изменений в бизнес-систему предприятия).
В соответствии с классической рекомендацией Эдварда Деминга, автора многочисленных работ в области управления качеством, в том числе известной книги «Выход из кризиса», все усовершенствования должны проводиться циклично, непрерывно и с проверкой на каждом цикле. Степень и частота этих усовершенствований зависят от конкретной ситуации, но рекомендуется делать такие циклы достаточно компактными. Различные усовершенствования могут затрагивать различные аспекты работы предприятия. Вопрос в том, как предприятие может достигнуть наилучших результатов в каждом конкретном случае? Существуют две объективные предпосылки для оптимизации деятельности предприятия как единого целого:
Обеспечение руководства надлежащей информацией и инструментами для принятия решения;
Гарантия того, что бизнес-система предприятия способна к осуществлению необходимых изменений в необходимом темпе.
Наиболее современная концепция организации работы предприятия - процессное управление, при котором процессы и службы становятся явными.
Процессное управление
Мир бизнеса давно понял (см. такие методики, как TQM, BPR, Six Sigma, Lean, ISO 9000, и др.), что службы и процессы - это основа функционирования большинства предприятий. Множество предприятий используют процессное управление для организации своей производственно-хозяйственной деятельности, как портфолио бизнес-процессов и методов управления ими.
Процессное управление, как управленческая концепция, постулирует целесообразность координации деятельности отдельных служб предприятия с целью получения определенного результата при помощи явно и формально определенных бизнес-процессов. При этом службы - это операционно независимые функциональные единицы; у предприятия может быть много элементарных нанослужб, которые организованы в мегаслужбу (собственно предприятие).
Использование явного определения координации позволяет формализовать взаимозависимости между службами. Наличие такой формализации дает возможность использовать различные методы (моделирование, автоматизированная проверка, контроль за версиями, автоматизированное выполнение и т.д.) для улучшения понимания бизнеса (для принятия более правильных решений) и повышения скорости развития бизнес-систем (для более быстрой реализации изменений).
Кроме процессов и служб, бизнес-системы предприятий работают с событиями, правилами, данными, индикаторами работы, ролями, документами и т.д.
Для реализации процессного управления предприятия используют три популярные дисциплины постоянного усовершенствования бизнес-процессов: ISO 9000, Six Sigma и «бережливое», или «экономное», производство (Lean production). Они воздействуют на различные области бизнес-системы предприятия, однако всегда предусматривается сбор данных о фактически проделанной работе и использование некой модели бизнес-процессов для принятия решений (хотя иногда эта модель находится только в чьей-то голове). В то же самое время они предлагают различные и взаимодополняющие методы для того, чтобы определить, какие именно изменения необходимы для улучшения функционирования бизнес-системы предприятия.
Что моделируете, то и выполняете
На рис. 2 приведена обобщенная модель процессно-управляемого предприятия.
В чем основная трудность оптимизации деятельности такого предприятия? Различные части бизнес-системы используют разные описания одного и того же бизнес-процесса. Обычно эти описания существуют отдельно и разработаны разными людьми, обновляются различными темпами, не обмениваются информацией, а некоторых из них просто нет в явном виде. Наличие единого описания бизнес-процессов предприятия позволяет устранить этот недостаток. Это описание должно быть явно и формально определено, чтобы одновременно служить моделью для моделирования, исполняемой программой и документацией, легко понимаемой всеми вовлеченными в бизнес-процесс сотрудниками.
Такое описание - основа дисциплины BPM, позволяющей моделировать, автоматизировать, выполнять, контролировать, измерять и оптимизировать потоки работ, охватывающие программные системы, сотрудников, клиентов и партнеров в пределах и вне границ предприятия. Дисциплина BPM рассматривает все операции с бизнес-процессами (моделирование, исполнение и т.п.) как единое целое (рис. 3).
На данный момент в индустрии BPM еще не сложилась надлежащая система стандартов на форматы формального описания бизнес-процессов. Три наиболее популярных формата: BPMN (Business Process Modelling Notation , графическое представление моделей бизнес-процессов), BPEL (Business Process Execution Language , формализация исполнения взаимодействия между Web-сервисами) и XPDL (XML Process Description Language, www.wfmc.org, спецификация по обмену моделями бизнес-процессов между различными приложениями) были разработаны различными группами и для различных целей и, к сожалению, адекватно не взаимодополняют друг друга.
Ситуация усугубляется тем, что за различными форматами стоят различные производители и каждый старается «протолкнуть» на рынок свое решение. Как это неоднократно повторялось, в подобной борьбе интересы конечного потребителя мало принимаются во внимание - сегодня нет достаточно мощной организации, представляющей интересы конечного потребителя BPM (по аналогии с группой стандартов для HTML , успех которой объясняется принятием всеми разработчиками Web-браузеров единого теста ACID3 для сравнения своих продуктов). Идеальной ситуацией в BPM было бы стандартное определение семантики исполнения для BPMN-подобного описания бизнес-процессов. Именно стандартная семантика исполнения гарантировала бы одинаковую интерпретацию бизнес-процессов любым ПО. Дополнительно такое описание должно позволять адаптацию степени описания бизнес-процессов для нужд конкретного потребителя (например, пользователь видит грубую диаграмму, аналитик - более подробную и т.п.).
Все это не означает, что BPEL или XPDL станут ненужными - их использование будет скрыто, как это происходит в сфере подготовки электронных документов. Один и тот же электронный документ может одновременно существовать в XML, PDF, PostScript и т.п., но только один основной формат (XML) используется для модификации документа.
Дисциплина BPM в культуре предприятия
Кроме процессов и служб, бизнес-системы предприятия работают с такими дополнительными артефактами, как:
события (events) - явления, происшедшие в пределах и вне границ предприятия, на которые возможна некая реакция бизнес-системы, например, при получении заказа от клиента необходимо начать бизнес-процесс обслуживания;
объекты (data and documents objects) - формальные информационные описания реальных вещей и людей, образующих бизнес; это информация на входе и выходе бизнес-процесса, например, бизнес-процесс обслуживания заказа получает на входе собственно формуляр заказа и информацию о клиенте, а на выходе формирует отчет о выполнении заказа;
деятельности (activities) - мелкие работы, преобразующие объекты, например автоматические деятельности типа проверки кредитной карты клиента или деятельности, осуществляемые человеком, такие как визирование документа руководством;
правила (rules) - ограничения и условия, при которых функционирует предприятие, например, выдача кредита на определенную сумму должна утверждаться генеральным директором банка;
роли (roles) - понятия, представляющие соответствующие навыки или обязанности, требуемые для выполнения определенных действий, например, только менеджер высшего звена может подписать конкретный документ;
аудиторские следы (audit trails) - информация о выполнении конкретного бизнес-процесса, например, кто сделал, что и с каким результатом;
основные индикаторы производительности (Key Performance Indicator, KPI) - ограниченное число показателей, измеряющих степень достижения поставленных целей.
Рис. 4 иллюстрирует распределение артефактов между различными частями бизнес-системы предприятия. Выражение «процессы (как шаблоны)» означает абстрактные описания (модели или планы) процессов;
выражение «процессы (как экземпляры)» означает фактические результаты выполнения этих шаблонов. Обычно шаблон используется для создания многих экземпляров (подобно незаполненному бланку, который многократно копируется для заполнения разными людьми). Выражение «службы (как интерфейсы)» означает формальные описания служб, которые доступны для их потребителей; выражение «службы (как программы)» означает средства выполнения служб - такие средства обеспечиваются поставщиками служб.
Для успешной работы со всей сложной совокупностью взаимозависимых артефактов у любого процессно-управляемого предприятия есть своя собственная BPM-система - это портфолио всех бизнес-процессов предприятия, а также методов и инструментов для руководства разработкой, исполнения и развития этого портфолио. Другими словами, BPM-система предприятия ответственна за синергетическое функционирование различных частей бизнес-системы предприятия.
BPM-система, как правило, не идеальна (например, некоторые процессы могут существовать лишь на бумаге, а некоторые детали «живут» только в умах определенных людей), но она существует. Например, любую реализацию ISO 9000 можно рассматривать как пример BPM-системы.
Улучшение BPM-системы предприятия, помимо чисто технических аспектов, должно учитывать социо-технические вопросы. У BPM-системы предприятия есть много заинтересованных лиц, каждое из которых решает свои задачи, воспринимает BPM-дисциплину своим образом и работает со своими артефактами. Для успешного развития BPM-системы предприятия необходимо обратить особое внимание на проблемы всех заинтересованных лиц и заранее объяснить им, как улучшение BPM-системы предприятия изменит их работу к лучшему. Крайне важно достигнуть единого понимания всех артефактов среди всех заинтересованных лиц.
Специализированное ПО для реализации BPM-систем
Растущая популярность и большой потенциал BPM вызвали появление нового класса корпоративного ПО - BPM suite, или BPMS, содержащего следующие типичные компоненты (рис. 5):
Инструмент моделирования (Process modelling tool) - графическая программа для манипулирования такими артефактами, как события, правила, процессы, активности, службы и т.д.;
Инструмент тестирования (Process testing tool) - среда функционального тестирования, которое позволяет «исполнять» процесс по различным сценариям;
Хранилище шаблонов (Process template repository) - база данных шаблонов бизнес-процессов с поддержкой различных версий одного и того же шаблона;
Исполнитель процессов (Process execution engine);
Хранилище экземпляров (Process instance repository) - база данных для выполняемых и уже выполненных экземпляров бизнес-процессов;
Список работ (Work list) - интерфейс между BPM suite и пользователем, выполняющим некоторые активности в рамках одного или нескольких бизнес-процессов;
Приборная панель (Dashboard) - интерфейс оперативного контроля за исполнением бизнес-процессов;
Инструмент анализа (Process analysis tool) - среда для изучения тенденции исполнения бизнес-процессов;
Инструмент имитационного моделирования (Process simulation tool) - среда для тестирования производительности бизнес-процессов.
Необходимость взаимодействия между BPM suite и корпоративным ПО, которое поддерживает другие артефакты, вызвала появление нового класса корпоративного ПО - Business Process Platform (BPP). Типичные технологии BPP (рис. 6):
Business Event Management (BEM) - анализ бизнес-событий в режиме реального времени и запуск соответствующих бизнес-процессов (BEM связан с Complex Event Processing (CEP) и Event Driven Architecture (EDA));
Business Rules Management (BRM) - явное и формальное кодирование бизнес-правил, которые могут модифицироваться пользователями;
Master Data Management (MDM) - упрощение работы со структурированными данными за счет устранения хаоса при использовании одних и тех же данных;
Enterprise Content Management (ECM) - управление корпоративной информацией, предназначенной для человека (обобщение понятия документ);
Configuration Management Data Base (CMDB) - централизованное описание всей информационно-вычислительной среды предприятия, используемое для привязки BPM к информационно-вычислительным ресурсам предприятия;
Role-Based Access Control (RBAC) - управления доступом к информации с целью эффективного разделения контрольных и исполнительских полномочий (separation of duty);
Business Activity Monitoring (BAM) - оперативный контроль функционирования предприятия;
Business Intelligence (BI) - анализ характеристик и тенденций работы предприятия;
Service-Oriented Architecture (SOA) - архитектурный стиль для построения сложных программных систем в виде набора универсально доступных и взаимозависимых служб, который используется для реализации, выполнения и управления службами;
Enterprise Service Bus (ESB) - среда коммуникаций между службами в рамках SOA.
Таким образом, дисциплина BPM способна обеспечить единое, формальное и выполнимое описание бизнес-процессов, которое может использоваться в различных инструментах BPM suite, причем реальные данные собираются во время выполнения бизнес-процессов. Вместе с тем высокая гибкость BPM-системы предприятия не гарантируется автоматически после покупки BPM suite или BPP - способность конкретной BPM-системы развиться в необходимом темпе должна проектироваться, реализовываться и постоянно контролироваться. Как и здоровье человека, все это нельзя купить.
BPM в архитектуре предприятия
Необходимость вовлечения практически всего корпоративного ПО в единую логику улучшения BPM-системы предприятия поднимает вопрос о роли и месте BPM в архитектуре предприятия (Enterprise Architecture, EA). EA является на сегодня устоявшейся практикой ИТ-департаментов по упорядочению информационно-вычислительной среды предприятия. В основе EA лежат следующие правила:
Текущая ситуация с информационно-вычислительной средой предприятия тщательно документируется как исходная точка as-is;
Желаемая ситуация документируется как конечная точка to-be;
Строится и исполняется долгосрочный план по переводу информационно-вычислительной среды предприятия из одной точки в другую.
Все это, казалась бы, вполне разумно, но сразу видна разница с подходом, предусматривающим небольшие улучшения, который лежит в основе процессного управления. Как совместить эти два противоположных подхода?
Дисциплина BPM может решить основную проблему EA - дать объективную оценку производственно-хозяйственных возможностей (а не только информационно-вычислительных) того, что будет в точке to-be. Несмотря на то что EA описывает полную номенклатуру артефактов предприятия (его генотип), она не может достоверно сказать, какие изменения в этом генотипе влияют на конкретные производственно-хозяйственные характеристики предприятия, то есть на фенотип предприятия (cовокупность характеристик, присущих индивиду на определенной стадии развития).
Со своей стороны, дисциплина BPM структурирует взаимозависимости между артефактами в виде явных и исполняемых моделей (бизнес-процесс - это пример взаимозависимости между такими артефактами, как события, роли, правила и т.п.). Наличие таких исполняемых моделей позволяет с некоторой степенью достоверности оценить производственно-хозяйственные характеристики предприятия при изменении генотипа предприятия.
Естественно, чем больше взаимозависимостей между артефактами смоделировано и чем достовернее эти модели, тем точнее такие оценки. Потенциально симбиоз номенклатуры артефактов предприятия и формально определенных взаимозависимостей между ними дает исполняемую модель предприятия на конкретный момент времени. Если строить такие исполняемые модели на единых принципах (например, krislawrence.com), то появляется возможность для сравнения эффекта от применения различных стратегий развития предприятия и появления более систематических и предсказуемых технологий по преобразованию одних исполняемых моделей в другие.
В некотором смысле комбинация EA+BPM может стать своего рода навигатором, который обеспечивает руководство и практическую помощь в развитии бизнеса и ИТ при реализации генеральной линии предприятия.
Не секрет, что сегодня производители ПО определяют и развивают BPM по-разному. Однако, более перспективный путь развития BPM - это BPM, ориентированный на нужды конечных потребителей, и эталонная модель BPM - первый шаг по созданию единого понимания BPM среди всех заинтересованных лиц.
Предлагаемая в статье эталонная модель основана на практическом опыте автора по проектированию, разработке и сопровождению различных корпоративных решений. В частности, эта модель использовалась для автоматизации ежегодного производства более 3 тыс. сложных электронных продуктов со средним временем подготовки продукта в несколько лет. В результате обслуживание и развитие этой производственной системы потребовали в несколько раз меньше ресурсов, чем при традиционном подходе. n
Александр Самарин ([email protected]) - корпоративный архитектор ИТ-департамента правительства кантона Женева (Швейцария).
Process Frameworks для BPM
Подход к реализации технологий управления бизнес-процессами, упрощающий внедрение BPM-систем, подразумевает четкое определение бизнес-задачи и соответствующих ей бизнес-процессов; реализацию этих процессов за срок не более трех месяцев с целью демонстрации ценности данного подхода; дальнейшее расширение реализации на основные бизнес-задачи. Однако главная трудность на этом пути - недопонимание и отсутствие согласованности между бизнес- и ИТ-подразделениями. Значительно упростить проект внедрения и сократить затраты позволяют специализированные референсные модели (Process Frameworks).
Референсная модель - пакет аналитических и программных ресурсов, состоящий из описания и рекомендаций по организации высокоуровневой структуры бизнес-процесса, набора атрибутов и метрик оценки эффективности выполнения, а также программных модулей, созданных для быстрого построения прототипа бизнес-процесса для последующей его адаптации под специфику конкретной компании.
Референсные модели помогают в определении и установке требований и позволяют наладить бизнес-процессы, они основаны на отраслевых стандартах и включают в себя отраслевой опыт. Для типовых процессов референсные модели способны помочь при выборе и моделировании основных последовательностей работы, определении ключевых показателей эффективности (КPI) и параметров, позволяющих оценить результативность в ключевых областях, а также при управлении деятельностью и решением задач, анализе исходных причин и обработке исключительных случаев.
В структуру типичной референсной модели входят: рекомендации и описание предметной области; элементы композитных пользовательский интерфейсов (экранные формы и логически связные в цепочки портлеты); оболочки сервисов для быстрой реализации доступа к бизнес данным; примеры типовых бизнес-правил; ключевые показатели эффективности и элементы для их анализа; исполняемые модели процессов; модели данных и атрибуты процесса; адаптации к законодательной базе и специфике бизнеса в конкретной стране; рекомендации по этапам развертывания и реализации процессов. Такой набор ресурсов позволят быстрее адаптироваться к реализации процессного подхода в рамках конкретной системы управления бизнес-процессами, сократить время итераций цикла разработки, тестового исполнения и анализа процессов. При этом достигается максимальное соответствие технической реализации и существующей бизнес-задачи.
Однако, как отмечают аналитики AMR Research, «технологии и методы сами по себе не способны обеспечить каких-либо преимуществ - «больше» не всегда значит «лучше». Некоторые компании применяют множество различных решений, однако эффективность от этого только падает. Важна грамотность применения таких технологий». В референсных моделях в качестве основы используются принятые в отрасли стандарты и опыт компании Software AG по созданию эталонной модели для определения требований клиентов. На практике эта модель становится отправной точкой, с помощью которой клиенты могут создать нужную модель.
Process Framework, например, для бизнес-процесса обработки заказов, включает в себя базовую модель процесса со схемами действий для различных пользователей и ролей, избранные KPI из модели SCOR (The Supply-Chain Operations Reference-model) для процесса в целом и отдельных этапов, правила поддержки разных последовательностей обработки, например с учетом сегмента клиентов, целевые показатели для различных сегментов клиентов, типов продукции и регионов, а также панели индикации, помогающие контролировать особые ситуации.
Process Framework позволяет акцентировать внимание на необходимости и возможности коррекции KPI для конкретных групп клиентов и их конфигурирования с учетом появления новых товаров, выхода на новые регионы или сегменты рынка. Подобная информация позволит руководителям, отвечающим за цепочки поставок, торговые операции, логистику и производство, улучшить контроль над конкретной деятельностью, а руководителям ИТ-отделов быстро оценить реальную работоспособность ИТ-систем, поддерживающих обработку заказов.
Владимир Аленцев ([email protected]) - консультант по BPM и SOA , представительство Software AG в России и СНГ (Москва).
Эталонная модель
Эталонная модель (англ. reference model , master model ) - это абстрактное представление понятий и отношений между ними в некоторой проблемной области. На основе эталонной строятся более конкретные и детально описанные модели, в итоге воплощённые в реально существующие объекты и механизмы. Понятие эталонной модели используется в информатике .
Примеры Эталонных моделей
- Сетевая модель OSI (Open Systems Interconnection Reference Model),
- модель Открытого геопространственного консорциума (англ.) ,
- архитектура фон Неймана - модель эталонной модели с последовательными вычислениями,
- эталонная модель Архитектуры государственного предприятия (англ.) ,
- Эталонная Информационная Модель HL7 (Reference Information Model, RIM HL7),
- Эталонная Модель (Reference Model, RM) openEHR .
Wikimedia Foundation . 2010 .
Смотреть что такое "Эталонная модель" в других словарях:
эталонная модель - иерархическая модель — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом Синонимы иерархическая модель EN reference model …
эталонная модель - etaloninis modelis statusas T sritis automatika atitikmenys: angl. master model; reference model vok. Referenzmodell, n rus. эталонная модель, f pranc. modèle de référence, m; modèle standard, m … Automatikos terminų žodynas
эталонная модель - 3.1.41 эталонная модель (reference model): Структурированный комплект взаимосвязанных представлений об объекте (например информационной системе), охватывающий данный объект в целом, упрощающий разбиение связей по тематике, который может быть… … Словарь-справочник терминов нормативно-технической документации
эталонная модель ВОС - Модель взаимодействия открытых систем, разработанная ISO в 1984 г. Позволяет универсальным образом описать логику информационного обмена между взаимосвязанными системами и абонентами. Полная модель содержит семь уровней. На самом нижнем… … Справочник технического переводчика
эталонная модель ISO/OSI - Семиуровневая эталонная модель протоколов передачи данных. Определяет уровни: физический, канальный, сетевой, транспортный, сеансовый, представительский и прикладной. В CAN сетях обычно реализуются только физический, канальный и прикладной уровни … Справочник технического переводчика
эталонная модель протоколов широкополосной ISDN-сети - Модель включает четыре горизонтальных уровня (физический, ATM, адаптации ATM и верхние уровни) и три вертикальных плоскости (пользователя, управления и администрирования). Соответствие между моделями В ISDN и OSI обеспечивается на физическом… … Справочник технического переводчика
эталонная модель BOC - ЭМВОС Модель, разработанная МОС, содержащая семь уровней (слоев) протоколов и предназначенная для коммуникации между устройствами в сети. [Е.С.Алексеев, А.А.Мячев. Англо русский толковый словарь по системотехнике ЭВМ. Москва 1993] Тематики… … Справочник технического переводчика
эталонная модель взаимодействия открытых систем - — Тематики электросвязь, основные понятия EN ISO/OSI reference model … Справочник технического переводчика
эталонная модель протокола - — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом EN protocol reference modulePRM … Справочник технического переводчика
эталонная модель соединения открытых систем - — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом EN reference model of open systems … Справочник технического переводчика
Книги
- Компьютерные сети. В 2 томах. Том 1. Системы передачи данных , Р. Л. Смелянский. Приведены теоретические основы систем передачи данных, характеристики основных видов физических сред, способы кодирования и передачи аналоговых и цифровых данных, основы организации…
Классификация моделей
Проблема классификации моделей, как и любых достаточно сложных явлений и процессов, сложна и многогранна. Объективная причина этого состоит в том, что исследователя интересует лишь какое-то одно свойство (или несколько свойств) системы (объекта, процесса, явления), для отображения которого и создана модель. Поэтому в основу классификации можно положить множество различных классификационных признаков: способ описания, функциональное назначение, степень детализации, структурные свойства, область применения и т.д.
Рассмотрим некоторые наиболее часто используемые классы (виды) моделей (табл.1.4.1).
Таблица 1.4.1
| Признак классификации | Виды моделей |
| Сущность модели | - материальные (физические) - идеальные (воображаемые) - информационные (теоретические, абстрактные) |
| Характеристика объекта моделирования | - модель внешнего вида - модель структуры - модель поведения |
| Степень формализации | - неформализованные - частично формализованные - формализованные |
| Назначение модели | - исследовательские: . дескрипторные. когнитивные. концептуальные. формальные - учебные - рабочие: . оптимизационные. управленческие |
| Роль в управлении объектом моделирования | - регистрирующие - эталонные - прогностические - имитационные - оптимизационные |
| Фактор времени | - статические - динамические |
Материальные (физические, реальные) модели – модели, построенные средствами материального мира для отражения его объектов, процессов.
Идеальные (воображаемые) модели – модели, построенные средствами мышления на базе нашего сознания.
Информационные (абстрактные, теоретические) модели – модели, построенные на одном из языков (знаковых систем) кодирования информации.
Материальные модели представляют собой реальные, вещественные конструкции, служащие для замены оригинала в определенном отношении. Основным требованием к построению данного класса моделей является тре-бование сходства (подобия, аналогии) между моделью и оригиналом. Различают несколько типов подобия – геометрическое, физическое, аналогию и др.
Геометрическое подобие является основным требованием к построению геометрических моделей, которые представляют собой объект, геометрически подобный своему прототипу и служащий для демонстрационных целей. Две геометрические фигуры подобны, если отношение всех соответствующих длин и углов одинаковы. Если известен коэффициент подобия – масштаб, то простым умножением размеров одной фигуры на величину масштаба определяются размеры другой фигуры. В общем случае такая модель демонстрирует принцип действия, взаимное расположение частей, процесс сборки и разборки, компоновку объекта и предназначена для изучения свойств, которые инвариантны (независимы) от абсолютных величин линейных размеров объекта. Примерами геометрических моделей являются: макеты машин, манекены, скульптуры, протезы, глобусы и т.д. Они изображают прототип не во всем многообразии его свойств, не в любых качественных границах, а в границах чисто пространственных. Здесь имеет место сходство (подобие) не вообще между вещами, а между особыми типами вещей – телами. В этом ограниченность данного класса моделей. Отметим, что здесь реализуется прямое подобие.
Физическое подобие относится к модели и оригиналу одинаковой физической природы и отражает их сходство в одинаковости отношений одноименных физических переменных в соответствующих пространственно-временных точках. Два явления физически подобны, если по заданным характеристикам одного можно получить характеристики другого простым пересчетом, который аналогичен переходу от одной системы единиц измерения к другой. Геометрическое подобие является частным случаем физического подобия. При физическом подобии модель и оригинал могут находиться в более сложных геометрических отношениях, чем линейная пропорциональность, так как физические свойства оригинала не пропорциональны его геометрическим размерам. Здесь важно, чтобы пространство физических переменных модели было подобно пространству физических переменных оригинала. При этом физическая модель по отношению к оригиналу является аналогией типа изоморфизма (взаимно однозначного соответствия). Центральной проблемой является проблема корректного пересчета результатов модельного эксперимента на результаты испытания оригинала в реальных условиях. Сходство основано на соблюдении некоторых физических критериев.
Идеальные (воображаемые) модели – это идеальные конструкции в нашем сознании в виде образов или представлений о тех или иных физических явлениях, процессах, объектах, системах (геометрическая точка, бесконечность и т.д.).
Абстрактные (теоретические, информационные) модели – модели, представляющие объекты моделирования в образной или знаковой форме.
Примерами абстрактных моделей могут служить какая-либо гипотеза 1 о свойствах материи, предположения о поведении сложной системы в условиях неопределенности или новая теория о строении сложных систем.
На абстрактных моделях и на умозрительной аналогии (сходстве) между моделью М и оригиналом S строится абстрактное (теоретическое) моде-лирование.
Ярким представителем абстрактного и знакового моделирования является математическая модель.
Математическая модель – это совокупность математических формул, уравнений, соотношений, описывающая интересующие исследователя свойства объекта моделирования.
Для исследования каждого аспекта моделирования (вид, структура, поведение) или их комбинации могут использоваться соответствующие модели: модели внешнего вида , модели структуры , модели поведения .
Модель внешнего вида чаще всего сводится к перечислению внешних признаков объекта моделирования и предназначена для идентификации (распознавания) объекта.
Модель структуры представляет собой перечень составных элементов объекта моделирования с указанием связей между этими элементами и предназначена для наглядного отображения, изучения свойств, выявления значимых связей, исследования стабильности объекта моделирования.
Модель поведения представляет собой описание изменений внешнего вида и структуры объекта моделирования с течением времени и в результате взаимодействия с другими объектами. Назначение моделей поведения – прогнозирование будущих состояний объекта моделирования, управление объектов, установление связей с другими объектами, внешними по отношению к объекту моделирования.
Объективно уровни наших представлений, уровни наших знаний о различных явлениях, процессах, системах различны. Это отражается в способах представления рассматриваемых явлений.
К неформализованным моделям можно отнести отображения (образы), полученные с использованием различных форм мышления: эмоции, интуиции, образного мышления, подсознания, эвристики как совокупности логических приемов и правил отыскания истины. При неформализованном моделировании модель не формулируется, а вместо нее используется некоторое нечеткое мысленное отражение (образ) реальности, служащее основой для принятия решения.
Примером неопределенных (интуитивных) представлений об объекте может служить нечеткое описание ситуации, основанное на опыте и на ин-туиции.
К формализованным моделям можно отнести образные модели, когда модели строятся из каких-либо наглядных элементов (упругие шары, потоки жидкости, траектории движения тел и т.д.).
К формализуемым абстрактным моделям относятся знаковые модели, в том числе математические конструкции, языки программирования, естест-венные языки вместе с правилами их преобразования и интерпретации.
По своему назначению модели призваны решать множество задач:
исследовательские (дескрипторные, когнитивные, концептуальные, формальные) модели предназначены для генерации знаний путем изучения свойств объекта;
учебные модели предназначены для передачи знаний об изучаемом объекте;
рабочие (оптимизационные, управленческие) модели предназначены для генерации правильных действий в процессе достижения цели.
К исследовательским моделям относятся полунатурные стенды, физические модели, математические модели. Отметим, что исследова-тельские модели могут выступать в качестве учебных, если они пред-назначены для передачи знаний о свойствах объекта. Примерами рабочих моделей могут служить: робот; автопилот; математическая модель объекта, встроенная в систему управления или контроля; искусственное сердце и т.д. При этом исследовательские и учебные модели должны приближаться к реальности, а рабочие модели должны отражать эту реальность. Четкой границы между этими моделями не существует. Так, например, исследовательская модель, адекватно отражающая свойства объекта, может быть использована в качестве рабочей.
Исследовательские модели являются носителями новых знаний, учебные модели соединяют старые знания с новыми.
Рабочие модели идеализируют накопленные знания в форме идеальных действий по выполнению тех или иных функций, которые желательно было бы осуществить.
Дескрипторные модели – описательные модели, предназначены для установления законов изменения параметров этих процессов и являются реализациями описательных и объяснительных содержательных моделей на формальном уровне моделирования.
В качестве примера такой модели можно привести модель движения материальной точки под действием приложенных сил, использующую второй закон Ньютона. Задавая положение и скорость точки в начальный момент времени (входные величины), массу точки (параметр модели) и закон изменения прикладываемых сил (внешние воздействия), можно определить скорость и координаты точки в любой последующий момент времени (выходные величины).
Когнитивные (мысленные, познавательные) модели – модели, представляющие собой некий мысленный образ объекта, его идеальная модель в голове исследователя, полученная в результате наблюдения за объектом-оригиналом.
Формируя такую модель, исследователь, как правило, стремится ответить на конкретные вопросы, поэтому от бесконечно сложного устройства объекта отсекается все ненужное с целью получения его более компактного и лаконичного описания.
Когнитивные модели субъективны, так как формируются умозрительно на основе всех предыдущих знаний и опыта исследователя. Получить представление о когнитивной модели можно только описав ее в знаковой форме. Представление когнитивной модели на естественном языке на-зывается содержательной моделью .
Когнитивные и содержательные модели не эквивалентны, поскольку первые могут содержать элементы, которые исследователь не сможет или не хочет сформулировать.
Концептуальной моделью принято называть содержательную модель, при формулировке которой используются понятия и представления предметных областей знания, занимающихся изучением объекта моделирования.
В более широком смысле под концептуальной моделью понимают содержательную модель, базирующуюся на определенной концепции или точке зрения.
Формальная модель является представлением концептуальной модели с помощью одного или нескольких формальных языков (например, языков математических теорий, универсального языка моделирования или алгоритмических языков).
В гуманитарных науках процесс моделирования во многих случаях заканчивается созданием концептуальной модели объекта.
В естественно-научных и технических дисциплинах, как правило, удается построить формальную модель.
Таким образом, когнитивные, содержательные и формальные модели составляют три взаимосвязанных уровня моделирования.
Оптимизационные модели – модели, предназначенные для определения оптимальных (наилучших) с точки зрения некоторого критерия параметров моделируемого объекта или же для поиска оптимального (наилучшего) режима управления некоторым процессом.
Как правило, такие модели строятся с использованием одной или нескольких дескриптивных моделей и включают некоторый критерий, позволяющий сравнивать различные варианты наборов значений выходных величин между собой с целью выбора наилучшего. На область значений входных параметров могут быть наложены ограничения в виде равенств и неравенств, связанные с особенностями рассматриваемого объекта или процесса.
Примером оптимизационной модели может служить моделирование процесса запуска ракеты с поверхности Земли с целью подъема ее на заданную высоту за минимальное время при ограничениях на величину импульса двигателя, время его работы, начальную и конечную массу ракеты. Математические соотношения дескриптивной модели движения ракеты выступают в данном случае в виде ограничений типа равенств.
Отметим, что для большинства реальных процессов, конструкций требуется определение оптимальных параметров сразу по нескольким критериям, т.е. мы имеем дело с так называемыми многокритериальными задачами оптимизации.
Управленческие модели – модели, используемые для принятия эффективных управленческих решений в различных областях целенаправленной деятельности человека.
В общем случае принятие решений является процессом, по своей сложности сравнимым с процессом мышления в целом. Однако на практике под принятием решений обычно понимается выбор некоторых альтернатив из заданного их множества, а общий процесс принятия решений представляется как последовательность таких выборов альтернатив.
В отличие от оптимизационных моделей, где критерий выбора считается определенным и искомое решение устанавливается из условий его экстремальности, в управленческих моделях необходимо введение специфических критериев оптимальности, которые позволяют сравнивать альтернативы при различных неопределенностях задачи. Вид критерия оптимальности в управленческих моделях заранее не фиксируется. Именно в этом состоит основная особенность данных моделей.
Регистрирующие модели представляют собой модели, предназначенные для регистрации интересующих исследователя свойств и качеств, недоступных для непосредственной регистрации на объекте моделирования.
При решении задач управления сложными динамическими объектами используются эталонные и прогностические модели, которые представляют собой формализованное отображение желаемых характеристик объекта управления для целей текущего или будущего управления объектом.
Эталонная модель – это модель, описывающая в той или иной форме желаемые (идеализированные) свойства объекта моделирования (управления).
Прогностические модели – модели, предназначенные для определения будущих состояний (будущего поведения) объекта моделирования.
Имитационные модели – это совокупность описания элементов системы, взаимосвязей элементов друг с другом, внешних воздействий, алгоритмов функционирования системы (или правил изменения состояний) под влиянием внешних и внутренних возмущений.
Имитационные модели создаются и используются тогда, когда создание единой модели сложной системы невозможно или сопряжено с очень большими трудностями, имеющиеся математические методы не позволяют получить удовлетворительных аналитических или численных решений рассматриваемых задач. Но наличие описаний элементов и алгоритмов функционирования позволяет имитировать процесс функционирования системы и производить измерения интересующих характеристик.
Можно также отметить, что имитационные модели могут быть созданы для гораздо более широкого класса объектов и процессов, чем аналитические и численные модели. Кроме того, поскольку для реализации используются, как правило, вычислительные средства (компьютеры и другие средства) средствами формализованного описания имитационных моделей служат универсальные или специальные алгоритмические языки.
Имитационное моделирование при изучении больших (сложных) систем
остается практически единственно доступным методом получения информации о поведении системы в условиях неопределенности, что особенно важно на этапе ее проектирования. Данным методом можно выбирать структуру, параметры и алгоритмы управления синтезируемой системы, оценивать их эффективность, а также имитировать поведение системы в условиях, которые невозможно воспроизвести на реальном прототипе (например, аварии, отказы, чрезвычайные ситуации и т.д.). Когда при имитационном моделировании изучают поведение системы при действии случайных факторов с последующей статистической обработкой инфор-мации, то целесообразно в качестве метода машинной реализации имитационной модели использовать метод статического моделирования. При этом метод статистических испытаний (метод Монте-Карло) рассматривается как численный метод решения аналитических задач.
Особый класс моделей составляют кибернетические модели, которые отражают управленческие аспекты поведения сложных систем на основе информационного обмена между ее элементами. Сама физическая природа кибернетических моделей отличается от физической природы прототипа и ее элементов. Особенностью кибернетических моделей является возможное наличие в них, кроме механизма управления, также и механизмов самоорганизации, обучения, адаптации и т.д., а в более сложных системах – и искусственного интеллекта.
Учет фактора времени при моделировании приводит использованию статических и динамических моделей.
Статические модели отражают установившиеся (равновесные) режимы работы системы;
Статические режимы работы элементов, объектов, систем отражены в их статических характеристиках (линейных, нелинейных) и описываются соответствующими алгебраическими функциональными зависимостями.
Динамические модели отражают неустановившиеся (неравновесные, переходные) режимы работы системы.
Для описания неравновесных (переходных) режимов работы системы чаще всего используются дифференциальные уравнения или системы дифференциальных уравнений.
Рассмотрим некоторые свойства моделей, которые позволяют в той или иной степени либо различать, либо отождествлять модель с оригиналом (объектом, процессом). Принято выделять следующие свойства моделей: адекватность, сложность, конечность, истинность, приближенность.
Адекватность. Под адекватностью модели принято понимать правильное качественное и количественное описание объекта (процесса) по выбранному множеству характеристик с некоторой разумной степенью точности.
Адекватность является важнейшим требованием к модели, она требует соответствия модели ее реальному объекту (процессу, системе и т.д.) относительно выбранного множества его свойств и характеристик. При этом имеется в виду адекватность не вообще, а адекватность по тем свойствам модели, которые являются для исследователя существенными. Полная адекватность означает тождество между моделью и прототипом.
Математическая модель может быть адекватна относительно одного класса ситуаций (состояние системы + состояние внешней среды) и не адекватна относительно другого. Применение неадекватной модели может привести либо к существенному искажению реального процесса или свойств (характеристик) изучаемого объекта, либо к изучению несуществующих явлений, свойств и характеристик.
Можно ввести понятие степени адекватности, которая будет меняться от 0 (отсутствие адекватности) до 1 (полная адекватность). Степень адекватности характеризует долю истинности модели относительно выбранной характеристики (свойства) изучаемого объекта. Отметим, что в некоторых простых ситуациях численная оценка степени адекватности не представляет особой трудности. Трудность оценки степени адекватности в общем случае возникает из-за неоднозначности и нечеткости самих критериев адекватности, а также из-за трудности выбора тех признаков, свойств и характеристик, по которым оценивается адекватность.
Понятие адекватности является рациональным понятием, поэтому повышение ее степени также следует осуществлять на рациональном уровне. Адекватность модели должна проверяться, контролироваться, уточняться постоянно в процессе исследования на частных примерах, аналогиях, экспериментах и т.д. В результате проверки адекватности выясняют, к чему приводят сделанные допущения: то ли к допустимой потере точности, то ли к потере качества. При проверке адекватности также можно обосновать законность применения принятых рабочих гипотез при решении рассматриваемой задачи или проблемы.
Простота и сложность. Одновременное требование простоты и адекватности модели является противоречивым. С точки зрения адекватности сложные модели являются предпочтительнее простых. В сложных моделях можно учесть большее число факторов, влияющих на изучаемые характеристики объектов. Хотя сложные модели и более точно отражают моделируемые свойства оригинала, но они более громоздки, труднообозримы и неудобны в обращении. Поэтому исследователь стремится к упрощению модели, так как простыми моделями легче оперировать. При стремлении к построению простой модели должен соблюдаться основной принцип упрощения модели:
упрощать модель можно до тех пор, пока сохраняются основные свойства, характеристики и закономерности, присущие оригиналу.
Этот принцип указывает на предел упрощения.
При этом понятие простоты (или сложности) модели является понятием относительным. Модель считается достаточно простой, если современные средства исследования (математические, информационные, физические) дают возможность провести качественный и количественный анализ с требуемой точностью. А поскольку возможности средств исследований непрерывно растут, то те задачи, которые раньше считались сложными, теперь могут быть отнесены к категории простых.
Более трудной задачей является обеспечение простоты/сложности модели сложной системы, состоящей из отдельных подсистем, соединенных друг с другом в некоторую иерархическую и многосвязную структуру. При этом каждая подсистема и каждый уровень имеют свои локальные критерии сложности и адекватности, отличные от глобальных критериев системы.
С целью меньшей потери адекватности упрощение моделей целесообразнее проводить:
1) на физическом уровне с сохранением основных физических соотношений,
2) на структурном уровне с сохранением основных системных свойств.
Упрощение же моделей на математическом уровне может привести к существенной потере степени адекватности. Например, усечение характерис-тического уравнения высокого порядка до 2 – 3-го порядка может привести к совершенно неверным выводам о динамических свойствах системы.
Заметим, что более простые модели используются при решении задачи синтеза, а более сложные точные модели – при решении задачи анализа.
Конечность моделей. Известно, что мир бесконечен, как любой объект, не только в пространстве и во времени, но и в своей структуре (строении), свойствах, отношениях с другими объектами. Бесконечность проявляется в иерархическом строении систем различной физической природы. Однако при изучении объекта исследователь ограничивается конечным количеством его свойств, связей, используемых ресурсов и т.д. Он как бы «вырезает» из бесконечного мира некоторый конечный фрагмент в виде конкретного объекта, системы, процесса и т.д. и пытается познать бесконечный мир через конечную модель этого фрагмента.
Конечность моделей систем заключается, во-первых, в том, что они отображают оригинал в конечном числе отношений, т.е. с конечным числом связей с другими объектами, с конечной структурой и конечным количеством свойств на данном уровне изучения, исследования, описания, располагаемых ресурсов. Во-вторых, в том, что ресурсы (информационные, финансовые, энергетические, временные, технические и т.д.) моделирования и наши знания как интеллектуальные ресурсы конечны, а потому объективно ограничивают возможности моделирования и сам процесс познания мира через модели. Поэтому исследователь (за редким исключением) имеет дело с конечномерными моделями.
Выбор размерности модели (ее степени свободы, переменных состояния) тесно связан с классом решаемых задач. Увеличение размерности модели связано с проблемами сложности и адекватности. При этом необходимо знать, какова функциональная зависимость между степенью сложности и размерностью модели. Если эта зависимость степенная, то проблема может быть решена за счет применения вычислительных систем. Если же эта зависимость экспоненциальная, то «проклятие размерности» (Р. Калман 1) неизбежно и избавиться от него практически не удается.
Как отмечалось выше, увеличение размерности модели приводит к повышению степени адекватности и одновременно к усложнению модели. При этом степень сложности ограничена возможностью оперирования с моделью, т.е. теми средствами моделирования, которыми располагает исследователь. Необходимость перехода от грубой простой модели к более точной реализуется за счет увеличения размерности модели путем привлечения новых переменных, качественно отличающихся от основных и которыми пренебрегли при построении грубой модели. Эти переменные мо-гут быть отнесены к одному из следующих трех классов:
1) быстропротекающие переменные, протяженность которых во времени или в пространстве столь мала, что при грубом рассмотрении они принимались во внимание своими интегральными или осредненными характеристиками;
2) медленнопротекающие переменные, протяженность изменения которых столь велика, что в грубых моделях они считались постоянными;
3) малые переменные (малые параметры), значения и влияния которых на основные характеристики системы столь малы, что в грубых моделях они игнорировались.
Отметим, что разделение сложного движения системы по скорости на быстропротекающее и медленнопротекающее движения дает возможность изучать их в грубом приближении независимо друг от друга, что упрощает решение исходной задачи. Что касается малых переменных, то ими пренебрегают обычно при решении задачи синтеза, но стараются учесть их влияние на свойства системы при решении задачи анализа.
При моделировании стремятся по возможности выделить небольшое число основных факторов, влияние которых одного порядка и не слишком сложно описывается математически, а влияние других факторов оказывается возможным учесть с помощью осредненных, интегральных или "замороженных" характеристик.
Приближенность моделей. Из изложенного выше следует, что конечность и простота (упрощенность) модели характеризуют качественное различие (на структурном уровне) между оригиналом и моделью. Тогда приближенность модели будет характеризовать количественную сторону этого различия.
Можно ввести количественную меру приближенности путем сравнения, например, грубой модели с более точной эталонной (полной, идеальной) мо-делью или с реальной моделью. Приближенность модели к оригиналу неизбежна , существует объективно, так как модель как другой объект отражает лишь отдельные свойства оригинала. Поэтому степень приближенности (близости, точности) модели к оригиналу определяется постановкой задачи, целью моделирования.
Чрезмерное стремление к повышенной точности модели приводит к ее значительному усложнению, и, следовательно, к снижению ее практической ценности. Поэтому, видимо, справедлив принцип Л. Заде 1 о том, что при моделировании сложных (человеко-машинных, организационных) систем точность и практический смысл несовместимы и исключают друг друга. Причина противоречивости и несовместимости требований точности и практичности модели кроется в неопределенности и нечеткости знаний о самом оригинале – его поведении, его свойствах и характеристиках, о по-ведении окружающей среды, о механизмах формирования цели, путей и средствах ее достижения и т.д.
Истинность моделей. В каждой модели есть доля истины, т.е. любая модель в чем-то правильно отражает оригинал. Степень истинности модели выявляется только при практическом сравнении её с оригиналом, ибо только
практика является критерием истинности.
С одной стороны, в любой модели содержится безусловно истинное, т.е. определенно известное и правильное. С другой стороны, в модели содержится и условно истинное, т.е. верное лишь при определенных условиях. Типовая ошибка при моделировании заключается в том, что исследователи применяют те или иные модели без проверки условий их истинности , границ их применимости. Такой подход приводит заведомо к получению неверных результатов.
Отметим, что в любой модели также содержится предположительно-истинное (правдоподобное), т.е. нечто, могущее быть в условиях неопределенности либо верным, либо ложным. Только на практике устанавливается фактическое соотношение между истинным и ложным в конкретных условиях. Таким образом, при анализе уровня истинности модели необходимо выяснить:
1) точные, достоверные знания;
2) знания, достоверные при определенных условиях;
3) знания, оцениваемые с некоторой степенью неопределенности;
4) знания, не поддающиеся оценке даже с некоторой степенью неопределенности;
5) незнания, т.е. то, что неизвестно.
Таким образом, оценка истинности модели как формы знаний сводится к выявлению содержания в ней как объективных достоверных знаний, правильно отображающих оригинал, так и знаний, приближенно оценива-ющих оригинал, а также то, что составляет незнание.
Идея управления по эталонной модели, предложенная в 1961 г. , может быть реализована при небольшой модификации схемы на рис. 11.27. Эта идея оказала большое влияние на работы по системам управления. Суть ее состоит в том, чтобы построить, синтезировать или адаптировать систему, общая импульсная характеристика которой наилучшим образом соответствует характеристике эталонной модели или характеристике некоторой идеальной модели.
Предположим, например, что динамические характеристики управления самолетом существенно отличаются для скоростей до звукового барьера и сверхзвуковых. Чтобы предоставить пилоту возможность адекватно управлять самолетом независимо от его скорости, вводится автопилот, который принимает сигналы управления пилота и приводит в действие управляющие сервомеханизмы. Реакция самолета на сигналы управления пилота соответствует реакции некоторой эталонной модели, которая выбирается разработчиком системы так, чтобы снабдить самолет «чувством руля», удобным для пилотов. Многие физические системы синтезируются так, что их характеристики подобны характеристикам моделей, и многие из этих систем являются адаптивными.
Реализовать описанный подход нетрудно, видоизменив схемы на рис. 11.11 или 11.27. Для этого нужно просто заменить обратную модель с задержкой на эталонную. Тогда общая характеристика системы скорее будет подобна характеристике эталонной модели, чем просто задержанному скачку. Такая модификация схемы приведена на рис. 11.28.
В системах на рис. 11.11 и 11.27 задержка введена для обеспечения возможности точного обратного моделирования, соответствующего низкому уровню СКО ей. При наличии задержки можно получить хотя и задержанный, но более точный отклик. Как отмечено выше, введение задержки необходимо в тех случаях, когда имеется задержка реакции в управляемой системе или эта система не является минимально-фазовой. При замене задержки на эталонную модель в случаях, когда задержка нужна для точного обратного моделирования, как правило, ее необходимо вводить и в эталонную модель.
Рис. 11.28. Управление с адаптивной обратной моделью, аналогичное рис. 11.27, но с включением эталонной модели
При этом нужно формировать такую характеристику эталонной модели, которую можно реализовать при последовательном включении управляемой системы и адаптивного фильтра, если весовые коэффициенты этого фильтра соответствуют минимальной СКО. Схема на рис. 11.28 хорошо функционирует тогда, когда для адаптивной системы задаются гибкие условия. Не следует, однако, считать, что эта схема менее инерционна или имеет более точный отклик, чем это возможно для управляемой системы и ее адаптивного устройства управления с конечной импульсной характеристикой.
Для примера адаптивной системы управления с применением обратного моделирования по эталонной модели рассмотрим следующую реализацию схемы на рис. 11.28:
эталонная модель: весовых коэффициентов в модели весовых коэффициентов в устройстве управления итераций адаптивного процесса. На рис. 11.29 показан отклик на единичный скачок нескомпенсированной управляемой модели, а на рис. 11.30 - отклик скомпенсированной системы, наложенный на отклик эталонной системы. Очевидно, что получено очень близкое приближение.