МЕТОДЫ И СРЕДСТВА ИНТЕЛЛЕКТУАЛЬНОГО МОДЕЛИРОВАНИЯ И ПРОЕКТИРОВАНИЯ СИСТЕМ ПРОМЫШЛЕННОЙ АВТОМАТИКИ

Реферат 2
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 5
ВВЕДЕНИЕ 6
1 Дискретные системы промышленной автоматики: особенности, модели и
примеры 13
1.1 Дискретные системы промышленной автоматики и их особенности . . .13
1.2 Обзор и анализ существующих работ по методам и средствам моделирования и проектирования систем промышленной автоматики
и киберфизических систем 15
1.3 Производственная система FESTO 24
1.3.1 Неформальное описание 24
1.3.2 Исполнительные устройства 26
1.3.3 Алгоритмы работы 36
2 Онтологическое моделирование производственной системы FESTO 47
2.1 Общая методика онтологического моделирования 47
2.2 Обобщенная онтология станций производственной системы FESTO . . 48
2.2.1 Онтологическая модель 48
2.2.2 Частная онтология тестирующей станции 55
2.2.3 Семантический анализ 61
2.3 Моделирование распределительной станции 66
2.3.1 Онтологическая модель 66
2.3.2 Продукционные правила и SPARQL-запросы 69
2.3.3 Верификация системы правил 74
2.4 Моделирование тестирующей станции 76
2.4.1 Онтологическая модель 76
2.4.2 Продукционные правила и SPARQL-запросы 78
2.4.3 Верификация системы правил 82
2.5 Моделирование обрабатывающей станции 84
2.5.1 Онтологическая модель 84
2.5.2 Продукционные правила и SPARQL-запросы 86
2.5.3 Верификация системы правил 90
3 Инструментальное средство для поддержки онтологического моделирования на основе языка SPARQL 93
3.1 Назначение, особенности и функции программы 93
3.2 Описание пользовательского интерфейса 94
3.3 UML-диаграмма 102
3.4 Описание модулей (классов) 102
3.5 Руководство пользователя 107
3.6 Имитационное моделирование станций FESTO в
инструментальной системе 109
ЗАКЛЮЧЕНИЕ 114
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 118
ПРИЛОЖЕНИЕ A Листинг программы 126
ПРИЛОЖЕНИЕ A. 1 Класс «MainForm» 127
ПРИЛОЖЕНИЕ A.2 Класс «ManualControl» 133
ПРИЛОЖЕНИЕ A.3 Класс «UpdateControl» 135
ПРИЛОЖЕНИЕ A.4 Класс «OptionForm» 140
ПРИЛОЖЕНИЕ A.5 Класс «XMLParser» 142
ПРИЛОЖЕНИЕ В Презентация 145

Купить

Актуальность. Одним из главных атрибутов четвертой промышленной революции (известной также как «Индустрия 4.0») является широкое использование киберфизических систем (КФС) [1]. В связи с принятием концепции «Индустрия 4.0» как определяющей для развития промышленности будущего, возникает актуальная задача разработки методов и средств проектирования систем данного класса, а также их «цифровых двойников». Данное направление является новым и исследования в данной области далеки от завершения.
Важным подклассом КФС являются системы промышленной автоматики (СПА), непосредственно связанные с промышленным производством. Основными артефактами таких систем являются датчики, исполнительные механизмы и контроллеры. Примерами подобных КФС являются производственные системы, сборочные производства, разумные сети электроснабжения (сети Smart Grid), системы транспортировки и логистические системы и т.д. Каждая из таких систем имеет свои особенности. Производственные системы, как правило, связаны с производством изделий на основе обработки исходных материалов. Одной из главных их особенностей является то, что они в основном относятся к классу дискретных событийных систем.
КФС представляют собой сложные, распределенные в пространстве и времени комплексы, включающие в свой состав как мехатронную, так и кибернетическую части, в которых параллельно протекают процессы различной природы, тесно взаимодействующие между собой, что существенно затрудняет процесс их проектирования.
Важное место в проектировании промышленных КФС, занимает моделирование, которое проводится как с целью верификации, так и с целью оценки производительности. Более того, тонкое и всеобъемлющее моделирование КФС приводит к созданию так называемых «цифровых двойников» КФС, которые можно использовать в проектировании и обучении КФС практически во всех аспектах.
Несмотря на большое число языков и систем имитационного моделирования, разработка новых подходов к моделированию КФС не прекращается, что связано как с особой ролью КФС в концепции «Индустрия 4.0», так и с появлением новых информационных технологических платформ, среди которых с полным правом можно назвать семантический Web [2].
Перспективным подходом к повышению эффективности процессов моделирования и проектирования КФС является интеллектуализация данных процессов, подразумевающая широкое использование моделей представления знаний, баз знаний и систем логического вывода, а также разработку интеллектуальных средств поддержки. Применение данного подхода позволит сократить сроки и повысить качество разрабатываемых систем. Следует заметить, что несмотря на бурное развитие нейросетевых технологий, классические модели представления знаний прочно удерживают свои позиции в определенных сферах применения, среди которых представление предметных областей. Основными преимуществами моделей такого класса являются высокоуровневый характер представления знаний, отсутствие семантического разрыва между представлениями человека о предметной области и моделями представления знаний, управляемость модели, возможность отслеживания и объяснения результатов логического вывода, легкость интеграции с существующими базами данных и IT-технологиями...
Купить