X Международная студенческая научная конференция Студенческий научный форум - 2018

Сложность современных объектов проявляется в таких аспектах, как сложность функционирования, сложность управления, сложность оценивания состояния и сложность моделирования. Фундаментальный закон Эшби гласит – сложность можно победить только равной или большей сложностью. Поскольку мозг человека превосходит любые суперкомпьютеры в решениях задач, связанных с обработкой нечеткой или неточной информации, то использование экспертных знаний в различных областях знаний следует рассматривать как мощное средство управления сложностью (complexity management).

К настоящему времени разработан метод построения логико-лингвистических моделей на базе экспертных знаний [1], который применяется и в сельскохозяйственных науках [2,3].

Анализ обширной научно-технической литературы по сельхознаукам свидетельствует, что практически все промышленно-технологические производства отрасли можно отнести к сложным объектам (СлО), но применение классических методов математики к таким объектам не находит широкого применения, т.к. одними из главных признаков СлО являются нечеткость, недостоверность, неопределенность. Именно поэтому многие задачи сельскохозяйственного производства решаются на основании знаний и опыта квалифицированных специалистов, которых и принимают в качестве экспертов.

Фундаментом построения логико-лингвистических моделей выступают теория нечетких множеств и теория планирования экспериментов [1], позволяющим представлять экспертные знания в аналитическом виде. При этом по составляющей теории нечетких множеств переменные переводятся в лингвистический вид, а по составляющей теории планирования экспериментов – получают полиномиальные модели.

Так, в работе [2] рассмотрено функциональное обеспечение трехуровневой экспертной системы прогнозирования сохранности биопотенциала трав при их консервации. При этом получены логико-лингвистические модели 1-го (1) и второго иерархических (2) уровней в факторных пространствах, представленных на рис.1.

Рис.1. Схема трехуровневой экспертной системы

Уровень 1.

Y = 11,63 + 3,56x1 + 1,31x2 + 2,81x3 + 2,06x4 + 1,69x5 + 0,38x1x2 – 0,75x1x4

– 0,38x2x3 – 0,38x2x4 + 0,75x3x4 – 0,38x3x5 + 0,38x4x5 + 0,94x1x3x4 .

Уровень 2.

Y₁ = Х₃ = 8,859 + 0,703х_3.1 + 0,109 х_3.2 + 0,172 х_3.3 +0,359 х_3.4 + 0,140 х_3.5

+ 0,359 х_3.6 – 0,109 х_3.4 х_3.5 – 0,109 х_3.1 х_3.4 х_3.6 – 0,109 х_3.2 х_3.3 х_3.5

Обобщенный показатель объёма заготовленной зелёной массы (Y, т/га), с одной стороны, рассматривается как возможное достижение при осуществлении управления технологическим процессом (табл.1), а с другой, – используется для прогнозирования в зависимости от получаемых значений переменных в различных хозяйствах.

Таблица 1. Расчетные и фактические значения выхода зеленой массы кормов в хозяйствах Ленинградской области

Хозяйство	Выход зеленой массы с 1га, т
	YРас	YФак	Δ, %
ФГБУ «Каложицы», Волосовский район	16,7	16,1	4,0
ОАО «Рассвет», Лужский район	12,9	13,0	-0,3
ЗАО «Андреевское», Тихвинский район	9,74	10,1	-4,6

В другой работе [3] построена логико-лингвистическая модель рециклинга органических отходов животноводства как база знаний для АСУ процессом, происходящем в биоферментаторе барабанного типа (рис.2).

Факторное пространство состояло из шести переменных, наиболее полно характеризующих процесс:

X₁ – влажность исходного материала, %;

X₂ – пористость исходного материала, %;

X₃ – интервал между вращением барабана, ч;

X₄ – температура подаваемого воздуха, ^оС;

X₅ – время аэрации, мин/ч;

X₆ – скорость аэрации, м/с;

Y – температура в биоферментаторе, ^оС.

Рис. 2 Барабанный биоферментатор:

1 – барабан, 2 – рама, 3 – выгрузное устройство,

4 – лопатки, 5 – аэрационная труба, 6 – привод

Результирующая модель:

Y₁=68,16+4,34х₂–1,52х₃+1,76х₄+5,04х₅+2,23х₆–0,82х₂х₄+0,82х₃х₅+0,82х ₄х₆–

–2,46х₅х₆+1,29х₁х₂х₃–0,59х₁х₂х₅– –0,82х₁х₃х ₄+0,59х₁х₃х₆ .

Адекватность расчетов по (3) показана на рис.3.

Рис.3. Корреляция экспертных и расчетных значений температуры в биоферментаторе

Результатом исследования явилось повышение производительности агрегата за счет выбора рациональных режимов ведения процесса и

снижение экологической нагрузки на окружающую сред, в том числе поступления азотистых соединений в акваторию Балтийского моря.

Таким образом, способ построения логико-лингвистических моделей наглядно демонстрирует эффективность использования экспертных знаний как средство преодоления сложностей в сельскохозяйственном производстве.

Литература

1. Спесивцев, А.В. Управление рисками чрезвычайных ситуаций на основе формализации экспертной информации / А.В. Спесивцев. – СПб: Изд-во Политехн. ун-та, 2004. – 238 с.

2. Попов В.Д. Свертка многокритериальных экспертных оценок в условиях неопределенности / В.Д. Попов, А.В. Спесивцев, А.И. Сухопаров, В.А. Спесивцев // Сб. докладов. ХХ Международная конференция по мягким вычислениям и измерениям SCM-2017, 24-26 мая 2017, Санкт-Петербург, 2017. Т2 – С.145-150.

3. Брюханов А.Ю. Логико-линвистическая модель рециклинга органических отходов / А.Ю. Брюханов, А.В. Спесивцев, А.В. Трифанов,Р. А. Уваров, В.А. Спесивцев //Сб. докладов. ХХ Международная конференция по мягким вычислениям и измерениям SCM-2017, 24-26 мая 2017, Санкт-Петербург, 2017. Т2 – С.180-183.

Код для цитирования: Скопировать